디지털 헬스케어 의사 모임 12월 모임 내용 요약

지난 12월 15일에 디지털 헬스케어 의사 모임 12월 모임이 있었습니다.

장소는 디캠프였습니다. (장소를 빌려주신 은행권청년창업재단 디캠프에 다시 한번 감사드립니다.)

총 4명의 연자가 다양한 주제로 발표하였습니다.

서울의대 강형창 학생이 내용 정리를 도와주었습니다.

 

1. 2015년 1년간 디지털 헬스케어 업계 정리: 김치원

제 마음대로 10가지 사건으로 정리한 내용을 발표하였습니다.

(1)  보험회사들의 웨어러블 사용에 대한 보험/할인 적용

연초에 미국의 보험 스타트업인 Oscar Health가 원하는가입자에게 웨어러블을 나누어주고

일정 걸음 수 이상 사용한 사람에 대해 상품권을 지급함

마케팅 차원이긴 하지만 보험회사들이 이런 디바이스를 쓰기 시작했다는 것이 의미가 있다고 볼 수 있음

국내에서 직토-교보라이프플래닛 생명 간의 협약이나 홍콩의 Manulife 등 다양한 사례가 나오고 있음

(2) 애플 워치

현재 수준에서 헬스케어로서 큰 의미가 있는 지는 의문임.

주요 대상과 용도는 스마트폰 중독자들을 편하게 해주는게 아닌가 하는 생각임

설문조사 해보면 사용자들이 헬스케어 기능을 중요 기능으로 꼽는데

실제 그렇다기 보다는 한시간에 한 번씩 일어나야 한다고 진동이 울리는 등의 기능이

사용자의 뇌리에 박혀서 설문을 돌리면 좋다고 대답이 나오는 것일 가능성 있음

물론 앞으로 새로운 센서와 기능이 장착되기 시작하면 달라질 것임

(3) 애플 리서치킷

애플 워치나 아이폰 데이터를 받아서 연구자들이 임상시험을 할 수 있는 판을 깔아 줌

처음 개발되었을 때는 앱이 별볼일 없었다. 10월에 새로운 앱이 나오기 시작함

얼굴 사진을 찍으면 아이의 자폐 등 발달 장애를 진단해 주거나

피부에 있는 점을 찍어 두면 언제 피부암으로 넘어가는지 알려주는 알고리즘을 연구하기 위한 앱이 나옴.

기존 의학 지식, 진단 기술을 넘어설 수 있는 성과가 나올 수 있을 것임

(4) IBM왓슨

올해 왓슨 헬스 클라우드를 발표함

만성질환 관리 등 기존의 암을 넘어서서 다양한 분야에 적용하기 위한 시도 중

클라우드 PACS 회사인 merge healthcare를 1조에 인수를 하였으며 이미지 판독에 인공 지능 적용할 것임

또한, 왓슨과 연결된 건강관리 서비스 앱이 출시되기도 함

(5) 상장에 성공한 회사들

fitbit, 원격진료 회사인 teladoc, 의료 기관 간 진료의 연속성을 유지하는 것을 도와주는 evolent health가 상장함국내의 흥미로운 회사들

(6) 우리나라의 회사들

자세 교정을 위한 웨어러블을 만드는 직토, 스마트폰 기반 혈액검사 장비를 만든 BBB 등이 시장에 나옴

(7) Theranos

혈액검사를 간편하게 해주겠다는 회사로 $ 준다는 회사가 9B 의 가치를 가지고 있었는데

핵심 기술 상당부분이 존재하지 않는다는 의혹이 제기됨

(8) 23andMe

DTC (Direct to Consumer) 유전자 검사에 대해 2013년 FDA로 부터 금지 조치를 받았으나

올해 초 Bloom syndrome부터 시작해서 다수의 AR 유전 질환 보인자 검사 허가 반음

(9) 대기업들의 활발한 활동

삼성이 적극적으로 협력 혹은 투자하고 있으며

필립스가 몇개 사업부를 팔고 디지털 헬스케어에 본격적인 진입을 선언함

(10) 국내 규제 완화

웰니스 제품에 대한 규제를 완화함

 

2. IoT heatlhcare

IOT(Internet of things: 사물인터넷)를 바라보는 프레임이 헬스케어 에서도 들어맞음.

