인공지능(AI)이 보편화되었다는 사실은 부정할 수 없습니다. AI는 인간이 효율적으로 수행하는 학습, 추론, 논리 적용 능력을 점점 더 정교하게 구현하고 있습니다.
다른 많은 비즈니스 분야와 마찬가지로 AI는 의료 산업을 획기적으로 개선할 잠재력을 지니고 있습니다.
여러분은 이미 핏빗(FitBit), 스마트워치, 스마트 벨트 등 AI 기반 웨어러블 기기를 사용하여 건강을 관리하고 있을지도 모릅니다.
면밀히 살펴보면 의료 분야에서 AI가 활용되는 훌륭한 사례를 많이 찾아볼 수 있습니다. AI는 점차 우리 의료 생태계의 필수적인 부분이 되고 있습니다.
이 글에서는 의료 분야에서 AI의 실제 적용 사례와 사용 사례를 다룹니다.
인공지능은 의학 및 의료 분야에서 핵심적인 역할을 수행할 전망입니다.
그 이유는 다음과 같습니다.
인공지능 헬스케어 시장은 나날이 성장하고 있으며, 시장 동향은 매우 밝습니다.
보고서에 따르면 글로벌 헬스케어 AI 시장 가치는 2019년 31.4억 달러에서 2025년까지 238.5억 달러로 성장할 것으로 예상됩니다.
2020년부터 2025년까지 예측 기간 동안 연평균 성장률(CAGR) 40.15%로 성장할 전망입니다.
광고 및 미디어 부문이 2019년 AI 시장을 주도하며 전 세계 매출의 20% 이상을 차지했습니다. 의료 부문은 2027년까지 AI 시장에서 선도적인 점유율을 확보할 것으로 예상됩니다. (출처)
대량의 가용 데이터를 바탕으로 AI는 의료 분야 전반의 변화를 주도하는 엔진이 될 태세입니다.
인공지능, 특히 학습 알고리즘은 진단, 치료, 치료 프로세스에 대한 통찰을 얻게 함으로써 점점 더 정확하고 정밀해지고 있습니다.
환자와 의사 모두에게 이로운 의료 분야 인공지능의 실제 적용 사례를 소개합니다.
정확한 진단은 성공적인 치료의 열쇠입니다. 오진의 경우 심각한 결과를 초래할 수 있으므로 정확한 진단이 매우 중요하지만, 항상 쉬운 일은 아닙니다.
의료 진단에 인공지능을 적용하면 의료 산업에 많은 이점을 제공합니다.
AI 기반 소프트웨어는 뚜렷한 증상이 나타나기 전에도 환자가 특정 질병을 앓고 있는지 평가할 수 있습니다. 그리고 대다수 경우 이러한 예측은 정확합니다.
AI는 진단 비용을 낮추고 접근성을 높입니다.
특히 딥러닝 알고리즘인 머신러닝은 질병 자동 진단에 널리 활용되고 있습니다.
머신러닝 알고리즘은 의사가 패턴을 인식하는 방식과 유사하게 패턴을 학습합니다. 중요한 차이점은 알고리즘이 학습을 위해 수많은 구체적인 사례가 필요하며, 이 사례들은 기계가 교과서의 행간을 읽을 수 없기 때문에 디지털화되어야 한다는 점입니다.
따라서 의사가 검토하는 진단 정보가 이미 디지털화된 영역에서 머신러닝이 특히 유용합니다. 예를 들어 MRI, CT 스캔, X-레이 이미지에는 인간이 평가하기 어렵고 시간이 많이 걸리는 방대하고 복잡한 데이터가 포함되어 있습니다.
머신러닝은 다음과 같은 분야에서 유용합니다.
의사가 있는데 왜 AI를 도입해야 할지 의문이 들 수 있습니다.
머신러닝 같은 AI 기술은 사용 가능한 데이터에서 추출한 지식을 바탕으로 환자 건강을 평가하는 '제2의 눈' 역할을 합니다.
