Deepmind health
Deepmind health

의료에서 인공지능의 적용 영역과 효용, 비지니스 모델

알파고가 이세돌 9단을 이기면서 많은 사람들이

인공지능이 먼 미래의 이야기가 아님을 실감하게 되었습니다.

의료계 역시 마찬가지였습니다.

각종 매체의 전망을 근거로 인공지능이 머지않아 의사를 대체할 지 모른다는 우려가 나오기도 했고

대체하기 보다는 의사가 도움을 받을 수 있는 좋은 도구가 될 것이라는 지적도 많았습니다.

다양한 의료 관련 매체에서 인공지능 시대에 대비하는 의사의 자세이나

의대생 교육에 대한 내용을 다루었습니다.

많은 분들이 좋은 글을 써주셨기 때문에

‘인공지능’ 전문가도 아닌 제가 어떤 이야기를 좀 해볼 수 있을까 고민하다가

그동안 비교적 많이 다루어진 인공지능이 의료에 미칠 영향 보다는

의료에서 인공지능의 효용과 비지니스 모델에 대해서 다루어보면 좋겠다고 생각했습니다.

 

우선 현재 인공지능이 의료의 어떤 분야에서 활용되고 있는지 살펴보겠습니다.

다양한 회사들이 인공지능을 의료에 적용하기 위해서 노력하고 있는데

네가지 분야로 나누어 생각해볼 수 있습니다.

 

가장 널리 알려져 있는 것은 IBM의 인공지능 왓슨을 암 치료에 적용하는 왓슨 Oncology과 같이

전문가들이 알고있는 규칙을 학습하고 이를 의료 현장에 적용하려는 것입니다.

잘 알려진 것처럼 왓슨은 의학 교과서, 저널 등을 공부한 후

의사들이 진료하는 과정을 학습하는 과정을 거쳤습니다.

이후 왓슨 Oncology라는 이름으로 암 환자 진료분야에서 적용하고 있다고 알려져 있습니다.

단순히 암 진단에 활용한다고만 알려진 경우가 많은데

엄밀하게는 암 환자의 치료 방침 결정에서 활용되고 있습니다.

예를 들어 암 환자의 의무기록, 검사 결과에 대한 데이터를 보고

최적의 항암 치료 방법을 제시해 줄 수 있습니다.

한 연구에서는 수술 받은 초기 유방암 환자 사례를 대상으로 해서

임파선 절제 수술, 방사선치료, 임상 유전자 카운셀링, 생식 보존 의뢰와 같이 다양한 치료 방침

가운데 적절한 것을 선택할 수 있는 능력을 인정받기도 했습니다.

 

적절한 치료 방침을 제시할 수 있을 정도의 능력을 갖추도록 인공지능을 학습시키기 위해서는

매우 긴 시간이 소요됩니다.

우선 의학 교과서나 저널의 내용을 이해하고 이를 진단 규칙으로 이해하기 위해서는

자연어 처리 기능과 함께 여러 교과서 및 저널의 내용을 학습하는 시간이 필요합니다.

또한, 진료 환경에 적용하는 과정도 만만치 않습니다.

적절한 치료 방침을 제시하기 위해서는

전자 의무기록 여기 저기에 분산되어 있는 자료를 모으는 것이 필요한데

기존의 전자의무기록 시스템은 손쉽게 정리할 수 있는 형태로 데이터를 갖고 있지 않은 경우가 많습니다.

IBM 왓슨이 2011년부터 암의 치료 방침 결정을 위한 학습을 진행해왔으나

아직까지 일반적인 진료 환경에서 적용하고 있다는 명확한 증거가 보이지 않는 것은

이런 점 때문일지도 모릅니다.

 

이에 비해서 한가지 종류의 데이터를 다루는 경우는

학습 및 진료 현장에의 적용 과정이좀 더 수월할 수 있습니다.

이런 이유로 의료 영상을 비롯한 이미지 분석에 대한 인공지능의 적용이 최근들어 활발해지고 있습니다.

의료 영상 판독에 컴퓨터를 활용하려는 시도는 과거부터 있었습니다.

컴퓨터 자동 진단 시스템 (Computer-Aided Detection: CAD)라는 이름으로

영상 진단 교과서에 나올만한 진단 규칙을 컴퓨터에 학습시켜서

진단에 활용하고자 했습니다.

하지만, 진단 성과가 좋지 못한 경우가 많아서 진료 현장에서 제한적으로 활용되었습니다.

최근 인공지능의 한가지인 딥러닝(Deep learning)의 성능이 좋아지기 시작하면서

진단의 정확도을 높일 가능성이 커지고 있습니다.

딥러닝은 간단히 말하자면 서로 다른 것으로 분류되어 있는 데이터를 학습하여

새로운 데이터를 그렇게 분류할 수 있도록 학습하는 방법을 의미합니다.