헬스케어 안에 어떤 기회들이 있는지를 이를 통해서 볼 것.

  • 어느 산업이든 IOT의 구조와 유사하게 일반화를 할 수 있을 것.
  • Sensor를 이용하여 어떤 일이 있을 것인지 받아들이게 됨
  • Aggregation 과정을 거쳐 데이터를 모은 후에 의사 결정을 위한 알고리즘을 돌림
  • 이렇게 얻은 결과를 Solution에 활용하는 개념은 헬스케어 뿐만 아니라 다른 사업들에게도 모두 적용됨.
  • 어디가 더 돈을 많이 벌 수 있는지를 아는 것은 trend를 알아야 볼 수 있는 것.
  • 이러한 변화 속에서 돈을 버는 사람들이 있음.
  • value creation 의 기회가 있다는 것은 소비자들의 가치의 변화를 의미하고, 이러한 변화들은 엄청난 가치를 지님..
  • 대부분의 기회들은 consumer 보다는enterprise 에 많이 존재함
  • 비효율이 있는 곳, 기존과는 다른 의사결정이 필요한 곳에 기회가 많이 숨어있음
  • IOT 의 concept과 개념 자체는 이미 여러 분야에서 사용되고 있음
  • 기술 자체가 최첨단은 아니고 비용이 저렴해졌기 때문에 최근에 이슈가 된 것.
  • 결국 가치창출은 전문 분야의 비효율, 혹은 새로운 기회들이 어디 있는지를 알아야 만들어낼 수 있는 것

 

IOT 적용의 예시

  • Behavior tracking을 할 수 있음.
  • 공장 등에서 여러 process를 정확하게 발전시킬 수 있음.
  • 상하수도가 효율적으로 사용될 수도 있음
  • 최종적으로는 모든 것이 자동으로 돌아가는 세상이 만들어질 것.
  • 이런 것들이 가치 창출의 방법론.

 

Tracking behavior 의 예시

  • 환자들이 inhaler를 어떻게 사용하는지를 스마트폰을 사용해서 조사할 수 있음
  • 스마트폰의 GPS 와 연결이 되어서 어디에서 천식의allergen 이 많아서 rescue 가 주로 발생되었는지를 파악하고 해당 지역을 피하게 할 수 있음.
  • 호흡을 분석함으로써 상태가 어떤지 파악함. 긴장하지 말라는 메시지를 남기는 정도의 기능을 함.
  • 다양한 곳에서 다양한 종류의 생체 정보(혈압 등)를 얻어서 종합적인 관리를 하는 것. 이전부터 개념이 나오기는 했는데, 아직 현실화는 되지 않음. 시간이 많이 걸릴 것으로 보여짐.

 

다른 industry 에서도 유사한 이야기를 하고 있음

  • Sensor 를 어떻게 깔 것인가.
  • 통신을 통해서 주고 받는 정보 (혈압, 사진, 비디오) 가 대단한 것은 아님.
  • 어떻게 하면 정보를 가장 저렴하게 전송하고 이를 잘 모아서 solution 을 제시할 것인지가 중요함.
  • 다양한 industry 영역 중에서 헬스케어를 가장 큰 산업으로 생각하는 사람들이 많음.

 

헬스케어 산업의 가능성과 규모

  • 전반적으로 176조원이 당뇨 치료에 들어감. 53조가 약에 쓰이고 91조가 입원치료에 들어가는 비용.
  • 이런 돈들을 아껴서 절약할 수 있다면 큰 기회가 생길 수 있음.
  • 소비자 입장에서, 당뇨 치료를 받는데 의사를 만나는 시간과 간호사를 보는 시간에 비해 하루하루 일상 생활 속에서 당뇨를 관리하는 시간이 훨씬 더 길 것.
  • 이러한 시간 대비를 볼 때 IOT 의 파워가 나타난다고 볼 수 있음.

여기까지는 IOT의 컨셉에 대한 것.

 

세 가지 Key question

IOT 를 헬스케어에 어떻게 연결시킬 것인지.

