Artificial Intelligence in Healthcare: 2025 Year in Review
이 논문은 2025 년 의료 AI 연구가 학술지 게재량 급증과 고전적 머신러닝에서 멀티모달 파운데이션 모델로의 전환을 통해 실용적 성숙 단계에 진입했음을 보여주며, 특히 영상 분야를 중심으로 임상 현장의 복잡성을 반영하는 다중 모달 모델의 확산이 가속화되고 있음을 분석합니다.
원저자:Edara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., KhannaEdara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., Khanna, A. K., Maheshwari, K., Papay, F. A., Mathur, P.
원저자: Edara, R., Khare, A., Atreja, A., Awasthi, R., Highum, B., Hakimzadeh, N., Ramachandran, S. P., Mishra, S., Mahapatra, D., Shree, S., Bhattacharyya, A., Singh, N., Reddy, S., Cywinski, J. B., Khanna, A. K., Maheshwari, K., Papay, F. A., Mathur, P.
과거에는 AI 연구가 소수의 과학자들이 작은 실험실에서 실험을 하듯 진행되었다면, 2025 년에는 거대한 공장이 가동된 것과 같습니다.
숫자로 보면: 2024 년에 2 만 8 천 건이던 연구 논문이 2025 년에는 약 4 만 9 천 건으로 거의 두 배나 불어났습니다.
질적인 변화: 단순히 "이런 기술이 가능할까?"라고 궁금해하는 수준을 넘어, **"이 기술이 실제 환자를 치료하는 데 쓸모가 있을까?"**를 검증하는 연구들이 크게 늘었습니다. 연구자들이 더 이상 이론만 다루지 않고, 실제 병원에서 쓰일 수 있는 '성숙한' 기술들을 쏟아내고 있는 것입니다.
2. AI 의 진화: "단어만 아는 비서"에서 "눈과 귀까지 있는 슈퍼맨"으로
이 보고서의 가장 큰 하이라이트는 AI 의 종류가 어떻게 변했는지입니다.
과거 (2024 년까지): AI 는 주로 **텍스트 (글) 만 읽는 '대형 언어 모델 (LLM)'**이었습니다. 마치 글만 잘 쓰는 비서처럼, 의료 기록을 요약하거나 질문을 대답하는 데는 탁월했지만, 엑스레이 사진이나 환자의 목소리 소리는 이해하지 못했습니다.
2025 년의 변화: 이제는 멀티모달 (Multimodal) 기반 모델이 등장했습니다. 이는 **눈 (이미지), 귀 (음성), 입 (텍스트) 을 모두 갖춘 '슈퍼맨'**과 같습니다.
예: 엑스레이 사진 (눈) 을 보면서도, 그 사진에 대한 설명 (글) 을 읽고, 의사에게 설명하는 목소리 (귀) 까지 분석할 수 있게 된 것입니다.
결과: 2024 년에는 멀티모달 연구가 25 건에 불과했지만, 2025 년에는 144 건으로 폭증했습니다. 반면, 예전 방식의 단순한 기계 학습 (고전적인 ML) 연구는 줄어들었습니다. 더 똑똑하고 복잡한 AI 로 넘어가는 중입니다.
3. 의료 현장의 적용: "사진 분석"이 여전히 왕이지만, "다른 분야"도 따라잡고 있다
어떤 의료 분야에서 AI 가 가장 활발하게 쓰일까요?
이미징 (영상의학과) 의 독주: 여전히 엑스레이, CT, MRI 같은 '사진'을 분석하는 연구가 가장 많습니다 (전체의 절반 이상). 이는 AI 가 사진을 보는 데 가장 능숙하기 때문입니다.
다양한 분야의 성장: 하지만 이제는 수술, 암 치료, 안과, 두경부 (치과 포함) 등 다양한 분야에서 AI 가 활약하고 있습니다.
특히 행정 업무와 교육 분야에서는 AI 비서가 환자 교육 자료를 만들거나, 병원의 서류 작업을 도와주는 등 실무적인 역할을 톡톡히 하고 있습니다.