예를 들어 고양이가 들어가 있는 사진을 다량으로 학습시킨 후 새로운 사진을 보여주면

고양이가 있는 지 여부를 판단할 수 있습니다.

기존의 방식이 고양이의 특징을 하나하나의 규칙으로 만들어서 컴퓨터를 학습시키는 것이었다면

딥러닝은 컴퓨터가 알아서 고양이의 특징을 학습하도록 하는 것이라고 할 수 있습니다.

의료 영상 분야에서는 다량의 결핵 환자의 흉부 엑스레이와 정상 엑스레이를

딥러닝을 통해 학습시키면 어느 순간 인공지능이 결핵이 있는 엑스레이를 감별해낼 수 있게 됩니다.

 

현재 딥러닝은 의료 영상을 포함한 이미지로 나타나는 데이터를 분석하는데 많이 사용됩니다.

대표적인 것이 의료 영상 진단 분야입니다.

여러 회사들이 다양한 연구를 진행하고 있는데 대표적 회사 중 하나가

최근에 클라우드 기반 IT 솔루션 회사인  세일즈포스닷컴에 인수된 메타마인드입니다.

메타마인드는 사물 또는 영상 인식 분야에 집중하는 회사인데 그 중 하나로 의료 영상을 다루고 있습니다.

작년에는 원격영상진단 회사인 Virtual Radiologic과 협력을 발표했습니다.

이 회사는 3천만명의 환자에 대한 영상 자료를 보유하고 있기 때문에

메타 마인드는 인공지능을 학습시킬 데이터를 확보했다고 할 수 있습니다.

호주의 영상 진단 서비스 회사인 캐피털 헬스(Capitol Health)로 부터 투자를 받은

엔리틱(Enlitic) 역시 의료 영상 진단에 집중하고 있습니다.

 

국내에도 딥러닝 기술을 의료 이미지 분석에 활용하는 스타트업들이 있습니다. 루닛과 뷰노입니다.

루닛은 흉부 엑스레이와 유방 촬영(mammogram) 및 병리 슬라이드 진단 분야에 집중하고 있는데

결핵협회 등과 공동 연구를 통해서 결핵환자의 흉부 엑스레이를 정확하게 진단할 수 있는 알고리즘을

개발하기도 했습니다.

뷰노는 흉부 CT에 대한 진단 및 손 엑스레이에 대한 성장판 검사 부분에에 집중하고 있습니다.

 

국내 회사 가운데 삼성전자 자회사인 삼성메디슨도 최근 초음파 기기에

딥러닝을 활용한  진단 알고리즘을 탑재했다고 발표하였습니다.

1만여 건에 이르는 진단 사례에 대한 학습을 통해서 초음파 검사 도중 한번의 클릭으로

유방 병변의 특성과 악성·양성 여부를 제시하는 기능이라고 합니다.

초음파는 검사의 엑스레이, CT, MRI 등의 검사와는 달리 시술자에 따라서

얻어지는 영상의 모습이 다르기 때문에 실제 진료 현장에서 얼마나 큰 도움이 될 수 있을지는

지켜볼 일이지만, 다양한 회사들이 딥러닝 기술을 활용한 영상 진단에 관심을 보인다는 점을

보여주는 사례라고 할 수 있습니다.

 

초음파 진단 시 시술자에 따라서 진단 수준에 큰 차이가 날 수 있다는 점을 감안하면

영상 진단을 돕기 보다는 진단에 필요한 이미지를 제대로 얻는 것을 도울 수 있는

시스템이 더 큰 효용이 있을 지도 모릅니다.

예를 들어 의사가 화면에 초음파 이미지를 띄웠을 때 이 것은 진단에 적절한 영상이 아니다고 지저가고

적절한 영상을 얻기 위해서 어떻게 할 수 있다는 것을 알려줄 수 있을 것입니다.

 

IBM 왓슨은 일반적으로 딥러닝은 아닌 것으로 간주되지만 의료 영상 분석에 대한 학습을 시작했습니다.

앞서 메타마인드가 원격 영상 판독 회사인 Virtual Radiologic과 협력을 발표한 것 처럼

인공지능 회사들 입장에서는 데이터 확보가 중요합니다.

IBM 왓슨 역시 마찬가지일텐데 대기업답게

클라우드 기반의 PACS 회사인 Merge Healthcare를 인수함으로써 이를 달성하였습니다.

이로써 IBM 왓슨은 Merge Healthcare의 (2014년 기준) 600개가 넘는 고객 병원의

의료 영상에 대한 접근권을 확보했습니다.

이때 의료 영상에 대한 소유권은 병원 혹은 환자에게 있기 때문에

PACS 회사를 인수한 것만으로 회사 시스템에 올라온 의료 영상을 활용하는 것이 가능한 지에 대한

의문이 있을 수 있습니다.

회사 측에 따르면 고객 병원들과 도입 계약을 할 때,

시스템에 올라온 영상에 대해서 연구 목적으로 사용하는 것을 허용하는 조항이 들어가 있기 때문에

문제가 없다고 합니다.