  1. 산업의 어떤 부분에서 value 가 가장 많이 늘어날까. 어디가 가장 이익이 높을까?
  2. 환자의 케어에 가장 도움이 되는 것은?
  3. 다 좋은데 왜 실현되지 않고 있는 것인가?

 

  1. 산업의 어떤 부분에서 value 가 가장 많이 늘어날까. 어디가 가장 이익이 높을까?
  • Value change가 일어나고 있음.
  • 다양한 device 가 있을 것이고, 연결하고 어떻게 계산하고 돌려서 service, app, solution 등의 문제 해결을 해야 함. 지금까지는 device 를 만들고 연결하는 단계에서 돈을 많이 벌었음.
  • 미래가 되면 app, solution 을 만드는 쪽에 가치가 집중될 것.
  • Sensor설치, 데이터 통신 등의 기술 자체는 그렇게 어렵지 않기 때문에 가치 창출은 주로 정보를 모아서 새로운 해결책을 제시하는 전문가들이 주로 이룰 것이라는 뜻.
  • 사물이 없는 영역 (ex. 금융) 등의 산업이 발전 속도가 굉장히 빠름.
  • 금융: CRM 이란 고객의 데이터를 모아서 데이터를 기반으로 고객을 분석하는 것으로, 분석한 데이터를 기반으로 의미있는 solution 을 실제로 현장에서 고객들에게 제공하는 서비스임. 이런 개념은10년 전 콜센터로 시작했음.
  • 유통: 어떤 상품이 잘 나가는지 결제 데이터를 기반으로 분석함. 이마트, 테스코, 홈플러스 등의 마트에서도 같은 기술로 선반 관리를 하고 있고, 이를 집중적으로 담당하는 사람들도 있음.
  • 이런 면에서 가치 창출이 변화되는 모습이 관찰되는 것.

 

  1. 환자의 케어에 가장 도움이 되는 것은?
  • 여러가지 Needs에는 잘 살기, 가장 잘 맞는 치료받기, 받아야 할 치료 제때 받기, 좋은 의사 만나기, 치료를 받을 때 가장 저렴한 비용으로 받기, innovation 을 할 때에도 data 를 기반으로 하기 등이 해당됨
  • 다섯 가지의 가치창출 유형이 있을 것.
  • 실제로 출시된 app 중에서 지금도 사용되고 있는 것을 조사한 목록을 보면 개선이 많이 된 부분이 대체로 consumer 에 집중되어 있음.
  • 변화의 대상이 되는 사람들이 consumer 라는 것이고, 이 쪽에서 innovation 이 일어날 수 있다는trend 를 볼 수 있음
  • 다양한 기회들이 enterprise 에서 많이 일어났다고 했었음. Consumer 에서 많은 것이 일어나지만 액수로 따지면 가치창출의 단위가 작다고 볼 수 있지 않나?
  • 둘을 같은 선상에서 비교하기는 어려움. consumer 는 innovation 의 적용 대상임. consumer 를 대상으로 right living, right care 를 제공하는 것은 꼭 1:1로 이루어지는 것은 아님. 분석의 단위가 달라서 생길 수 있는 오해.
  • IOT 가 치료의 여러 path 중에서 어떤 단계에서 가장 많은 가치를 창출할 수 있는가?
  • 대부분의 회사가 비용을 낮추고 나머지를 올리는 것으로 나가고 있음.
  • 앞서 언급했던 당뇨의 경우 입원치료에 대한 비용이 크기 때문에 이를 줄여나가는 것이 목적.
  • 구글은 전방위적으로 다 하고 있으며, 이런 흐름을 보고 장기적인 투자를 하고 있는 것..
  • 헬스 문제가 있었을 때 웹 서비스를 사용하였는지에 관련된 설문조사에서도 상당수가 익숙하다는 답변
  • First move 를 하는 consumer 들은 이미 움직이기 시작했다고 볼 수 있음

 

  1. 다 좋은데 왜 실현되지 않고 있는 것인가?
  • 업종에 따라 조금씩 다른 Barrier 들이 많음. 주로 Risk 와 Privacy 에 관련된 문제임.
  • 톱니바퀴 하나를 바꿔봤자 전체 기계에 큰 영향을 미치기 어려움.
  • 헬스케어도 시스템 전체를 바꾸려면 오래 걸릴 것.
  • 하나하나를 바꿔가면 명확한 이익이 있고 돈을 뽑을 수 있게 해야 함.
  • 세월이 지나면 여러 톱니바퀴들이 바뀌어있다고 느낄 수 있어야 함.
  • 오래 기다려야 할 수도 잇겠지만 조금씩 좋아진다는 점에서 이러한 접근이 현실적일 것임.
  • 실제로 Ipod 은 첫 한해에는 잘 안팔리다가 3년째에 접어들면서 슬슬 많이 팔리기 시작했음.