위 사례들에는 CT, MRI, 유전체 데이터, 환자 기록, 손글씨 파일 등 풍부한 유용 데이터가 있습니다. 이 모든 데이터를 바탕으로 머신러닝 알고리즘은 전문의의 진단만큼 효율적으로 발전하고 있습니다.
머신러닝 알고리즘은 훨씬 빠르게 결론을 도출하고, 모델을 저비용으로 전 세계에 복제할 수 있다는 점에서 두드러집니다.
그렇다면 AI가 곧 의사들을 대체하게 될까요?
아닙니다.
AI가 가까운 시일 내에 의사와 의료진을 대체할 가능성은 낮습니다. 대신 AI는 잠재적으로 악성인 종양이나 생명을 위협하는 심장 패턴을 강조 표시하는 데 사용될 것입니다. 이를 통해 의사들은 강조된 신호의 해석에 집중할 수 있습니다.
신약 개발은 갈수록 경쟁이 치열하고 비용이 많이 드는 의료 사업입니다. 기술 발전에도 불구하고 신약 개발 비용은 몇 년마다 증가하고 있습니다. AI가 여기서 중요한 역할을 할 수 있습니다.
주요 의료 및 제약 기업들은 AI를 활용해 R&D 비용을 절감하고 값비싼 실수를 방지하고 있습니다.
신약 개발의 많은 분석 공정은 머신러닝으로 더 효율적으로 만들 수 있습니다. 이는 투자 비용을 수백만 달러 절감할 잠재력이 있습니다.
2026년까지 헬스케어 AI 애플리케이션은 미국 의료 경제에 연간 1,500억 달러의 잠재적 절감 효과를 창출할 수 있습니다.
신약 개발은 4단계로 나뉩니다.
AI가 이 모든 단계에서 이미 성공적으로 사용되고 있다는 사실에 놀랄 것입니다. 각 단계를 살펴보며 그 역할을 이해해 보겠습니다.
신약 개발의 첫 단계는 질병의 생물학적 기원과 저항 메커니즘을 이해하는 것입니다. 그런 다음 질병 치료에 적합한 표적(주로 단백질)을 식별해야 합니다.
쇼트 헤어핀 RNA(shRNA) 스크리닝 및 딥 시퀀싱 같은 고대량 기술로 방대한 데이터가 확보되어 가능한 표적 경로를 발견할 수 있습니다.
하지만 전통적인 방식으로는 수많은 다양한 데이터 소스를 통합하고 관련 패턴을 찾는 것이 여전히 어렵습니다.
머신러닝 알고리즘은 모든 가용 데이터를 신속히 분석하여 우수한 표적 단백질을 자동으로 식별합니다.
다음 단계는 확인된 표적 분자와 원하는 방식으로 상호작용하는 화합물을 찾는 것입니다.
이는 표적에 대한 효과(친화도)를 위해 방대한 수의 잠재적 화합물을 스크리닝하는 과정을 포함합니다. 이 화합물은 천연, 합성, 생체공학적일 수 있습니다.
그러나 현재 시스템은 부정확하고 불충분한 제안을 할 수 있습니다. 따라서 실제로 최적의 약물 후보를 확정하는 데 매우 오랜 시간이 걸립니다.
머신러닝 알고리즘이 여기서 도움을 줍니다: 구조적 지문과 분자 기술자를 기반으로 분자의 적합성을 예측하도록 학습한 뒤, 수백만 개의 잠재적 분자를 선별하여 부작용이 최소화된 최적의 옵션만 필터링합니다.
이로써 신약 설계 시간을 대폭 단축할 수 있습니다.
임상 시험에 적합한 후보자를 찾는 것은 쉽지 않습니다. 잘못된 후보를 선정하면 시험이 지연되어 시간과 자원이 낭비됩니다.
머신러닝은 임상 시험 프로세스를 가속화할 수 있습니다. 적합한 후보를 식별하고 시험 참여자 그룹의 적절한 분포를 보장합니다. 알고리즘을 훈련해 좋은 후보와 나쁜 후보를 분리할 수 있습니다.
