Rethinking Artificial Intelligence in Medical Imaging: Assumptions, Reality, and Reframing

의사의 슈퍼 도구: 왜 AI에는 뇌뿐만 아니라 '성격'이 필요한가

당신이 미스터리를 풀려는 탐정이라고 상상해 보십시오. 당신에게는 범죄 현장을 믿을 수 없을 정도로 선명하게 찍을 수 있는 최첨단 카메라가 있습니다. 이 카메라는 인간의 눈이 놓칠 수 있는 단 하나의 지문이나 벽의 미세한 흠집까지도 찾아낼 수 있을 만큼 뛰어납니다. 하지만 여기 함정이 있습니다. 이 카카메라는 오직 '사진'만을 봅니다. 용의자가 늦게 도착했는지, 그날 밤에 비가 왔는지, 혹은 피해자가 심장 질 {history}가 있었는지는 알지 못합니다. 의료의 세계에서 이 카메라는 **인공지능(AI)**이며, 범죄 현장은 X-ray나 MRI와 같은 의료 영상입니다. 오랫동안 과학자들은 단순히 카메라를 더 날카롭고 똑똑하게 만들기만 하면 모든 의료 미스터리를 스스로 해결할 수 있을 것이라고 생각했습니다.

하지만 의사들은 단순히 사진만 보는 것이 아닙니다. 그들은 사진과 환자의 전체 인생 이야기—혈액 검사 결과, 과거 병력, 복용 중인 약물 등을 결 조합하는 숙련된 탐정과 같습니다. 이 논문이 던지는 핵심 질문은 이것입니다: 왜 이 초스마트 카메라는 아직 병원을 변화시키지 못했는가? 그 답은 카메라가 고장 났거나 의사들이 새로운 기술을 두려워하기 때문이 아닙니다. 대신, 이 논문은 우리가 환자의 나머지 이야기를 무시한 채 오직 픽셀(이미지의 작은 점들)만을 바라보는 AI를 만들어 왔다고 지적합니다. 저자들은 이를 해결하기 위해 의사를 로봇으로 대체하려 노력하는 것을 멈추고, 사진만이 아니라 전체 사건 파일을 읽을 수 있는 유능한 '조력자'로서의 AI를 구축해야 한다고 주장합니다.

---

거대한 불일치: 왜 AI는 대기실에 갇혀 있는가

지난 decade 동안 의료 영상 분야는 열기로 가득했습니다. 과학자들은 종양이나 골절을 놀라운 속도로 찾아낼 수 있는 AI 시스템을 구축했습니다. 마치 로봇이 영상을 판독하는 업무를 넘겨받을 혁명의 전조처럼 느껴졌습니다. 하지만 오늘날 병원에 가보면 현실은 다소 조용합니다. 로봇들은 존재하지만, 우리가 기대했던 만큼 게임의 판도를 바꾸지는 못하고 있습니다. 이 논문의 저자인 연구자와 의사 팀은 이것이 AI가 수학을 못 하거나 규칙이 너무 엄격해서가 아니라고 주장합니다. 대신, 그들은 우리가 **구조적 불일치(structural misalignment)**를 겪고 있다고 말합니다.

이렇게 생각해 보십시오. 당신이 고기 사진만 보고 완벽한 스테이크를 요리할 수 있는 천재적인 셰프를 고용했다고 가정해 봅시다. 그 셰프는 사진을 보는 데는 천재적이지만, 고객에게 채식주의자인지, 심장 질환이 있는지, 혹은 스테이크를 레어 혹은 웰던으로 원하는지 묻는 것을 거부합니다. 셰프는 그저 자신이 보기에 가장 좋아 보이는 스테이크를 내놓을 뿐입니다. 의료에서도 바로 이런 일이 일어났습니다. 우리는 "픽셀"(이미지)에 집착하면서 "맥락"(환자의 병력, 검사 결과 및 기타 단서)은 무시하는 AI를 만들었습니다. 논문은 이것이 AI가 왜 아직 병상에 도착하지 못했는지에 대한 주요 원인이라고 제안합니다.