 

영상의학계에서는 과거 컴퓨터 자동 진단 시스템이 기대에 미치지 못하는 성과를 냈다는 점 때문에

최근 연구되고 있는 딥러닝 기반의 영상 판독 시스템 역시

영상의학과 의사의 수준을 뛰어넘기 힘들다고 보는 경우도 있습니다.

하지만 딥러닝의 특성 상 의사가 지식으로 표현하지는 못하지만 진단에 활용되는 암묵지까지

학습할 수 있을 것이기 때문에 기존 진단 시스템보다 우수할 가능서이 높으며

실제 여러 회사들이 내놓는 성과를 보면 웬만한 영상의학과 의사 수준에 육박하는 경우가 많습니다.

 

이렇게  의료에서 딥러닝 기술을 적용하고자 노력하는 회사들은

많은 경우 의료 영상 분야에 집중하고 있습니다.

하지만 이미지 형태로 저장되는 검사 결과들은 모두 그 분석 대상이 될 수 있습니다.

앞서 잠시 언급했던 루닛의 병리 슬라이드 분석도 여기에 해당하고

이외에 심전도나 뇌파, 근전도 검사가 모두 대상이 될 수 있습니다.

 

세번째 영역은 어떤 의료적인 사실과 연관된 데이터 또는 알고리즘을 찾아내는 것입니다.

어떤 일이 발생하기 전에 나타나는 변화를 발견해내는 경우가 해당됩니다.

금년 1월 CES에서 IBM 왓슨과 의료기기 회사인 메드트로닉은

지속형 혈당 측정계 (CGM: Continuous GlulcoMeter)가 측정한 혈당 데이터를 분석해서

최대 3시간 전에 저혈당 발생을 예측할 수 있는 알고리즘을 개발했다고 발표한 것이 대표적인 사례입니다.

당뇨병 환자에서 저혈당은 의식을 잃거나 간질 발작을 일으켜서 심하면 생명을 잃을 수도 있는

위험한 문제입니다.

지금까지는 어지러움 등 증상이 발생한 다음에야 대처를 할 수 있었는데

이 제품을 사용하면 미리 대처를 할 수 있을 것입니다.

 

메드트로닉의 사례를 보면 지속적으로 측정한 데이터가 있을 때 이를 분석하면

과거 알지 못했던, 어떤 위험한 이벤트가 발생하기 전에 생기는 변화를 미리 잡아내는 것이

충분히 가능해 보입니다.

제가 강의에서 심전도가 측정된 스마트워치를 찬 사람에게 5분 후 심근경색 발생가능성이

높다는 것을 예고하는 경우를 가설적인 예로 들곤하는데

이것이 더 이상 가설적인 이야기가 아니라고 할 수 있습니다.

 

세번째 영역에 속하는 또다른 사례로 데이터 분석을 통해 진단을 내리고자 하는 경우가 있습니다.

ginger.io회사는 스마트폰 사용 패턴 (=데이터)을 분석해서 정신질환이 있는 환자의 증상이 나타나는 것을

진단해줄 수 있는 딥러닝 분석 기술을 개발했다고 하는데 여기에 해당합니다.

예를 들어 스마트폰으로 전화를 거는 빈도와 시간이 짧아진다던지 하는 데이터를 통해서

우울증이 심해졌다는 것을 알아낼 수 있을 것입니다.

이때, 스마트폰 사용 패턴을 통해서 얻을 수 있는 데이터는 매우 많을 것인데

각 데이터에 가중치를 두고  종합하는 과정에서 인공지능을 활용하는 것으로 보입니다.

 

인공지능을 의료에 적용하는 네번째 경우는 설정된 규칙을 바탕으로 빠르게 일을 처리하는 분야

임상 시험 매칭이 여기에 해당합니다.

사실, 이런 일은 엄청난 지식을 필요로 하는 것은 아니기 때문에

꼭 인공지능 같은 복잡한 시스템을 이용하지 않아도 알고리즘을 잘 만드는 것만으로

충분하지 않을까 하는 생각이 듭니다.

하지만 IBM 왓슨은 이 분야에 꾸준히 관심을 보이고 있습니다.

 

과거에는 대학병원 교수님이 외래 진료보다가 몇몇 중요한 조건을 만족시키는 환자를 보게되면

연구 간호사 (혹은 레지던트, 펠로우)에게 보내서 임상 시험 조건을 모두 만족시키는지 확인후

연구에 참여할 것을 권하는 경우가 많았습니다.

하지만, 많은 수의 환자를 대상으로 대량으로 판매할 수 있는 블록버스터 약물이 줄어들면서

특정 조건을 만족시키는 환자를 대상으로한 임상 시험이 늘어나고 있고

이로 인해 임상 시험의 참여 기준을 만족시키는 환자를 찾는 것이 쉽지 않아지고 있습니다.