📝 한 줄 요약 (Takeaway)
2025 년은 의료 AI 가 **"단순한 실험실 장난감"에서 "실제 병원을 지탱하는 핵심 도구"**로 급격히 성장한 해였습니다.
이제 AI 는 글뿐만 아니라 사진과 소리까지 이해하는 '멀티모달' 능력을 갖춰, 실제 의사의 진단과 치료 과정을 더 정확하게, 더 똑똑하게 돕는 진짜 파트너가 되어가고 있습니다. 마치 과거의 단순한 계산기가 이제는 복잡한 문제를 해결하는 두뇌로 진화한 것과 같은 변화입니다.
제공된 논문 "Artificial Intelligence in Healthcare: 2025 Year in Review"에 대한 상세한 기술적 요약은 다음과 같습니다.
1. 연구 배경 및 문제 정의 (Problem)
의료 인공지능 (AI) 연구는 모델 아키텍처의 혁신과 데이터 가용성 증가로 인해 기하급수적으로 성장하고 있습니다. 그러나 2024 년까지의 연구는 주로 텍스트 기반 대형 언어 모델 (LLM) 의 탐색적 사용에 집중되었습니다. 2025 년 현재, 의료 데이터의 본질적인 다중 모달 (multimodal) 특성 (텍스트, 이미지, 음성 등) 을 반영하고, 실제 임상 환경에서의 적용 가능성을 높이기 위해 기반 모델 (Foundation Models) 로의 전환이 가속화되고 있습니다. 본 연구는 이러한 전환기를 정량적으로 분석하고, 의료 AI 연구가 탐색적 개발 단계에서 실제 평가 및 구현 단계로 성숙해가는 과정을 규명하는 것을 목표로 합니다.
2. 연구 방법론 (Methodology)
데이터 수집: 2025 년 12 월 31 일 기준 PubMed 데이터베이스에서 "machine learning" 또는 "artificial intelligence"와 "2025"를 키워드로 검색했습니다. 검색은 영어로 된 인간 대상 연구로 제한되었으며, 프리프린트, 동물 실험, 로봇 수술 전용 연구 (AI 미사용), 초록이 없는 논문 등은 제외되었습니다.
성숙도 평가 (Maturity Assessment): 검색된 49,394 건의 논문 중 '성숙한 (Mature)' 논문을 선별하기 위해 BERT 기반 딥러닝 분류기를 사용했습니다. 이 모델은 수동으로 라벨링된 데이터로 사전 학습 및 검증되었으며, "제안된 모델의 출력이 의료 제공자나 자동화 시스템에 직접적인 실행 가능한 영향을 미치는가?"라는 질문에 답할 수 있는지를 기준으로 성숙도를 판단했습니다.
수동 분석: BERT 모델이 선별한 3,366 건의 성숙한 논문 중 2,966 건 (최종 분석 대상) 을 5 명의 리뷰어가 수동으로 검토하여 다음 항목을 주석 (annotation) 했습니다.
의료 전문 분야: 22 개 전문 분야 및 일반 (General), 교육 (Education), 행정 (Administrative) 카테고리.
데이터 유형: 이미지, 텍스트, 표 (Tabular), 음성 (Voice/Waveform).
모델 유형: 전통적 딥러닝 (DL), 고전적 머신러닝 (ML), AI 일반, 통계, NLP, LLM, 대형 비전 모델 (FM-LVM), 다중 모달 모델 (FM-MM).
제외 사항: 체계적 검토 (Systematic reviews), 중복 논문, 비인간 연구, 로봇 수술 관련 논문 등은 최종 분석에서 제외되었습니다.
3. 주요 기여 (Key Contributions)
2025 년 의료 AI 연구 트렌드 종합: 2024 년 대비 논문 수가 약 2 배 증가한 2025 년의 대규모 데이터를 체계적으로 분석하여, 의료 AI 연구의 성숙도 변화를 최초로 정량화했습니다.
다중 모달 기반 모델의 부상 규명: 텍스트 기반 LLM 중심에서 이미지, 음성 등을 통합하는 다중 모달 기반 모델 (Multimodal Foundation Models) 로의 전환이 본격화되었음을 입증했습니다.