AI 기술은 임상 시험 프로세스에 세 가지를 제공합니다: 더 빠르고, 신뢰할 수 있으며, 더 안전하게 만듭니다.
또한 결론이 나지 않는 임상 시험에 대해 조기 경고를 제공하여 연구자들이 약물 개발을 구하기 위해 더 일찍 개입할 수 있게 합니다.
환자 치료는 진단이 확실할 때만 가능합니다.
바이오마커는 혈액 같은 체액에서 발견되는 분자로, 환자가 질병을 가지고 있는지 여부를 판단합니다. 질병 진행 추적에도 사용됩니다.
하지만 질병에 적합한 바이오마커를 발견하는 것은 쉽지 않습니다. 수천 개의 잠재적 분자 후보를 스크리닝하는 비용이 많이 들고 시간 소모적인 과정입니다.
AI는 여기서 수작업의 상당 부분을 자동화하여 프로세스를 가속화합니다.
알고리즘은 분자를 좋은 후보와 나쁜 후보로 분류하여 전문가들이 최적의 후보를 분석하도록 돕습니다.
바이오마커는 다음을 식별하는 데 사용됩니다.
예를 들어 2017년 영국 아스트라제네카(AstraZeneca)는 바이오파마 기업 버그(Berg)와 협력해 AI를 활용, 신경계 질환의 바이오마커와 약물을 발굴했습니다.
선택권이 주어진다면 우리 중 많은 이들은 불필요한 병원 방문을 피하고 싶어 할 것입니다. 가능한 일일까요?
가상 간호 보조가 이를 가능하게 합니다.
가상 간호 보조는 불필요한 병원 방문을 줄이고 의료 전문가의 부담을 덜어줍니다.
AI 기반 가상 간호 보조는 환자에게 개인화된 경험을 제공합니다. 증상 기반 질병 식별, 건강 상태 모니터링, 의사 예약 등 다양한 기능을 수행하며 만성 질환 악화를 예방할 수 있습니다.
가상 보조는 요즘 뜨거운 트렌드입니다. 병원과 의료 전문가들은 환자 참여도를 높이고 자기 관리 능력을 향상시키기 위해 이를 활용합니다.
환자마다 약물과 치료 일정에 대한 반응이 다릅니다. 개인 맞춤형 치료 옵션으로 환자 수명을 크게 늘릴 잠재력이 있습니다.
머신러닝은 개인 맞춤형 치료 제공에 활용됩니다.
어떻게 가능할까요?
특정 치료에 대해 환자가 보일 특정 반응을 나타내는 특성을 발견하는 데 도움을 줍니다. 특정 치료에 대한 환자의 예상 반응을 예측할 수 있습니다.
하지만 ML 알고리즘은 어떻게 이를 학습할까요?
시스템은 유사 환자들의 데이터를 상호 참조하고 그들의 치료와 결과를 비교하며 학습합니다. 이는 의사가 환자에게 적합한 치료 계획을 설계하는 데 큰 도움이 됩니다.
AI는 유전체 연구에도 활용되고 있습니다.
머신러닝 기법은 유전체 시퀀싱과 주석 달기 등에도 계속 적용되고 있습니다. 그게 끝이 아닙니다.
유전체 기반 진단에도 사용됩니다.
AI가 우리 유전자를 바꿀 수 없다고 생각한다면 다시 생각해 봐야 합니다.
CRISPR(Clustered Regularly Interspaced Short Palindromic Repeats), 특히 CRISPR-Cas9 시스템은 비용 효율적이고 정밀하게 DNA를 편집하는 능력을 크게 발전시켰습니다. 이 외에도 TALENs와 ZFNs가 유전자 편집에 기여합니다.
AI는 이미 다양한 방식으로 우리를 돕고 있습니다. 하지만 이는 시작에 불과합니다.