성별, 연령, 혈액 검사 결과는 물론 과거 어떤 약물로 치료받았는 지,

어떤 유전자 형을 가졌는 지까지 따지는 경우도 많습니다.

여기에 더해서 임상 시험 건수가 빠르게 증가하면서 어떤 환자가 어떤 임상 시험에 적합할 지

찾아내는 것이 쉽지 않아 졌습니다.

 

이에 IBM은 인공지능 왓슨을 이 분야에서 활용하기 위해 노력하고 있습니다.

대표적인 경우가 메이요 클리닉과 협력하여 메이요 클리닉의 환자와

임상시험을 매칭해주는 파일럿 프로그램을 실시한 것입니다.

IBM에 따르면 메이요 클리닉 내에서만 항상 8,000개 이상의 임상시험이 진행되고 있고

전 세계적으로는 17만 개 이상의 임상시험이 진행되고 있는 상황에서

피험자-임상시험 매칭이 쉽지 않기 때문에 여기에 IBM 왓슨을 활용하겠다고 합니다.

이렇게 왓슨을 활용하는 경우 비교적 손쉽게 임상 시험 대상자를 찾아서

해당자에게만 임상 시험 참여를 권하는 등 임상 시험 대상자 모집에 걸리는

시간을 크게 단축할 수 있을 것입니다.

 

한가지 재미있는 사실은 메이요 클리닉 홈페이지에 들어가보면

메이요 클리닉 병원들 (로체스터에 있는 본원외에 피닉스, 잭슨빌에 있는 분원 포함)에서

실시하는 임상 시험 건수를 확인할 수 있는데

현재 실시 중이거나 상태 확인이 안되는 것과 (Open/Status Unknown)

피험자 모집을 종료한 것 (Closed for enrollment)을 합쳐도 1370건 밖에 나오지 않는다는 점입니다.

늘 8000건 이상의 임상 시험을 한다는 것은 좀 많아 보이는데 이게 사실이지 않을까 싶습니다.

 

최근에는 밀워키 지역의 의료기관 네트워크인 Froedtert & MCW 암 네트워크가

임상 시험 매칭에 왓슨을 활용하기 시작했다는 보도가 나왔습니다.

해당 네트워크는 작년에 220건의 암 관련 임상 시험을 실시했다고 하며

왓슨을 통해서 임상 시험 참여에 적합한 환자를 더 많이 발굴할 계획이라고 합니다.

메이요 클리닉과 같의 파일럿은 어떻게 진행되었는지,

거의 2년이 지나서 비교적 작고 지역 기반인 의료기관과 일한다는 보도가 나온 과정이 무엇인지

궁금합니다.

 

나름 의료에서 인공지능이 적용되는 분야를 나누어 보았는데

제가 인공지능을 잘 아는 사람도 아니고

‘인공지능’이라는 개념 자체가 사람마다 다른 의미로 사용되는 경우가 많은 것처럼

이걸 인공지능에 넣는게 맞을까 하는 생각이 드는 분야도 있는 것이 사실입니다.

대략 이런 정도의 일을 하고 있더라는 차원에서 봐주시면 좋겠습니다.

 

이렇게 인공지능을 의료의 다양한 분야에 활용함으로써 어떤 효용을 얻을 수 있을까요?

우선 임상 시험 매칭의 경우와 같이 시간 절약 혹은 업무 효율성 향상이 있습니다.

이는 왓슨 oncology나 영상 판독에도 해당됩니다.

특히 왓슨 oncology나 영상 판독의 경우 항암 전문의나 영상의학과 전문의가

업무를 처리하는 속도를 높여줄 수 있을 것입니다.

 

왓슨 oncology와 영상 판독도 일반 내과 의사나 일차 진료 의사가 대상이 되면 효용이 달라집니다.

이 때는 의료의 질 향상 효과가 커지게 됩니다.

암 환자를 진료한 경험이 적거나 엑스레이를 판독하는 횟수가 적은 의사들이

놓칠 수 있는 것을 알려줌으로써 진단의 정확도를 높이게 됩니다.

임상 의사 결정 지원 시스템 (Clinical Decision Support System: CDSS,

의료진이 올바른 의사 결정을 내릴 수 있도록 도와주는 시스템)과 비슷하다고 할 수 있습니다.

최고 수준의 전문가들의 진료 수준을 높여주기 보다는

이들보다 실력이 떨어지는 의사들의 능력 향상을 도와주는 효과가 클 것입니다.

 

세번째로 생각해 볼 수 있는 효용은

기존 의학에서 알지 못했던 새로운 지식을 발견하게 되는 것입니다.

스마트폰 사용 패턴 분석을 통한 우울증 진단이나 저혈당 발생 예측,

심실빈맥 발생 전의 특징적인 변화 발견과 같이

의학교과서를 바꾸어야할 만한 새로운 내용을 더욱 많이 발견하게 될 것입니다.

