Each language version is independently generated for its own context, not a direct translation.
1. 연구의 양: "작은 실험실"에서 "거대한 공장"으로
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.
Each language version is independently generated for its own context, not a direct translation.
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.