Mapping the Evolution of Artificial Intelligence in Healthcare, 2017–2025: An Integrated Bibliometric and Latent Dirichlet Allocation Topic Modelling Analysis
본 연구는 키워드 제한을 극복하기 위해 2017년부터 2025년까지의 엄선된 2,631개 헬스케어 AI 문헌 코퍼스를 대상으로 표준 계량서지학적 분석과 잠재 디리클레 할당(LDA) 토픽 모델링을 통합하며, 이를 통해 배포 준비가 된 애플리케이션에서 대규모 언어 모델 및 설명 가능한 AI와 같은 거버넌스 의존적 최전선으로 이어지는 성숙 궤적을 밝혀낸다.
원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
현대 의학의 지형은 강력한 새로운 힘인 인공지능에 의해 조용히 재편되고 있습니다. 수십 년 동안 컴퓨터는 의사들이 기록을 정리하고 기본적인 계산을 수행하는 것을 도왔지만, 오늘날의 시스템은 의료 영상을 통해 패턴을 파악하고, 환자의 결과를 예측하며, 심지어 임상 노트를 초안하는 법까지 배우고 있습니다. 이러한 변화는 너무나 빠르게 일어나고 있어서 병원 지도자들과 연구자들이 이 분야가 어디로 향하고 있는지에 대한 명확한 그림을 유지하기가 어렵습니다. 그들은 방대한 새로운 연구의 바다를 지도화할 방법이 필요하며, 실질적인 현장에서 사용될 준비가 된 아이디어와 여전히 실험 단계에 머물러 있는 아이디어를 구분해내야 합니다. 이를 위해 그들은 수천 편의 과학 논문을 살펴봐야 하지만, 단순히 단어 수를 세거나 저자들이 자신의 연구를 설명하기 위해 선택한 라벨에 의존하는 것은 더 깊은 의미를 놓치기 쉽습니다. 서로 다른 과학자들이 동일한 개념에 대해 서로 다른 단어를 사용할 수도 있고, 혹은 같은 단어를 서로 다른 용도로 사용할 수도 있어, 진정한 트렌드를 가리는 안개를 만들어냅니다.
뭄바이의 K J 소미야 경영대학원(K J Somaiya Institute of Management) 연구진은 두 가지 서로 다른 데이터 분석 방식을 결합하여 그 안개를 걷어내기로 했습니다. 그들은 2017년부터 2025년 사이에 발표된, 특히 의료 분야에 인공지능이 어떻게 적용되는지에 초점을 맞춘 2,631편의 방대한 과학 논문 모음을 수집했습니다. 그들은 단순히 제목과 키워드만을 읽는 대신, 편지의 제목만 읽는 것이 아니라 대화의 내용을 경청하는 사서처럼, 논문의 제목과 초록을 읽어 숨겨진 주제를 찾아내는 컴퓨터 방식을 사용했습니다. 이 심층적인 독해법을 누가 누구를 인용하는지, 어떤 학술지가 가장 활발한지에 대한 표준 분석과 결합함으로써, 그들은 이 분야의 진화 과정을 보여주는 상세한 지도를 만들어냈습니다. 그들의 연구는 어떤 기술이 성숙해지고 있는지뿐만 아니라, 전통적인 연구 추적 방식에서는 포착되지 않는 데서 떠오르는 아이디어들이 무엇인지도 밝혀냈습니다.
연구진은 이 분야가 폭발적으로 성장했다는 사실을 발견했는데, 출판물 수는 2017년 약 87편에서 2025년 731편으로 증가했습니다. 이러한 급증은 특히 코로나19 팬데믹을 진단하고 추적하는 데 도움이 될 도구에 대한 절박한 필요성에 의해 2020년 전후로 매우 가파르게 나타났습니다. 가장 많이 인용된 논문들을 분석했을 때, 초기 초점은 엑스레이나 스캔과 같은 의료 영상을 컴퓨터가 읽는 것과 웨어러블 기기를 병원 시스템에 연결하는 것에 집중되어 있었습니다. 이러한 영역들은 이제 성숙 단계에 도달했으며, 이는 핵심적인 기술적 문제들이 대부분 해결되었음을 의미하며, 현재의 연구는 심장 질환이나 당뇨병과 같은 특정 질병을 위해 이러한 도구들을 정교화하는 데 집중되어 있습니다.
하지만 이 연구의 가장 중요한 발견은 심층 독해 방식을 통해 표준 키워드 검색으로는 완전히 놓쳤던 주제들을 찾아낸 데서 왔습니다. 전통적인 분석은 영상 처리와 웨어러블 기기에 대한 명확한 그림을 보여주었지만, 거대 언어 모델을 사용하여 임상 노트를 작성하는 것과 인공지능이 결와 결정을 내리는 방식을 설명할 규칙이 시급하다는 두 가지 급성장 분야는 포착하지 못했습니다. 컴퓨터 분석은 이 주제들이 인기가 급증하고 있음을 식별했으나, 과학자들이 이들을 설명하기 위해 매우 다양한 용어를 사용하고 있었기 때문에 표준 키워드 지도에서는 보이지 않았습니다. 이는 이 분야가 단순히 똑똑한 도구를 만드는 것을 넘어, 그것들을 어떻게 규제할 것인지와 어떻게 병원의 일상적인 서류 작업에 통합할 것인지에 대한 고민으로 나아가고 있음을 시사합니다.
연구진은 이러한 발견들을 명확한 준비도 타임라인으로 정리했습니다. 의료 영상을 읽고 센서를 통해 환자를 모니터링하는 기술은 지금 바로 병원에 배치될 준비가 되었다고 판단했습니다. 반면, 인공지능을 사용하여 의사가 환자 기록 작성을 돕거나, 서로 다른 병원 간에 데이터를 공유할 때 환자의 개인정보를 보호하는 것과 같은 다른 분야들은 여전히 급격한 성장 단계에 있습니다. 이러한 새로운 분야들은 아직 널리 보급될 준비가 되지 않았는데, 이는 먼저 새로운 법률과 안전 프레임워크가 마련되어야 하기 때문입니다. 연구는 병원 지도자들과 투자자들에게 가장 가치 있는 통찰력은 단순히 오늘 무엇이 작동하고 있는가가 아니라, 어떤 신기술이 지평선 위에 떠 있으며 이를 안전하게 채택하기 위해 어떤 준비가 필요한지를 인식하는 것이라고 결론짓습니다. 인용 횟수를 세는 것과 숨겨진 주제를 읽는 방식을 결합한 접근법을 사용함으로써, 연구팀은 기술이 모두에게 명백해지기 전에 의료 기술의 미래를 볼 수 있는 신뢰할 수 있는 방법을 제공했습니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.