 

질문답변

(1) Value chain 이라는 개념에서, 의사, 약사, 그외 여러 공급자가 파이를 나눠 먹을 것. 향후의 telemed나 digital healthcare 가 활성화 될 때 의사들이 본인들의 파이가 줄어들지 걱정하지는 않을까? 파이가 커지면서 의사의 몫도 따라 커질지?

  • 느끼는 가치가 있으면 가치를 전달하기 위해서 필요한 순서들이 있음.
  • 자동차를 만들기 위해서는 RND, 부품, 모듈, 완성체, 운반, 판매, financing 의 과정이 필요하며, 이게 이루어지는 것이 value chain.
  • 그 중에서 어떤 단계에서 돈을 버는 것인지가 중요함.
  • 지금은 최종 자동차회사가 돈을 버는 시스템임.
  • 지금까지는 의사의 개인적인 능력에 의해서 버텨 온 경우가 대부분일 것. 이걸 벗어나는 것이 trend 일 것이다. 다른 쪽에서 가치창출을 할 수 있는 부분이 커질 것. 의사가 하는 일이 커진다 작아진다는 것은 확실히 말할 수 없다.

(2)  의료는 제조보다는 서비스 산업인데 IOT 라는 개념을 너무 같은 방식으로 다른 곳에 적용을 하는 것은 아닌지?

  • 제조는 RND 를 하면 커지지만, 서비스는 직선적이지만은 않을 것. 지금은 의사들의 역할이 너무 커서 value chain 이 잘 안보이는 것.

(3) 국가마다 medical provider system 이 다르다. 한국은 의료수가가 너무 싸고 미국은 영국, 프랑스에 비해서 사회보장체제가 약하다. 한국적인 모델에 대해서 생각한 점이나 한계점이 있는지?

  • 의외로 개발도상국 (인도, 인도네시아)도 텔레마케팅의 선구주자.
  • 텔레메디슨은 한국은 접근성이 너무 높기 때문에 의미가 크게 없음.
  • 개원가에서 EMR 이 1년만에 보급이 된 등의 예시를 볼 때 한국은 바뀌는데 걸리는 시간이 굉장히 짦음. 개원가가 entry의 포인트라고 봄.

(4) 개인적으로 보시기에 앞으로 profit 이 많이 생기는 단계가 일반 환자들이 쓸 수 있는 simple device 일지, 아니면, 플랫폼 등에서 가능성이 있을지?

  • 단기적으로는 괜찮지만 장기적으로는 디바이스는 가능성이 많지 않을 것.
  • Platform 은 세상에 몇 가지가 없기 때문에 가능성이 있을 것.
  • Solution service, app 등의 서비스가 entry 가 쉬울 것으로 보임.

 

3. AMIA (미국의료정보학회) 2015 방문기: 차원철 (삼성서울병원 응급의학과)

일을 시작한지는 1년 임상의사에서 정보 전문가로 진로의 변경. 하다 보니까 이것저것 맛을 봐야 하는 샘플러의 느낌을 받게 된다. 처방 시스템 등을 개발하고 있는 것.