다만, 한가지 고려해야할 것은 위 사례에서와 같이 새로운 지식을 발견하기 위해서는

그만한 데이터, 특히 어떤 일이 발생하기 전 데이터가 필요하다는 점입니다.

현대의학은 기본적으로 어떤 일이 발생한 다음에 검사한 결과를 바탕으로 하기 때문에

이와 같은 예측을 하기위해서는 일이 발생하기 전의 데이터가 필수적입니다.

앞서 살펴본 저혈당 발생 예측이나 심실빈맥 예측의 경우

지속형 혈당 측정계와 중환자실에서의 심전도 모니터링이라고 하는

평소 데이터를 수집할 수 있는 방법이 있었기 때문에 가능했는데

이렇게 데이터를 수집한 것은 예외적인 경우라고 할 수 있습니다.

다만 디지털 헬스케어의 발달로 많은 사람들이 다양한 센서가 장착된 장비를 착용하여

많은 데이터를 수집하게 되면 더욱 많은 사실을 찾아낼 수 있을 것으로 보입니다.

 

지금까지 살펴본 세가지  효용이 의료 영상 분야에 어떻게 작용할 수 있을 지에 대해서

생각해 보겠습니다.

우선 의료 영상의 특성에 대해서 생각해 볼 필요가 있는데

일반적인 엑스레이 촬영은 몸 내부를 직접 들여다 보는 것이 아니라

엑스레이를 쪼였을 때 나타나는 그림자를 보는 것입니다.

그리고  엑스레이는 가슴 전체를 한장의 사진으로 확인할 정도로 넓은 부위를

통으로 확인해야 한다는 특징이 있습니다.

이에 비해서 CT나 MRI의 경우 몸의 내부를 직접 보여준다고 할 수 있으며

0.5~1 cm 간격으로 잘게 잘라서 보기 때문에 구석구석을 다 들여다 볼 수 있습니다.

따라서 흉부나 복부 엑스레이 및 유방 촬영과 같은 일반적인 엑스레이 촬영은

CT나 MRI에 비해서 의사가 이상이 있는 부위를 놓치거나 잘 못 볼 가능성이 더 높습니다.

추가로 고려할 사항은, CT나 MRI의 경우 영상의학과 전문의가 판독하는 경우가 많은 반면

일반적인 엑스레이의 경우 다른 과 전문의 혹은 일반의들이 판독하는 경우가 많다는 점입니다.

즉, 인공지능이 접목되는 경우 일반적인 엑스레이 촬영은 의료의 질 향상과 관련될 가능성이 높고

CT나 MRI는 생산성 향상과 관련될 가능성이 높습니다.

 

또, 영상 판독이 잘못되었을 때의 영향도 고려할 필요가 있습니다.

흉부 엑스레이의 경우, 폐렴이나 결핵 등은 처음 촬영에서 놓친 다고 해도

기침 등의 증상이 지속되거나 발열 등 새로운 증상이 나타남에 따라

추가 검사를 할 가능성이 높아서 큰 문제가 되지 않을 가능성이 높습니다.

따라서 오진했을 때 문제가 되는 것은 주로 진행될 때까지 증상이 잘 나타나지 않는 질병이며

대표적인 것이 암입니다.

흉부 엑스레이를 촬영하는 경우 가운데 암의 비중은 높지 않은 반면

유방 촬영의 경우 암을 보기 위한 선별 검사이기 때문에

진단의 정확도를 높이기 위해서 인공지능과 같은 기술의 도움을 빌릴 가능성이 높다고 볼 수 있습니다.

미국에서 CAD를 활용하는 것 가운데 유방 촬영을 판독할 때 영상의학과 의사의 판독에 더해서

활용하는 경우만이 수가를 적용받게된 것에는 이런 점도 영향을 미쳤을 것으로 보입니다.

 

의료 영상 판독에서의 효용과 관련해서 중요한 또 한가지 것은

인공지능 학습에 사용되는 데이터의 양입니다.

영상 진단 분야에서 활발하게 이용되고 있는 딥러닝의 경우

한가지 질환을 제대로 진단하기 위해서는 질환 별로 수천장 이상의 영상이 필요합니다.

따라서 해당 의료 영상에 대한 모든 것을 다 진단할 수 있는 시스템을 만들기 위해서는

많은 시간과 자원이 필요할 것이기 때문에

목표 시장을 결정할 때 그 시장이 원하는 효용이

어느 정도의 학습을 필요로 할 지를 고려하는 것이 필요합니다.

 

생산성 향상을 목표로 하는 경우 인공지능이 모든 질환을 다 진단해 주지 않는다고 해도

비정상 여부를 알려주어서 더 많은 시간을 써서 판독할 것인지

아니면 비교적 빠르게 확인하고 넘어갈 것인지 결정하도록 도와주는 것만으로 큰 도움이 될 수 있습니다.

