[의학신문·일간보사] 인공지능(AI)은 영상의학 분야로 외연을 넓히고 있다. 빅데이터가 유명 키워드가 되기 전 부터 병원에서는 그 속성을 가지고 있었다. 분석해야 할 데이터양이 폭발적으로 증가하면서 의료인의 업무도 가중되고 있었기 때문이다. 특히, 우리나라는 OECD 국가 중 진료시간이 긴 나라 중 하나다.

현재 여전히 의료혜택을 못 받는 환자가 많은 열악한 상황이다. 지금까지 AI(인공지능)의 개념 도입, 공상 과학, 냉전시대의 실시간 번역 등 여러 노력이 있었다. 그래서 체계적으로 학문으로 자리잡은 것이 머신러닝이다. 머신러닝은 사람이 학습하는 관점까지 유사하다. 다른 이유 외에도 성능이 좋고 발전할 여지도 많아 여러 분야에서 상업적인 연구로도 쓰일 수 있다.

최근 수년간 Deep-learning 기술은 영상, 음성, 텍스트 등 다양한 형태의 데이터 분석에서 기존 방법의 성능을 뛰어넘는 결과를 보이며 주목받았다.

Deep-learning은 사람의 주관이나 가정이 적게 반영돼, 데이터 획득이후 모델 만드는 것에는 주관적이고 경험적인 주관이 관여한다. 그런 것들을 배제한 것이 바로 Deep-learning이다.

Deep-Learning 자체의 구조적 확장성 및 유연성, 풍부한 데이터, GPGPU를 이용한 연산 인프라의 지원으로 기존에 불가능하거나 비효율적이었던 새로운 적용 영역으로 확장이 다양한 분야에서 이루지고 있다.

여러 분야 중에서도 의료영상 분석 분야에서는 병변의 탐지 및 분할, 정량화 등 자동 진단 보조 시스템 개발을 위해 최근 기계학습 기법이 가장 활발하게 도입되고 있다.

비록 의료 데이터의 특성으로 인한 여러가지 어려움은 있다. 예컨대 데이터 기반의 접근법으로 기존의 의료 데이터 분석 방법은 주관적이고 경험에 의존한다는 한계가 있었다. 또한, 일일이 기계에 학습시키기에는 데이터양이 적다는 점도 문제가 됐다.

이러한 어려움을 해결하기 위해 데이터를 부풀려 소위 ‘뻥튀기’ 하는 방법이 있다. 의료에서는 절대 임상적‧해부학적으로 불가능한 영상을 활용하기 어렵다. 때문에 임의로 가짜 이미지를 만드는 방법이 있다. 의료분야 외에 딥러닝 영역에서도 많이 이용하는 방식이다.

예컨대, 어떤 값을 키우면 Solid 모델에서 Smooth 모델로 바뀐다던가 하는 것이다. 그리고 다른 분야에서 학습된 예로 의료 분야 문제를 풀도록 하는 방법도 있다. 처음부터 적은 데이터로 출발하는 것 보다 훨씬 나은 방법이라고 볼 수 있다.

그 밖에 데이터 수집에 많은 노력도 기울이고 있다. 웹을 기반으로 한 시스템은 데이터 수집을 위해 종종 편리하게 활용된다.

소위 답만 던지는 딥러닝 모델 문제를 해결하기 위한 움직임도 있다. Activation map 활용해 활성화되는 곳을 확인하는 방법이다. 딥러닝 모델은 특성상 해상도가 낮다. 때문에 세밀하게 판독하기는 어렵지만, 속도가 빠른 장점이 있다. 이 외에도, 픽셀 단위로 어디를 판단해야 하는 지도 알 수 있다.

영상의 어느 부분이 불확실한 지도 판단할 수 있다. 즉, 정량화가 가능하다. 비록, 딥러닝 모델에 전문의 수준을 요구할 수는 없다. 또한, 임상적 지식을 딥러닝에게 줘야 빨리 학습할 수 있다.

재미있는 것은 MRI 영상으로 CT 영상을 만드는 것이다. 무엇보다 실제적으로 가치를 줄 수 있는 게 Radiation 선량을 맞출 수 있어야 한다.

2019년부터 머신러닝 AI 적용

이미 학회에서는 AI가 일시적인 유행이 아니라고 언급하며, 2019년부터 머신러닝 AI 적용을 예상했다. 좋은 아이디어로 충분히 검증된 임상데이터를 모아 딥러닝 하면 될 거 같다. 물론 또 다른 새로운 차원의 문제가 생길 수도 있다. 평가 방식과 관련한 합의다. 또한 최종적으로 상용화가 가능할 지에 대한 문제도 있다. 다만 이런 상황이 호전되고 있다. 미국도 가이드라인에 따라 규제 틀 안에서 진행하고 있다. 우리나라도 도입을 서둘러 규제 틀 안에서 진행할 것을 진행하고, 효용성이 없는 것은 퇴출해야 한다.

본사에서도 올해 3월 안에 AI를 기반으로 한 의료기기 제조 소식을 알릴 수 있을 것으로 예상한다. 영상 이외에도 환자 상태가 악화되기 전에 미리 감지하고 조기 대응하는 신속대응팀(RRT)과 일반 병동의 위독한 환자들을 위한 심정지‧패혈증 예측 프로그램을 만들고 있다.

여러 병원과 협업하여 인공지능 기술을 토대로 의료영상 생체 실험 임상결과를 분석하고 정리해 효율적인 임상환경을 만들 수 있도록 지속적으로 노력 중이다.

[글: 정규환 뷰노 이사]

저작권자 © 의학신문 무단전재 및 재배포 금지