우리가 틀렸던 여섯 가지 방식 (그리고 이를 바로잡는 방법)

저자들은 이 문제를 모든 조각이 약간씩 잘못된 모양인 퍼즐처럼 여섯 가지 연결된 부분으로 나누어 설명합니다. 그들이 보는 문제와 우리가 어떻게 재정의해야 하는지에 대한 내용은 다음과 같습니다.

1. "픽셀 전용"의 함정

• 문제점: 대부분의 AI 모델은 다른 모든 것을 무시하고 오직 이미지만을 보도록 훈련됩니다. 이는 한쪽 구석만 볼 수 있는 가리개를 쓰고 퍼즐을 맞추려는 것과 같습니다.
• 현실: 의사들은 그렇게 일하지 않습니다. 그들은 이미지와 함께 혈액 검사, 과거 치료법 및 기타 요인들을 함께 살핍니다.
• 해결책: 우리는 "전체 파일을 읽을 수 있는" AI가 필요합니다. 단순히 X-ray만 보는 것이 아니라, 더 현명한 추측을 위해 환자의 검사 결과와 병력을 함께 확인해야 합니다.

2. "블랙박스" 신뢰 문제

• 문제점: 현재의 AI는 종종 이유를 설명하지 않고 정답만 제시하는 신비로운 신탁처럼 행동합니다. 의사들은 AI의 사고 과정을 볼 수 없기 때문에 이를 신뢰하지 않습니다.
• 현실: 신뢰는 법으로 강제할 수 있는 것이 아닙니다. 도구가 유용하고, 정직하며, 유연할 때 형성됩니다.
• 해결책: "블랙박스" 대신 "열린 책" 같은 파트너가 필요합니다. AI는 단순히 최종 답을 외치는 것이 아니라, 의사가 결과를 조정하고 자신의 추론을 설명할 수 있도록 의사와 함께 협력해야 합니다.

3. "파운데이션 모델"의 과장된 기대

• 문제점: 방대한 양의 데이터로 훈련된 거대 AI 뇌인 "파운데이션 모델"에 대한 기대가 높습니다. 사람들은 이것이 궁극적인 의료 전문가가 될 것이라고 희망합니다.
• 현실: 의료 분야에서 이러한 거대 모델들은 종-종 어려움을 겪는데, 의료 데이터는 매우 복잡하고 희귀하기 때문입니다. 단순히 뇌가 커진다고 해서 해결되는 것이 아니라, 실제 병원에서 발생하는 특이하고 복잡한 사례들을 학습하지 못한다면 소용이 없습니다.
• 해결책: "클수록 좋다"는 생각을 버려야 합니다. 대신 일반적인 작업이 아닌, 특정 의료 작업에 대해 세심하게 큐레이션되고 검증된 모델이 필요합니다.

4. 데이터 병목 현상

• 문제점: AI가 학습하려면 데이터가 필요하지만, 의료 데이터는 공유하기 어렵습니다. 논문에 언급된 한 연구에 따르면, 2017년부터 2021년 사이의 영상의학 AI 논문 중 코드와 데이터를 모두 공유한 비율은 2% 미만이었습니다. 다른 기술 분야의 **40~50%**와 비교하면 매우 낮은 수치입니다!
• 현실: 데이터를 공유하지 않으면 AI는 작고 고립된 실험실에 갇혀 세상 전체로부터 배울 수 없습니다.
• 해결책: 데이터 소유권에 대한 생각을 바꿔야 합니다. 환자가 데이터를 가두어 두는 방식으로 "소유"하는 대신, 병원은 데이터를 안전하게 공유하여 모두를 돕는 "관리자" 역할을 해야 합니다. 또한, 빈틈을 메우기 위해 실제와 유사한 가짜 데이터를 생성하는 스마트한 컴퓨터 프로그램을 사용해야 합니다.