현재 심전도 측정 기기에는 대부분 자동 판독 기능이 있어서 심전도 판독을 도와주고 있는데

진단 정확도가 떨어지기는 하지만  정상 여부는 비교적 확실하게 감별할 수 있다고 알려져 있어서

정상으로 나온 심전도는 크게 걱정하지 않아도 됩니다.

영상 진단에서도 마찬가지로 활용할 수 있을 것입니다.

젊은 사람을 대상으로 하는 경우에도 이런 정상 여부판단이 도움이 될 수 있습니다.

젊은 사람의 경우 병에 걸린 경우가 적어서 엑스레이를 찍은 사람 가운데 충분히 많은 수가

정상으로 나올 것이기 때문에 진단 효율성 향상에 도움이 된다고 볼 수 있습니다.

반대로 노인의 경우 상당수가 이상이 있다고 나와서 진단의 효율이 떨어질 가능성이 높습니다.

의료의 질 향상을 목적으로 하는 경우에도 결핵협회가 흉부 엑스레이를 통해서 결핵을 진단하거나

유방 촬영을 통해서 유방암 여부를 판단할 때처럼 한가지 질병을 진단하는 것이 목적인 경우에는

마찬가지로 비교적 학습의 부담이 적다고 할 수 있습니다.

 

의료의 질 향상을 목적으로 하는 대부분의 경우에는 정상 여부만 알려주거나

한가지 질병 여부를 알려주는 것만으로는 부족합니다.

이때에는 인공지능이 하나의 영상 판독 지원 솔루션이 되어야 의미가 있기 때문에

해당 이미지에서 보아야하는 중요한 질병을 모두 봐줄 수 있어야 합니다.

 

어떤 효용을 추구하는 지에 따라서 인공지능에 대한 학습 분량이 달라지기 때문에

인공지능 회사들은 이 점을 잘 고려해야할 것입니다.

 

지금까지 살펴본 것처럼 다양한 회사들이 딥러닝 기술을 활용해서

의료에서 뚜렷한 효용을 만들어내기 위해서 노력하고 있습니다.

새로운 기술로 무장한 이들은 과연 어떤 식으로 비지니스를 만들어 낼 수 있을까요?

여기서는 많은 회사들이 뛰어들고 있는 영상 판독을 중심으로 생각해 보겠습니다.

다음과 같은 4가지 정도의 모델을 생각할 수 있습니다.

  1. 보험적용
  2. 의료기관에 직접 판매
  3. 관련 기기 회사를 통한 공급
  4. 정부에 판매

하나씩 살펴보면 보험적용은 딥러닝 알고리즘을 영상 판독에 사용하는 경우

보험 수가를 적용해주는 것을 말합니다.

영상의학과 전문의가 판독할 때 별도의 판독료가 발생하는 것과 마찬가지입니다.

앞서 언급한 바와 같이 미국에서는 유방 촬영(Mammogram)에 대해서 영상의학과 의사에 더해서

CAD 판독을 할 때 수가를 인정해 주고 있는데

우리나라를 비롯한 많은 나라에서는 아직 이런 선례가 없기 때문에

인공지능 판독 시스템이 만들어졌을 때 과연 보험 수가를 적용 받을 수 있을 지 불확실합니다.

 

그렇다면 보험은 어떤 점을 염두에 두고 보험을 적용할까요?

미국에서 유방 촬영에 대한 보험 수가 적용의 경우

유방 촬영이 미국 여성암 발병률 1위인 유방암에 대한 선별검사이지만

진단의 정확도가 떨어지는 편입니다. 따라서 이를 향상시키기 위한 목적이라고 볼 수 있습니다.

현재 미국에서 대부분의 유방촬영이 전문의의 판독에 더해서 CAD 판독 과정을 거친다고 하며

이로 인한 보험 수가 지불액이 매년 $400Mil에 달한다고 합니다. 

다만, CAD를 사용한 추가 판독이 진단의 정확도 향상에 도움이 되지 않는다는 연구 결과들이

나오고 있어 기존의 CAD는 향후 보험 적용에서 배제될 수도 있을 것으로 보입니다.

 

만약 보험이 생산성 향상 혹은 비용 절감을 두고 수가를 적용한다면

이는 기존의 판독 수가를 낮추는 방향이 될 것입니다.

예를 들어 우리나라에서는 영상의학과 의사가 판독하는 경우 판독료가 주어지고 있는데

인공지능의 판독 정확도가 매우 높아졌을 때, 판독료를 없애거나 줄인다면

병원들은 소수의 영상의학과 의사 혹은 영상의학과가 아닌 의사들이

인공지능의 도움을 받아 판독하는 방향으로 움직일 가능성이 높습니다.

일반 엑스레이의 경우 영상의학과 전문의가 아니더라도

대부분의 의사가 판독이 가능하다는 점을 내세우면서 판독료를 인정하지 않겠다는

이야기가 있어 왔기 때문에 인공지능의 판독 정확도가 충분히 높아지는 경우

판독료 조절에 대한 논의가 본격화 될 수 있습니다.