  • 정보 관련 미국 학회에 HIMS, AMIA 가 크게 두 개이고 나머지 조그만 것들이 많음.
  • 부스 번호가 6000번대에 이를 정도로 어마어마하게 큼. 패널도 5만명도 넘음.
  • 이건 미국에서도 이 시장이 호황이라는 것을 의미함.
  • 이 근간은 결국 미국 보험제도의 변화임
  • 학회에서 다루는 분야: 센서, 환자가 쓰는 다양한 device, security
  • Security 의 가장 큰 적은 의사. 전문가가 해결하기 힘든 상황
  • 소프트웨어를 만들기 위해서는 concept 가 확실히 서있어야 한다.
  • EMR 에서 정보의 duplication 때문에 혼돈이 발생됨.
  • Signal data 를 어떻게 processing 해야 할 것인지.
  • Clinical decision support 를 어떻게 할 것인지를 연구하는 것이 발표자의 주요 관심사.
  • 어디에나 적용될 수 있는 분석법인 천하의 보검이 필요한 것이 아니라 각각의 경우에 확실히 필요한 조그만 칼이 필요한 것. 사람들에게 필요한 solution 이 필요하다고 하는 것.

 

4. 루닛(Lunit) 소개: 백승욱 대표

Introduction

  • 인공지능 연구를 하다가 창업까지 이어진 케이스.
  • 인공지능과 밀접한 관계가 있다는 것을 깨닫게 됨.
  • 이번 강연에서는 본인이 어떤 생각을 하고 있는지를 알려드릴 것.
  • 의학의 다음 패러다임이라는 것에 주목을 하면서 연구를 시작을 하게 됨
  • Deeplearning 은 무엇인가? 어떻게 medicine 에 연관될 수 있는 것인가?
  • Imiaigng 에 특화된 background 를 가지고 있음.
  • Medicine 에서도 numerical data 도 있지만 imaging 에 특화된 기술. 그 중에서도 Data drive imaging biomarker 라는 기술을 보유함.
  • PhD 가 co-founder 로 있는 그룹. MD 분들의 comment 가 필요해서 MD 배경에 공학적인 지식을 갖춘 여러 사람을 영입함. Deep learning 도 나온지 얼마 안 된 기술임. 최신 기술을 빨리 받아오기 위해서 다른 PhD도 advisor 로 영입함.
  • Lunit 의 목표는 기술을 사용하는 physician 들을 대체하는 것은 아니고, 이들에게 superpower 를 제공해서 도와드리는 것. 즉, 날개를 달아드리는 제품을 만드는 것이 목적인 것.
  • Efficiency, quality 가 추구하는 가치이며, Machine learning 으로 도와드리는 것이 목적.

Data drive medicine (DDM) 에 대한 설명.

  • Medicine is science of uncertainty &  art of probability (William osler)
  • 사람의 몸이라는 것은 굉장히 복잡해서 하나의 식으로 설명할 수 있는 것 아님. 복잡해서 확률적 개념으로 접근해야 할 것. 이런 맥락에서 나온 것이 증거 기반의 의학이라는 접근법.
  • 예전에는 art of medicine 이었다가 현재에는 evidence based medicine(EDM) 으로 흘러감.
  • EDM 의 시도는 좋았는데 방식 자체가 너무 비효율적이라는 단점이 있음. 즉, 너무 느리다는 것. 몇 단계를 거치기 때문에 detailed insight 를 뽑아내기가 어려움.
  • 그렇기에 일반화 과정을 자동화시키는 과정이 필요하지 않을까 하는 생각을 해봄.
  • EDM 은 paper 을 systematic review 를 통해서 meta-analysis 를 한 이후에 insight 를 뽑아내는 과정.
  • 궁극적으로 Data drive medicine 을 바라보고 있는 것. DDM 은 paper 의 형태로 나온 데이터를 모으는 것이 아니고, raw clinical data 에서 바로 insight 를 뽑아낸다는 개념인 것. 이런 분야에서 Machine learning 이라는 기술이 중요한 역할을 할 수 있을 것.
  • 기술이 개발되어도 모든걸 바꾸지는 못할 것. 단기적인 불편함을 감수하며, 작은 톱니바퀴 하나씩 바꿔나가기 시작할 것.
  • 바로 사람이 보지 못한 것을 진단하는 quality 쪽의 접근은 임상적으로 어렵지만, 단기적으로는 업무의 효율성을 증대시키는 quantity 쪽의 접근이 가능할 것으로 보여짐.
  • 하루에 최대 300장의 X-ray 판독을 하는 의사도 있음. 이들이 쉬운 사진을 휙휙 넘기다가 사고가 나기도 함. 컴퓨터가 한번 다시 검토를 해주어서 사고의 위험을 줄일 수 있음. 시장이 커질 수 있다는 가능성이 있다고 보여지는 이유.
  • Mammography screening 에서 암을 놓치는 비율이 꽤 높음. 병리학도 굉장히 주관적인 의견이 많이 개입함. 이런 영역들에서 machine learning 기술을 사용하여 조금 더 일관된 의견을 낼 수 있도록 도와줌.
  • 이런 영역을 이끌어나가는 기업에는 Enlitic, Healthmind, Zebra, Lunit, Vuno 등이 있음. 오래된 기업이 없이 다들 2년 남짓 된 기업들임.
  • 이런 노력들은 환자들을 위한 것이 되어야 함. 이런 기술이 의사의 밥벌이를 줄인다고 하면 살아남지 못할 것..
  • 장기적인 관점으로 보면 의사의 역할을 잠식할 수 있는데 여기서는 국가가 나서야 함. 갈 길이 멀기 때문에 장기적으로도 환자 중심적으로 진행되어야 함..