성숙도 평가 프레임워크 고도화: BERT 기반 자동 분류와 수동 검증을 결합한 방법론을 유지하며, 고전적 머신러닝 (ML) 의 감소와 고도화된 모델 (DL, Foundation Models) 의 증가 추세를 명확히 구분했습니다.
임상 적용 분야별 상세 분석: 영상의학 (Imaging) 을 중심으로 한 전문 분야별 AI 적용 현황과 기반 모델의 구체적인 사용 사례 (Use Cases) 를 세분화하여 제시했습니다.
4. 주요 결과 (Results)
논문 수 및 성숙도: PubMed 검색 결과 총 49,394 건의 논문이 확인되었으며, 이 중 3,366 건이 '성숙한' 논문으로 분류되었습니다. 최종 분석에는 2,966 건이 포함되었습니다 (2024 년 1,946 건 대비 약 1.5 배 증가).
우세한 전문 분야:영상의학 (Imaging/Radiology) 이 976 건으로 압도적으로 1 위를 차지했으며, 행정 (277 건), 일반 (251 건), 두경부 (185 건), 교육 (181 건) 순으로 이어졌습니다.
모델 유형 변화:
전통적 LLM: 여전히 1,019 건으로 가장 많았으나, 다중 모달 모델의 급부상이 두드러졌습니다.
다중 모달 기반 모델 (FM-MM): 2024 년 25 건에서 2025 년 144 건으로 급증했습니다.
고전적 머신러닝 (ML): 173 건으로 전년 대비 감소하여, 고전적 ML 이 고도화된 모델에 의해 대체되는 경향을 보였습니다.
딥러닝 (DL): 910 건으로 크게 증가했습니다.
데이터 유형:이미지 (53.9%) 가 여전히 주류였으나, 텍스트 (38.2%) 가 그 뒤를 이었습니다. 다중 모달 모델의 도입으로 음성 (Audio) 데이터 사용이 1.2% 로 유의미하게 증가했습니다. 이미지와 텍스트를 결합한 연구도 54 건 확인되었습니다.
기반 모델의 적용 분야: 기반 모델을 사용한 연구는 행정, 교육, 일반 분야에서 많았으나, 임상 분야에서는 영상의학 (110 건), 두경부 (92 건), 외과 (64 건), 종양학 (55 건), 안과 (49 건) 에서 활발하게 이루어졌습니다.
5. 의의 및 결론 (Significance & Conclusion)
연구 성숙도의 전환점: 2025 년은 의료 AI 연구가 단순한 탐색을 넘어, 실제 임상 환경에서 검증 가능한 수준으로 성숙해가는 중요한 전환점 (Inflection Point) 임을 시사합니다.
다중 모달성의 중요성: 의료 데이터의 복잡성 (이미지, 텍스트, 음성의 결합) 을 반영하기 위해 단일 모달 모델에서 다중 모달 기반 모델로의 전환이 가속화되고 있으며, 이는 실제 임상 진료의 복잡성을 더 잘 모방할 수 있는 AI 시스템 개발로 이어질 것입니다.
고전적 ML 의 쇠퇴와 고도화 모델의 부상: 고전적 머신러닝 모델의 사용 감소는 의료 과제의 복잡성을 해결하기 위해 더 높은 용량과 능력을 가진 딥러닝 및 기반 모델이 필수적임을 보여줍니다.
미래 전망: 영상의학 분야가 여전히 선도하고 있으나, 다양한 임상 분야에서 다중 모달 모델의 적용이 확대되고 있으며, 에이전트 AI (Agentic AI) 와 같은 새로운 구현 프레임워크의 등장이 향후 연구를 더욱 촉진할 것으로 예상됩니다.
이 논문은 의료 AI 연구가 양적 성장을 넘어 질적 성숙과 실제 임상 적용을 위한 기술적 진화를 이루고 있음을 체계적인 데이터로 입증했다는 점에서 중요한 의의를 가집니다.