Who is leading medical AI? A systematic review and scientometric analysis of chest x-ray research

이 논문은 2017 년부터 2025 년까지 발표된 흉부 X 선 컴퓨터 비전 연구에 대한 체계적 검토와 과학계량 분석을 통해, 고소득 국가와 특정 기관이 연구 주도권과 데이터 원천을 독점하고 있어 다양한 인구를 대표하지 못하는 심각한 불평등이 존재함을 규명하고, 이로 인한 AI 시스템의 편향과 의료 격차 심화 위험을 경고합니다.

핵심

🍳 비유: "세계적인 요리 대회와 AI 요리사"

상상해 보세요. 전 세계 사람들이 배고플 때 먹게 될 **'완벽한 스프'**를 만드는 AI 요리사들이 있습니다. 이 스프는 병원에서 환자들의 가슴 X-ray 사진을 보고 질병을 찾아내는 역할을 합니다.

이 논문은 이 '요리 대회'가 어떻게 진행되고 있는지, 그리고 누가 요리를 하고, 어떤 재료를 쓰는지를 조사했습니다.

1. 누가 요리사인가? (연구 주도권)

• 현실: 이 대회에서 요리 레시피를 만들고 요리를 주도하는 사람들은 거의 대부분 **부자 나라 (미국, 중국 등)**의 요리사들이었습니다.
  • 전체 요리사 중 55% 이상이 부자 나라 출신이었고, 가장 중요한 '수석 요리사 ( senior author)'도 60% 가까이 부자 나라 사람들이었습니다.
  • 가장 놀라운 사실: 가난한 나라 (저소득 국가) 에서 온 요리사는 단 한 명도 레시피를 주도하는 자리에 없었습니다.
• 비유: 전 세계가 먹을 스프를 만들 때, 부자 나라의 요리사들만 모여서 "우리 입맛에 맞는 스프를 만들자"고 결정하고 있습니다. 가난한 나라 사람들은 요리사 자리에서 완전히 배제되어 있습니다.

2. 어떤 재료를 쓰나? (데이터의 출처)

• 현실: AI 가 배우는 '재료 (데이터)'도 대부분 부자 나라에서 왔습니다.
  • 전체 재료의 73% 가 부자 나라 (특히 미국) 에서 왔습니다.
  • 가난한 나라의 재료는 거의 쓰이지 않았습니다.
• 비유: 부자 나라 요리사들이 "우리가 만든 스프는 미국산 소금과 채소로 만들었으니, 전 세계 어디에서나 맛있을 거야!"라고 말합니다. 하지만 가난한 나라 사람들은 소금기나 채소 종류가 다르고, 입맛도 완전히 다릅니다. 부자 나라 재료로 만든 스프를 가난한 나라 사람들이 먹으면, 맛이 전혀 맞지 않거나 아예 먹지 못할 수도 있습니다.

3. 함께 요리하는가? (협력 관계)

• 현실: 부자 나라 요리사끼리는 많이 협력하지만, 부자 나라와 가난한 나라가 함께 요리하는 경우는 **전체 100 개 중 4 개도 안 되는 3.9%**에 불과했습니다.
• 비유: 부자 나라 요리사들은 서로 모여서 파티를 하지만, 가난한 나라 요리사들은 문 밖에서 혼자 서 있습니다. 서로 대화하거나 재료를 나누는 일이 거의 없습니다.

---

🚨 왜 이것이 문제일까요? (위험한 결과)

이 논문은 이런 불균형이 매우 위험하다고 경고합니다.

1. 맛이 안 맞는 스프 (성능 저하): 부자 나라 데이터로만 훈련된 AI 는, 가난한 나라 환자들의 X-ray 를 보면 제대로 된 진단을 못 할 수 있습니다. 마치 한국인 입맛에 맞춘 김치찌개를 아프리카 사람들에게 먹였을 때, "이게 무슨 맛이야?"라고 느끼는 것과 같습니다.
2. 불공정한 치료 (건강 격차 심화): AI 가 잘 작동하지 않는 지역에서는 진단이 늦어지거나 잘못될 수 있습니다. 이미 병이 심한 가난한 나라 사람들이 더 큰 피해를 보게 되어, 건강 불평등이 더 심해질 수 있습니다.
3. 목소리가 없는 사람들: 가난한 나라의 환자들과 의료진들이 어떤 질병에 가장 시달리는지, 어떤 치료가 필요한지 알 수 있는데, 그 목소리가 AI 개발 과정에 전혀 반영되지 않고 있습니다.