(내과의사로서 동의하기는 힘듭니다. 앞서 언급한 것처럼

일반 엑스레이는 특성상 질병을 놓칠 가능성이 높습니다.)

많은 나라에서 영상 검사와 관련된 비용이 비교적 빠르게 증가하고 있다는 점도

이런 결정에 영향을 미칠 가능성이 있습니다.

 

병원들이 인공지능 판독 시스템 도입을 고려하게 된다면

기본적으로 보험 수가 변화와 맞물려서 결정할 가능성이 높습니다.

이에 대해서는 앞에서 살펴보았기 때문에 보험 수가의 변화가 없는 경우

병원이 인공지능 도입을 어떻게 결정하게 될 지 생각해 보겠습니다.

그동안의 역사를 보면 병원은 의료의 질 향상보다는

수익에 직접적인 영향을 미치는 생산성 향상을 위해서 인공지능 판독 도입을 고려할 가능성이 높습니다.

과거 의사들이 초음파 검사 시행 및 판독 과정을 직접 담당하다가

비교적 중요도가 떨어지는 검사 시행은 초음파 기사 (Sonographer)에게 맡기고

보다 중요한 판독 과정에 집중한 것과 비슷한 형태로 진행될 수 있습니다.

 

이때 고려해야할  것은 비핵심 업무를 다른 직역에게 맡겼다는 점입니다.

즉, 영상 판독을 주 업무라고 생각하는 영상의학과 의사들은

인공지능이 판독의 상당 부분을 차지하게 되는 상황을 받아들이기 쉽지 않을 수 있습니다.

결과적으로 영상의학과 의사들 중 일부가 인공지능으로 대체된다는 의미이기 때문입니다.

따라서, 환자의 진료나 검사 등 다른 일을 주로 하면서

부수적인 업무로 영상을 판독하는 의사들을 도와주는 형태로 도입될 가능성이 높습니다.

일차 진료 기관에서 근무하는 의사가 흉부 방사선을 판독하는 것이 대표적입니다.

영상 검사 이외에도 심전도나 뇌파, 근전도, 캡슐 내시경 판독과 같이

환자 진료를 주로 하는 임상 의사들이 하는 각종 검사들이 대부분 해당됩니다.

영상의학과 의사들의 경우 이미 영상 판독 이외에 각종 시술을 하는 경우가 많아지고 있는데

앞으로 인공지능 판독이 활발해지면 이런 움직임이 더욱 빨라질 것으로 보입니다.

 

세번째는 관련 기기 회사를 통한 공급입니다.

의료 영상 데이터 처리와 관련된 기기들에 하나의 솔루션으로 들어간다는 뜻입니다.

결국 기기를 구입하는 병원이 인공지능에 대한 비용을 지불하는 셈이 되지만

이는 별개로 하고 살펴보겠습니다.

이때 병원은 보험 수가가 없는 상황에서 부가적인 업무가 생기는 것을 피하려고하기 때문에

인공지능 판독 기능이 기존 업무 흐름 속으로 자연스럽게 들어오기를 원할 것입니다.

즉, 의료 영상를 얻어서 의사가 확인하는 과정 사이에 데이터가 흘러가는 기기 중 한 곳에

인공지능을 탑재할 수 있습니다.

그 과정에 있는 기기로는 영상 기기, Advanced visualization 장비,

의료영상저장전송시스템 (PACS :Picture Archiving and Communication System)이 있습니다.

 

이 가운데 영상 기기 회사와 협력하는 경우

엑스레이나, CT, MRI에 탑재하여 영상을 찍으면서 바로 인공지능 판독을 적용하게 됩니다.

CT, MRI와 같은 고부가가치 기기와 엑스레이와 같은 저부가가치 기기로 나누어서 생각해 보겠습니다.

고부가가치 기기는 지멘스, 필립스와 GE의 메이저 3개 회사가 과점하고 있습니다.

이에 비해 저부가가치 기기는 위 3개 회사 이외에도 우리나라 메디슨이나 중국의 마인드레이를 비롯해

다양한 회사들이 경쟁을 벌이고 있어 파편화된 시장(Fragmented market)이라고 할 수 있습니다.

이런 시장 성격의 차이는 인공지능 판독 도입에 어떤 영향을 미치게 될까요?

 

메이저 회사들은 주로 CT, MRI를 비롯한 첨단 영상 장비 판매를 통해서 수익의 대부분을 얻고 있습니다.

장비의 도입에 영상의학과 의사들이 미치는 영향이 크기 때문에

이들 회사는 영상의학과 의사들이 거부감을 갖는 한 인공지능 판독 도입을 주저할 가능성이 높습니다.

이에 비해서 중소 규모 회사들은  저부가가치 기기를 중심으로 새로운 변화를 기회로 활용하기 위해서

보다 적극적으로  인공지능 판독을 도입할 가능성이 높아 보입니다.