5. 알고리즘에서 실제 플랫폼으로

• 문제점: 과학자들은 종종 실험실에서 멋진 AI 알고리즘을 만든 다음 이를 병원에 그냥 전달합니다. 하지만 병원은 다양한 컴퓨터와 워크플로우가 존재하는 복잡한 곳입니다.
• 현실: 알고리즘 하나만 있는 것은 자동차 없는 훌륭한 엔진과 같습니다. 그것은 의사의 일상적인 루틴에 녹아들 수 있는 시스템으로 구축되어야 합니다가.
• 해결책: 우리는 "플랫폼"이 필요합니다. 즉, 병원의 컴퓨터(의사들이 영상을 보는 시스템)에 바로 연결되어 의사가 AI를 개선하기 위해 피드백을 줄 수 있는 통합된 시스템이 필요합니다.

6. 예측 vs 실행

• 문제점: AI는 예측(예: "이것이 암일 확률은 74%입니다")에는 능숙합니다. 하지만 의사들은 단순히 퍼센트를 원하는 것이 아니라, "무엇을 해야 하는지"를 알고 싶어 합니다.
• 현실: 계획 없는 예측은 단순한 추측에 불과합니다. 의사들은 치료를 변경해야 할지, 추가 검사를 주문해야 할지, 아니면 아무것도 하지 말아야 할지를 알아야 합니다.
• 해결책: 우리는 "실행 가능한 AI(Actionable AI)"가 필요합니다. 단순히 "74%"라고 말하는 대신, AI는 "위험도가 높고 환자의 병력이 일치하므로, 생검을 권장합니다"라고 말해야 합니다.

미래: "에이전틱(Agentic)" 조력자

이 논문은 AI를 구축하는 방식에 대한 큰 변화를 제안합니다. 수동적으로 사진을 기다렸다가 라벨을 뱉어내는 도구가 아니라, **에이전틱 AI(Agentic AI)**가 필요합니다.

사진만 보는 것이 아니라 직접 도서관에 가서 날씨 보고서를 확인하고, 목격자에게 전화를 건 뒤, 탐정에게 "제가 찾은 것은 이것이며, 다음에 무엇을 해야 할지는 이렇습니다"라고 말하는 탐정의 조수를 상상해 보십시오. 이 "에이전트"는 다음과 같은 일을 할 수 있습니다:

1. 맥락 조율: 환자의 검사 결과와 과거 스캔 기록을 자동으로 불러와 전체 스토리를 이해합니다.
2. 한계 인지: 확신이 서지 않을 경우, 근거 없이 자신 있게 틀린 답을 내놓는 대신 "이 희귀 사례에 대해 아는 정보가 부족합니다. 인간 의사에게 문의하십시오"라고 말할 수 있습니다.
3. 실행 가능한 조언 제공: "특정 검사를 주문하십시오" 또는 "약물을 변경하십시오"와 같은 구체적인 다음 단계를 제안합니다.

저자들은 이것이 의사를 대체하는 것이 아님을 분명히 합니다. 이것은 의사에게 "AI 기반의 갑옷"을 입혀주는 것입니다. 최종 결정은 의사가 내리지만, AI는 의사가 더 많이 보고, 더 깊이 생각하며, 더 빠르게 행동할 수 있도록 돕습니다.

결론

이 논문은 이러한 문제들을 해결할 기술이 이미 존재한다고 결론짓습니다. 우리는 더 똑똑하고 연결된 시스템을 구축할 도구를 가지고 있습니다. 부족한 것은 더 나은 알고리즘이 아니라, **방향성(orientation)**의 변화입니다.

지난 10년 동안 질문은 이것이었습니다: "AI가 특정 작업에서 의사를 이길 수 있는가?"
저자들은 그 질문을 멈추고 다음과 같이 물어야 한다고 말합니다: "AI가 의사가 환자를 돌보는 일을 더 낫게 만드는가?"

여기에 도달하기 위해서는 의사, 컴퓨터 과학자, 정책 입안자들이 처음부터 함께 협력해야 합니다. 성공을 측정하는 기준은 얼마나 많은 논문이 발표되었는지나 테스트 점수가 얼마나 높은지가 아니라, 얼마나 많은 환자가 실제로 더 나은 치료를 받았는지여야 합니다. 목표는 AI가 진료실에서 의사의 신뢰할 수 있는 동료가 되어, 모든 환자의 건강이라는 미스터리를 푸는 데 도움을 주는 미래를 만드는 것입니다.