💡 해결책은 무엇일까요?

저자들은 다음과 같이 제안합니다.

• 다양한 재료 확보: 전 세계 각국의 재료를 골고루 모아서 AI 를 훈련시켜야 합니다. (다양한 데이터셋 구축)
• 진정한 파트너십: 부자 나라 요리사들이 가난한 나라 요리사들을 '단순한 재료 제공자'가 아니라 **'동반 요리사'**로 대우해야 합니다. 함께 레시피를 고민하고 개발해야 합니다.
• 공정한 기회: 가난한 나라 연구자들이 AI 개발의 주체가 될 수 있도록 자금과 기회를 지원해야 합니다.

📝 한 줄 요약

"지금의 의료 AI 는 부자 나라의 입맛과 재료로만 만들어져, 전 세계 모든 사람을 위한 '진짜' 해결책이 될 수 없습니다. 이제는 전 세계 모든 사람이 함께 요리할 수 있도록 시스템을 바꿔야 합니다."

이 연구는 기술이 발전하는 것만으로는 부족하며, 누구를 위한 기술인지, 누구와 함께 만드는지에 대한 고민이 필요함을 일깨워줍니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 컴퓨터 비전 (CV) 기반 흉부 X-ray 해석 기술은 전 세계 의료, 특히 방사선사 부족 지역과 호흡기 질환 부담이 큰 지역에서 혁신적인 잠재력을 가지고 있습니다.
• 문제: 이러한 AI 기술의 임상적 가치는 다양한 인구 집단에 대한 공정한 개발 여부에 달려 있습니다. 그러나 현재 연구 생태계는 **데이터 편향 (Dataset Bias)**과 연구 주도권의 불균형으로 인해 개발된 모델이 저소득 국가나 다양한 인종/지역에서 성능이 저하되는 '일반화 격차 (Generalizability Gap)'를 겪을 위험이 큽니다.
• 핵심 질문:
  1. 연구 주도권 (저자) 이 세계 지역 및 소득 그룹 간에 얼마나 공평하게 분포되어 있는가?
  2. 국제 협력 패턴은 어떠한가?
  3. CV 모델 개발에 사용된 데이터셋이 얼마나 대표성을 갖는가?

2. 연구 방법론 (Methodology)

• 연구 설계: 체계적 문헌 고찰 (Systematic Review) 및 과학계량 분석 (Scientometric Analysis).
• 데이터 수집:
  • 기간: 2017 년 ~ 2025 년 (논문에 명시된 검색 범위).
  • 데이터베이스: PubMed, Embase, SciELO.
  • 검색 전략: PRISMA 2020 가이드라인 준수. CV 및 흉부 X-ray 관련 용어를 사용하여 검색.
  • 선정 기준: 동료 검토를 거친 학술지 및 컨퍼런스 논문 (2017-2025 년). 프리프린트, 리뷰 논문, CV 모델이 아닌 연구는 제외.
• 분석 대상: 최종적으로 928 건의eligible 연구가 정량 분석에 포함됨 (초기 검색 1,555 건 → 중복 제거 및 품질 평가 후 928 건).
• 분석 도구 및 지표:
  • Dimensions API 및 수동 추출을 활용하여 저자 소속, 기관, 데이터셋 출처 등을 추출.
  • 소득 그룹 분류: 세계은행 (World Bank) 기준에 따라 저소득 (LIC), 하위 중산층 (LMIC), 상위 중산층 (UMIC), 고소득 (HIC) 국가로 분류.
  • 정규화 분석: 국가별 인구, GDP, 연구개발 (R&D) 투자 대비 논문 수를 산출하여 상대적 기여도 분석.
  • 협력 패턴 분석: 고소득 국가 (HIC) 와 저소득/중산층 국가 (LMIC) 간의 공동 저자십 및 데이터셋 출처 간 상관관계 분석.