브랜드 인지도가 중요한 의료용 영상 장비 시장에서 인공지능의 도입이

얼마나 큰 영향을 미칠 수 있을 지는 지켜볼 일입니다.

 

이 과정에서 변수가 될 수 있는 것은 GE가 내놓은 헬스 클라우드(Health Cloud)와 같은

의료 영상 관리 클라우드 서비스입니다.

iOS의 앱스토어나 안드로이드의 구글 플레이와 같이 외부 회사들이 앱을 개발해서

영상과 관련된 서비스를 제공할 수 있습니다.

새로운 기기를 구입하거나 새로운 PACS를 도입하는 등의 큰 투자 없이

비교적 간편하게 인공지능 판독 시스템을 도입할 수 있는 길이 열리는 것입니다.

또한, 인공지능 서비스에 대해 돈을 지불할 주체가 불확실한 상황에서

기존의 이해 관계자 이외의 회사가 개입할 수 있는 길이 열림으로써

새로운 지불자가 나타나는 등 새로운 비지니스 모델이 만들어질 가능성이 생기게 되었습니다.

 

마지막으로 정부를 통해서 도입되는 경우를 생각해 보겠습니다.

검사 결과 판독에 컴퓨터가 활용된 중요한 사례인 심전도의 경우

미국 보훈부(Department of Veterans Affairs)가 초기 개발을 주도했습니다.

마찬가지로 다양한 정부 기관 혹은 공공 기관들이 인공지능 영상 판독에 관심을 가질 것으로 보이는데

주로 의료의 질 향상을 목표로 할 것으로 생각됩니다.

국내 딥러닝 회사인 루닛이 결핵협회의 도움을 받아 흉부 엑스레이에서 폐결핵을 진단하는

알고리즘을 개발한 것이나 네덜란드의 델프트 이미징 시스템즈 (Delft Imaging Systems) 회사

이와 유사한 결핵 진단 시스템을 개발하여 개발도상국 정부에 공급하고 있는 사례 등이 있습니다.

 

지금까지 인공지능이 의료에 활용되고 있는 유형과 효용 그리고 향후 비지니스 모델에 대해서 생각해 보았습니다.

헬스케어의 다른 부분이 그런 것처럼 인공지능이 의료에 도입된다면

기술 개발이 가장 수월한 부분일 가능성이 높고

다양한 이해관계자들을 거쳐서 실제 진료 현장에 도입되는 과정은 상당한 시간이 소요될 가능성이 있습니다.

최근 들어 많은 의료진들이 관심을 가지고 있는 만큼

머지 않아 보다 많은 사람들이 더 효율적으로 질 높은 진료를 받게 되는데 일조하게 될 것이라 생각합니다.

 

Comments

comments

5 comments

  1. 한줄한줄 어떻게 이정도의 식견을 가지고 계신지 놀라울따름입니다. 제조업이든 금융업이든 어디서도 근무를 하실 수 있을것처럼 보이십니다;; 과거 취업관련해서 메일을 몇번 주고받은 의대생입니다^^ 한가지 질문을 드리자면, 인공지능 발달에 따른 영상의학과나 내과의 미래에 대해 간략하게나마 어떻게 생각하시는지 알 수 있을런지요? 너무나도 좋은글 다시한번 감사드립니다.

    • 많은 의사들이 고민하고 걱정하는 문제일 것입니다.

      전제를 깔자면 인공지능의 자체보다 보건의료 정책의 변화가 큰 영향을 미치는 이슈이기 때문에
      인공지능만 놓고 예측하기 힘듭니다.

      그럼에도 불구하고 생각해 보자면 과 전체로 보기는 힘들과 그 과의 분과나 의사별로 달라질 것 같습니다.

      예를들어 영상의학과라 하더라도 intervention을 전문으로 하는 분들은 영향이 적겠지요

      그리고 내과 의사의 경우에도 소화기나 순환기처럼 시술을 전문으로 하는 과는 영향이 적을 것입니다.

      그에 비해 판독을 많이하는 영상의학과 의사나 내분비 내과와 같이 환자 데이터에 바탕을 두고 진료하는 곳이 영향을 많이 받을 것 같습니다.

      크게 보았을 때 영상의학에 본격적으로 적용되는 시점이 더 빠를 것이라고 보기 때문에 영상의학이 영향을 받는 시점이 더 이를 것이고, 상당한 시간이 지나면 양쪽 모두 결국 영향을 받을 것 같습니다.

      두루뭉술하지만 이정도가 제가 말씀드릴 수 있는 부분일 듯 합니다.

      • 답변 진심으로 감사드립니다^^
        하긴.. 전 직종이 다 영향을 받을텐데.. 따지는것도 큰 의미가 없어보입니다.

        원글을 다시한번 다 읽었지만 저만 보고싶을만큼 욕심이 납니다.
        좋은글 감사드립니다.

  2. 정말 잘 읽었습니다. 많이 배웠습니다. 감사합니다.

Leave a Reply

Your email address will not be published.