인공지능의 하위 분야인 머신러닝(ML)은 명시적인 지시 없이 데이터에서 학습하는 알고리즘을 만드는 기술로 정의할 수 있습니다. 이러한 알고리즘은 대량의 입력 데이터를 처리하여 정보에 근거한 의사결정을 도출할 수 있습니다. 의료 업무 흐름에 통합될 때, 의료 분야의 ML은 새로운 가치를 창출하고 의료 부문의 대규모 혁신을 위한 길을 열 것으로 기대됩니다.
당면 과제: 증가하는 업무량과 부족한 인력
의료 종사자들이 받는 부담이 커지고 있습니다. 의료 산업은 의료진, 기관, 웨어러블 기기 등 다양한 출처에서 발생하는 전 세계 데이터의 약 30%를 차지하는 것으로 추정됩니다. 정보가 제대로 구조화되어 있지 않거나 노이즈가 포함되어 있을 수 있으므로, 이는 데이터의 형식을 정리하고 처리하는 일이 더욱 어려워진다는 의미입니다.
동시에 의료 서비스 제공 자체도 본질적으로 매우 높은 수준의 노력을 요구합니다. 2050년에는 4명 중 1명이 65세를 넘게 될 것입니다. 이는 의료 분야가 더욱 복잡한 요구를 가진 더 많은 환자를 돌봐야 한다는 의미입니다. 수명 연장 외에도 환자의 기대 변화와 생활 방식 선택의 변화 같은 요인 역시 중요하게 작용합니다. 의료 분야에 ML을 도입하지 않고 이러한 복잡한 요구를 충족하기는 어려울 것입니다.
한편, 인력 부족은 계속 심화될 것으로 예상됩니다. 세계보건기구는 2030년까지 유럽 전역에서 의료 인력 수요가 1,820만 명으로 증가할 것으로 추산했습니다. 현재 간호사, 조산사, 의료 보조 인력 860만 명으로는 증가하는 수요를 충족하지 못할 것입니다.
해결책은 더 많은 사람을 고용하는 데 있지 않습니다. 의료 시스템의 운영과 관리는 개별 진료 시점에 대응하고 돌봄에만 집중하는 방식에서 선제적이고 지속 가능하며 확장 가능한 방식으로 전환되어야 합니다. 이러한 전환은 의료 분야의 ML과 같은 기술 발전을 통해서만 이루어질 수 있습니다.
의료 분야의 ML에서 기대할 수 있는 세 가지 긍정적인 변화
의료 분야에서 ML이 가져오는 첫 번째 의미 있는 효과는 효율성 향상입니다. 일상적인 행정 업무는 의료 전문가 업무 시간의 최대 70%를 차지할 수 있지만, ML 기반 솔루션으로 자동화할 수 있습니다. 아래 그래프는 2030년까지 자동화를 통해 다양한 의료 직종에서 절감할 수 있는 근무 시간의 비중을 보여줍니다.
두 번째 효과는 의료 서비스 제공의 본질 변화입니다. 의료 분야에 ML을 통합하면 근무 시간뿐만 아니라 업무 자체에도 영향을 미치게 됩니다. 의료진은 편의성과 최적의 환자 경험을 우선시하는 고도로 개인화된 서비스를 제공하는 데 소중한 시간을 할애할 수 있습니다. 더 넓은 차원에서는 의료 종사자 교육과 기관 운영이 혁신, 지속적인 학습, 다학제적 협업을 중심으로 전환될 것입니다.
세 번째 효과는 의료 산업에 새로운 직종 도입입니다. 의학과 데이터 과학의 전문성이 교차하는 영역이 생겨날 것입니다. 따라서 의료 분야의 ML은 새롭고 유연한 진로를 열어, 두 분야 모두에 능숙한 사람들이 가치 있는 기여를 할 수 있도록 합니다. 예를 들어, 병원은 체계적이고 임상적으로 의미가 있으며 사용자 친화적인 의사결정 지원 시스템을 개발하기 위해 충분한 의학 지식을 갖춘 개발자를 필요로 하게 됩니다.
윤리적 우려
의료 분야의 ML이 제공하는 막대한 이점에 대한 강한 믿음이 있는 한편, 발생할 수 있는 윤리적 문제에 대한 우려도 존재합니다.
- 충분한 설명에 근거한 동의: ML 기반 건강 관련 소프트웨어와 웨어러블 기기가 점점 보편화되고 있습니다. 그러나 사람들은 자신이 얼마나 많은 정보를 제공하는지 항상 충분히 이해하는 것은 아니므로, 식단 안내와 건강 모니터링 같은 기능은 사용자 동의에 관한 의문을 제기합니다.