Deep learning 에 대한 설명

  • Deep learning 은 machine learning 의 일부.
  • Artificial neural network 라는 개념 자체는 예전에 나왔던 것.
  • Imaging 에 있어서 사람의 능력을 처음으로 뛰어넘는 알고리즘. 2012 년 이전까지는 70~80% 에 머물다가 Deep learning 이 나오면서 갑자기 정확도가 급상승. 2015년 초부터 사람의 정확도를 뛰어넘는 결과들이 나오기 시작함.
  • 사진을 주고 사진에 뭐가 있는지 맞추는 시험을 해봤다. 96.4% 로 사람의 95% 를 넘게 되었다. 미세한 차이를 구분하는 것. 얼굴을 주고 어떤 사람인지 맞춰야 한다. Deep learning 은63% 으로 인간의 97% 를 넘게 됨.
  • Medicine 에서도 이런 것을 기대하는 것. 지금은 효율성을 기대하지만, 언젠가는 보이지 않았던 pattern 을 찾아내는 등의 이용이 가능할 것.
  • 이를 위해서 Large scale data 가 필요함. 많은 데이터에서 패턴을 찾아내는 것.
  • 가장 크게 차별화되는 포인트는 사람의 개입이 없이 모든 것을 데이터로 해결하는 것. 대신 엄청나게 많은 데이터가 필요하다는 단점이 존재함.
  • Training 에서 사진과 답을 반복해서 계속 제공해줌. 지식이 생긴 다음에는 처음 본 것도 얼추 맞출 수 있게 되는 것.
  • Multiple layer 로 구성된 데이터 체계로 구분하면, low layer 은 선분, high layer 는 얼굴로 분류가 됨..

Neural network.

  • Image pixel 하나하나가 인식 단위임. 이들 neuron 은 다음 layer 에 각각 연결되어 있음. Propagation 되어서 다른 layer 로 넘어가게 되고, 이 과정이 계속 진행.
  • Training data set 에는 판독 대상인 target domain 의 정보가 들어가 있지는 않음. 즉, 언제나 새로 보는 것의 답을 맞춘다는 것.
  • 오토바이 자체를 찾기는 어렵기 때문에 핸들과 wheel 을 구분해서 이들 둘을 가진 것, 둘 중 하나만 가진 것, 하나도 안 가진 것으로 분류를 할 수 있음.
  • 맨 마지막에는 알고자 하는 대상의 개수만큼 neuron 이 있어야 함.
  • 시냅스에 적용되는 weight 값을 처음에는 랜덤하게 넣어줌. 사진과 정답이 연결된 데이터를 넣어 주었기에 에러를 계산해서 점점 개선해나갈 수 있음. 에러를 조금씩 줄이도록 전체 시스템이 조금씩 수정되는 과정이 몇억 번 반복되면 에러가 점점 줄어드는 결과가 도출됨.
  • 일련의 과정은 전부 자동으로 진행되며, 사람이 개입되는 것은 몇 개의 layer 를 쌓을 것인지 등의 구조를 결정하는 과정 뿐.
  • 다양한 trial and error 를 통한 경험 덕분에 imagenet 등의 대회에서 세계적으로 밀리지 않는 성과를 보임.