의료 데이터를 더 많이 디지털화하고 통합할수록, 복잡한 분석 프로세스에서 더 정확하고 비용 효율적인 결정을 내리는 데 AI를 더 많이 활용할 수 있을 것입니다.
인공지능은 엄청난 잠재력을 지니고 있으며, 이를 완전히 실현하려면 의학, 컴퓨터 과학, 수학 등 다양한 분야 전문가들의 결합된 노력이 필요합니다.
인공지능은 다음 분야에서 의학을 혁신할 수 있습니다.
의료 오류는 오진으로 이어집니다. 예를 들어 유방암에서 위음성 유방촬영술 보고서는 많은 여성의 치료를 지연시킬 수 있습니다. AI는 사람의 눈으로 볼 수 없는 이상 징후를 탐지하는 데 광범위하게 활용됩니다.
이는 AI가 의료에 기여할 수 있는 가장 유익한 부분일 수 있습니다. 데이터 입력 같은 불필요한 업무를 줄여 의사가 환자를 연민을 가지고 대할 수 있게 합니다.
미래는 '의료 셀피' 시대, 즉 셀피 한 장으로 진단받는 시대가 될 수 있습니다.
의료 AI 제품을 만드는 것만으로 충분할까요?
아닙니다. 더 중요한 것은 이 제품들을 사람들이 이용할 수 있게 하는 것입니다.
미국에서 훈련된 폐질환 AI 모델이 결핵(TB)을 라벨링에 포함하지 않은 사례를 봅시다. 결핵은 개발도상국의 문제지만 미국에서는 그렇지 않아 학습 데이터셋에 결핵 스캔이 없습니다.
하지만 AI는 모든 곳에서 모든 사람을 위해 작동해야 합니다. 데이터셋에 결핵 이미지를 추가하면 AI를 세계 다른 지역으로 일반화하고 민주화하는 데 도움이 됩니다.
환자와 의사가 만성 질환을 추적하고 예방하는 데 중요한 역할을 할 더 많은 기기와 모바일 앱이 필요합니다.
AI가 다른 헬스케어 기술과 시너지를 내며 성장할 잠재력은 업계에 많은 가능성을 제시합니다.
AI로 헬스케어 및 의료 비즈니스를 혁신할 의향이 있으신가요? 그렇다면 문의해 주세요.
우리는 AI 기반 애플리케이션 개발에 풍부한 경험을 가진 수상 경력의 기술 기업입니다. 대화해 보시죠.
산업기술
적층 기술은 지난 10년간 급속히 발전하여 산업 전반의 기업들에게 새롭고 흥미로운 제조 가능성을 약속해 왔습니다. 사람들이 적층 제조(AM)를 떠올릴 때 가장 먼저 떠오르는 응용 분야 중 하나는 프로토타이핑입니다. 엔지니어들이 기존 제조 공정의 제약 없이 설계를 빠르게 반복해야 할 때, AM(흔히 3D 프린팅이라 불림)은 하드 툴링이 필요 없으므로 신속한 반복을 가능하게 해 매우 효과적입니다. 프로토타입을 더 효율적으로 개발할수록 기업은 더 빠르게 양산으로 전환할 수 있습니다. 원한다면 이때부터 전통적인 제조 방식이 맡을 수 있습
3D 프린팅은 의학 분야에 깊이 관여하고 있습니다. 하지만 많은 사람들은 이를 알지 못합니다. 2011년은 카이바 지온프리도(Kaiba Gionfriddo) 사건 덕분에 의료 분야에서 3D 프린팅이 급부상한 해로 꼽힙니다. 카이바는 기관지를 약화시켜 붕괴시키는 질병을 가지고 태어났습니다. 기관내삽관 중에도 호흡 정지 순간이 있었고 심장에도 영향을 미쳤습니다. 하지만 그린(Green)과 홀리스터(Hollister) 두 생체역학 공학 전문가의 개입으로, 카이바의 기관지에 생체적합성 장치를 설계·프린팅·연결하는 데 성공했습니다. 카이바