- 안전성과 정보 편향: 의료 분야의 ML 알고리즘을 학습시키는 데 사용되는 데이터는 실제 환자에게 적용했을 때 정확한 의사결정을 내릴 만큼 충분히 신뢰할 수 있고 공정하지 않을 수 있습니다. 따라서 학습 단계에서 데이터셋의 품질과 다양성을 보장해야 합니다.
예를 들어, 피부암의 최적 치료법을 추정하도록 구축된 모델이 주로 백인 환자의 데이터로 학습되었다면, 다른 인종 집단의 사람들에게는 신뢰성이 떨어지는 권고를 제시할 수 있습니다.
- 인간 전문가의 역할 상실: 많은 사람은 의료 분야에서 ML이 널리 사용되면 의료 인력이 위기에 처할 것이라고 주장합니다. 이들의 주장에 따르면, 환자들은 기계가 편향되지 않고 더 정확한 진단을 내릴 것이라고 잘못 생각하여 가상 의료 인력을 선호할 수 있습니다. 또한 일부 환자는 자신의 문제를 의사에게 이야기하는 것을 부끄러워하거나 꺼릴 수 있습니다.
의료 종사자의 역량을 강화하고 운영을 간소화하는 ML의 실용적인 활용 사례 8가지
의료 분야는 오랫동안 ML 솔루션을 도입하고 그 혜택을 누리는 데 앞장서 왔습니다. 의료 분야의 ML을 통해 컴퓨팅 성능은 여러 측면에서 실질적인 도움으로 이어졌습니다.
1. 건강 데이터 관리
의료정보학에서는 ML을 활용해 기록 작성과 관리 속도를 높일 수 있습니다. 이 기술은 기존의 비정형적이고 복잡한 문서를 통합된 데이터 세트로 변환하여 전문가에게 심층적인 인사이트를 제공합니다. 이를 통해 진료의 질을 높이고 행정 비용을 줄일 수 있습니다.

예를 들어 자연어 처리(NLP)는 의사가 수기로 작성한 것을 포함한 임상 기록을 수집하고 기록하며 저장하는 데 도움을 줍니다. 이는 수작업을 없애고 향후 참고할 수 있도록 데이터를 종합하여 치료 과정을 최적화합니다.
2. 의료 영상
ML 시스템은 형태, 질감, 강도, 색상 등의 영상 특징을 관찰한 후 유의미한 진단을 도출하도록 학습시킬 수 있습니다. 아래 그림은 의료 분야에서 ML 기반 모델이 작동하는 방식과 이후 양성/악성 종양 분류에 적용되는 방식을 보여 줍니다.

3. 유전학 연구를 통한 질병 조기 예측
많은 보건 관련 사업에서는 연구 목적으로 다량의 인간 유전체 샘플을 확보해야 합니다. 그러나 인간 유전체의 복잡한 특성 때문에 이러한 정보를 이해하고 정확히 해독하는 것은 매우 어렵습니다.
최근 의료 분야의 ML은 과학자들이 인간 유전체의 여러 영역에서 패턴과 추세를 찾아내는 데 도움을 주었으며, 이를 통해 건강 관련 요인과 향후 암이나 알츠하이머병 같은 특정 질병에 걸릴 위험 사이의, 이전에는 알려지지 않았던 상관관계를 밝혀냈습니다. 이를 통해 시기적절한 예방 조치와 조기 개입이 가능해집니다.
예를 들어 한 ML 모델은 AUC 0.89로 난소암을 예측할 수 있습니다(이는 해당 모델이 사례를 양성 또는 음성으로 정확하게 분류할 확률이 89%라는 의미입니다).
4. 감염병 유행 예측
의료 분야의 ML은 지역사회 내 감염병 유행을 초기 단계에서 예측하는 작업을 자동화하여 환자 수를 최소화하고 피해를 줄이는 데 도움을 줄 수 있습니다. 질병의 특성, 전파 경로, 지리적 특성, 인구통계학적 특성 등의 데이터 변수를 처리하여 패턴을 찾고 향후 유행 위험을 추정합니다. 한 연구에서는 언론 기사를 분석하여 특정 국가에서 6개월 동안 발생하지 않았던 감염병이 재발할 가능성을 추정하는 ML 기반 방법론을 제안했습니다. 아래 표는 6개월 분량의 데이터를 사용한 세 가지 모델의 정확도를 비교합니다.