3. 주요 결과 (Key Results)

• 연구 주도권의 불균형 (Authorship Disparities):
  • 고소득 국가 (HIC) 의 독점: 1 저자의 55.6%, 최종 저자 (Senior Author) 의 59.7% 가 고소득 국가 소속.
  • 저소득 국가의 부재: 1 저자 중 **저소득 국가 (LIC) 소속은 0%**였으며, 최종 저자 중 LIC 소속은 0.7% 에 불과함.
  • 국가별 순위: 1 저자 기준 중국 (16.93%), 미국 (16.72%), 한국 (11.65%), 인도 (9.06%) 가 상위권. 인구 및 GDP 대비 정규화 시 싱가포르, 카타르, 덴마크 등 소국들의 상대적 기여도가 높게 나타남.
• 데이터셋 편향 (Dataset Provenance):
  • 출처 불균형: 사용된 데이터셋의 73.6% 가 고소득 국가에서 유래. 미국이 단일 국가로 40.45% 를 차지.
  • 비공개 데이터: 20.52% 의 연구가 비공개 (Private) 데이터셋을 사용하여 투명성과 검증이 제한됨.
  • 대표성 부재: 저소득/중산층 국가의 임상적 특징 (결핵, 폐렴 등) 이 반영된 데이터셋은 극히 드묾.
• 협력의 부재 (Collaboration Gaps):
  • 교차 소득 협력 부족: 고소득 국가와 저소득/중산층 국가 간의 협력 연구는 전체의 **3.9%**에 불과함.
  • 순환 구조: 고소득 국가 데이터셋을 사용한 연구의 51.38% 는 고소득 국가 저자가 주도하는 등, 데이터와 지식이 고소득 국가 내부에서만 순환하는 폐쇄적 구조가 확인됨.

4. 주요 기여 및 시사점 (Key Contributions & Significance)

• 구조적 불평등의 정량적 규명: 의료 AI 분야에서 고소득 국가가 연구 주도권과 데이터 자원을 독점하고 있으며, 이는 AI 모델의 편향과 임상 적용 실패로 이어질 수 있음을 체계적인 데이터로 입증함.
• 일반화 격차의 원인 분석: 현재 개발된 AI 모델이 전 세계 호흡기 질환 부담이 큰 지역 (주로 LMIC) 에서는 성능이 저하될 가능성이 높음을 경고. 이는 단순히 기술적 문제가 아닌, 연구 생태계의 구조적 문제임을 지적.
• 정책적 제언 (Roadmap for Equity):
  1. 데이터: 저소득 국가를 포함한 다양하고 개방된 (Open-access) CXR 데이터셋 개발 우선순위 부여.
  2. 협력: LMIC 연구자를 단순 데이터 제공자가 아닌 '공동 리더'로 참여시키는 공정한 국제 협력 체계 구축.
  3. 정책: 출판사 및 학회가 다양한 저자십과 교차 소득 협력을 장려하는 정책 (멘토링, 심사자 교육, 전용 트랙 등) 도입.
  4. 역량 강화: LMIC 내 연구 인프라 및 컴퓨팅 자원 접근성 확대.

5. 결론 (Conclusion)

이 연구는 현재 흉부 X-ray 기반 의료 AI 연구가 고소득 국가 중심의 편향된 생태계에서 진행되고 있음을 명확히 보여줍니다. 데이터와 연구 주도권의 불균형은 전 세계적으로 공평한 의료 혜택을 제공하는 AI 기술 개발을 저해하며, 기존 건강 불평등을 악화시킬 위험이 있습니다. 이를 해결하기 위해서는 데이터의 민주화, 공정한 국제 협력, 그리고 LMIC 연구자의 주도적 참여를 위한 구조적 개혁이 시급히 필요합니다.