Data-drive imaging biomarker

  • DDM 이라는 tool을 이용해서 어떻게 의학에 적용시키고 있는지.
  • CAD (comp aided detection) 이라는 기술도 존재하지만 false-positive 가 많아서 사장됨.
  • 이미지를 넣으면 deep learning 으로 그 동안 봤던 지식을 바탕으로 abnormal 한 특징이 보이면 highlight 해서 보여주는 것. Early stage imaging 에 주력하는 이유는 그림자료가 제일 많기 때문
  • 이미지를 넣으면 이거랑 유사했던 과거의 영상을 찾아와서 비교할 수 있도록 해주고 어떤 가능성이 있는지를 모두 제시해주는 기능이 존재함.
  • 이게 가능하게 하려면 기술적으로 critical 한 point 가 존재.
  • 이상이 있는 부분은 작은 일부이지 전체가 아니다. 앞서 실험에 사용했던 오토바이나 얼굴 사진처럼 이쁘게 전체를 꽉 채우게 들어차는 병은 없음.
  • 사람의 annotation 을 받아야 하기도 하는데, 수백만개의 데이터에 대해서 모두 받는 것은 불가능하기에 Annotation 을 받지 않고 이 모든 것을 해보자는 개념이 제시됨
  • Weakly supervised deep learning (WSDL) 은 가르쳐주지 않고 스스로 배우는 것을 의마함. 의사의 개입이 전혀 없이 데이터만 끌어오면 스스로 learning 할 수 있도록 만든 것.
  • TB screening with CXR: 대한결핵협회에서 10만장 정도의 데이터를 얻어서 training 을 시킴. 특징을 뽑아내어 training을 하다보면 점점 의미가 있는 feature 가 나타나기 시작함
  • Input 에 가까운 layer 일수록 선분이나 도형과 같은 간단한 element 를 뽑아냄. Neural networking 을 통해서 down layer 로 가면서 anatomic 한 이상 구조를 찾아내는 것.

Lunit scope

  • Microscope 에 붙여서 사용하기에 이렇게 명명.
  • Digital pathology 라는 분야는 지금 당장 적용되기 어려운 점이 있음.
  • 스캐너의 신뢰성도 불안하고 시간도 오래 걸려서 그냥 현미경으로 보는 것이 더 빨라 사용하지 않음.
  • 현미경으로 굉장히 미세한 것을 보는 병리학자들이라 quality 에 대해서 standard 가 높음.
  • 아직까지는 digital pathology 는 사용 기회가 많지는 않다.

Lunit mammogram.

  • Tracer 를 넣지 않고도 그냥 볼 수 있다면 정말 좋지 않을까.
  • 다른 병변에 대응하는 것을 만들기 위해서는 화학적으로 접근해야 하는데 이 기술로는 다양한 사진만 넣으면 되기 때문에 효율적일 것.

 

여기까지가 지난번 발표 내용입니다.

 

2016년 1월 모임 안내드립니다.

시간: 2016년 1월 19일 화요일 오후 7시

장소: 스타트업얼라이언스 (서울 강남구 테헤란로 423 현대타워 701호)

신청 링크: http://goo.gl/forms/UbZaaYzDIU

발표

1. 서울의대 최형진 교수: 의료 빅데이터와 인공지능의 현재와 미래

2. 네오펙트 반호영 대표님: 스마트 재활 시스템 소개

3. CES 2016 참관기 (디지털 헬스케어 관점에서)

 

네오펙트는 스마트 재활 기기 및 시스템을 만드는 회사입니다.

제품 시연까지 해주실 예정입니다. (http://www.neofect.com/ko/)

특히 재활의학과 선생님들의 많은 참여 부탁드립니다.

 

이 모임은 의사와 의대생 (의학전문대학원생 포함)만 참여하실 수 있습니다.

많은 이해 부탁드립니다.

Comments

comments

2 comments

  1. 베이징에 있는 류민희라고 합니다. 성형외과 전문의인데, 헬스케어에 관심이 있습니다. 별로 아는 것이 없어서 도움은 안될 것 같지만, 혹시 기회가 되면 회의도 참가하고 배우고 싶은데 가능할지 모르겠습니다.

Leave a Reply

Your email address will not be published.