5. 신약 발굴 및 개발
이 분야에서는 인간 생물학, 유전체학 등과 관련된 방대하고 복잡한 정보가 오랫동안 의사와 연구자들에게 큰 장애물로 작용해 왔습니다. 다행히 ML은 비정형 데이터의 집합을 체계화하고 이해하는 데 도움을 주므로, 신약 발굴 파이프라인의 모든 단계에서 활용할 수 있습니다.

예를 들어 MIT 연구진은 약물 분자가 표적 단백질에 얼마나 잘 결합하는지 계산하는 ML 기반 기법을 개발했습니다. 아래 그림에서 약물 분자와 표적 단백질은 각각 분홍색 구조와 원형 구조로 표시되어 있습니다. 의료 분야에 ML을 활용한 이 모델은 기존 방식과 동등한 정확도로 계산하면서도 소요 시간은 크게 단축합니다.
6. 수술 보조
의료 분야의 ML, 특히 컴퓨터 비전은 수술 전 단계에서 환자의 해부학적 모델을 분석하여 구체적인 수술 계획을 수립하도록 외과의를 돕습니다.
예를 들어 기존 컴퓨터 비전 기술을 사용하면 내시경 영상의 3D 재구성 모델을 16.7밀리초 이내에 성공적으로 생성할 수 있습니다. 빠르고 정확한 결과를 바탕으로 다른 장기와 조직에 심각한 손상을 입히지 않으면서 목표 부위에 도달할 수 있는 최적의 경로를 추정할 수 있습니다. 따라서 컴퓨터 비전이 지원하는 3D 재구성 모델의 실시간 스트리밍과 렌더링은 외과의에게 도움이 됩니다.
7. 맞춤형 의료
사람마다 임상적 특성이 다르므로 약물과 치료도 그에 맞게 조정해야 합니다. 이러한 접근법을 맞춤형 의료라고 합니다.
맞춤형 의료의 핵심은 환자의 배경 정보에서 건강에 관한 폭넓은 지식을 도출하는 것입니다. 시행착오에 의존하는 대신 가족 정보, 병력, 생활 습관 등의 세부 사항을 분석하여 진단 의사결정을 최적화합니다. 이를 통해 의료 분야의 ML은 질병에 따른 건강상 부담과 경제적 부담을 줄여 줍니다.
8. 가상 간호사
간호사는 매일 많은 환자를 돌보는 동시에 시간이 많이 드는 일상 업무와 절차를 처리해야 합니다. 간호사의 생산성을 높이기 위해 실질적인 지원과 도움을 제공하는 가상 간호사 솔루션이 도입되었습니다. 컴퓨터로 생성되어 화면에 나타나는 이 직원들은 환자와 간단한 대화를 나누고 회복 상태를 원격으로 모니터링하여 의료진에게 알림을 보낼 수 있습니다. 이처럼 의료 분야의 ML은 의료기관이 응급실이나 중환자실과 같은 다른 중요한 부서에 간호 인력을 배치하는 데 집중할 수 있도록 합니다.
맺음말
의료 분야에서는 기술, 특히 ML이 필수적인 의사결정 지원 도구로서 수행하는 역할이 강조되고 있습니다. 인간적 요소와 결합한 ML 솔루션은 의료의 발전을 적극적으로 이끌며 전반적인 삶의 질 향상에 기여하고 있습니다.
머신러닝 전문가를 찾고 계신가요?
1. GEM Corporation은 AI 솔루션 개발 경험을 갖춘 IT 아웃소싱 기업입니다. 당사는 일본의 주요 산업 기업을 위해 NLP 및 OCR 솔루션을 개발해 왔으며, 챗봇, 텍스트 및 이미지 처리 시스템, 추천 시스템 구축을 전문으로 합니다. 또한 과학 연구와 인재 양성을 위해 베트남 국립대학교 AI 연구소와 협력하고 있습니다.
2. 당사의 전문 분야는 물류, 통신, 금융, 은행 및 보험, 소매, 제조 등입니다.
3. 당사는 7년 이상의 경험을 보유하고 있습니다. 사무소는 베트남 하노이와 일본 도쿄에 있습니다.
4. 당사는 미국, 영국, 유럽, 일본, 한국, 싱가포르 등 여러 지역의 고객을 위해 100건 이상의 프로젝트를 성공적으로 수행했습니다.
5. 차기 AI 솔루션 구축을 위해 어떤 도움이 필요하신지 알려주세요. 지금 문의하시고 프로젝트 데모를 받아보세요.

