Intelligent Healthcare: AI and Machine Learning in Diagnosis, Precision Medicine, and the Pursuit of Explainable, Trustworthy Clinical Systems

오늘날 병원들은 엄청난 양의 정보를 생성합니다. 환자가 걸어 들어올 때마다 기록이 생성되고, 스캔이 촬영되며, 혈액 검사가 수행됩니다. 이 데이터에는 인체 내부의 이미지, 약물 목록, 의사가 작성한 노트, 심지어 심박 모니터에서 나오는 숫자 스트림까지 포함됩니다. 수십 년 동안 인간 전문가만이 이 정보를 분류하여 질병의 징후를 찾거나 미래의 건강 문제를 예측할 수 있는 패턴을 찾아낼 수 있었습니다. 하지만 데이터의 양이 너무 커져서 더 이상 수동 검토만으로는 충분하지 않습니다. 바로 이 지점에서 인공지능이 등장합니다. 인공지능은 엄격한 규칙을 따르기보다 사례로부터 학습하도록 설계된 컴퓨터 시스템입니다. 이들은 방사선 전문의가 하는 것처럼 엑스레이에서 종양을 인식하거나, 심장마비가 올 것임을 암시하는 환자의 병력 속 미묘한 변화를 포착하도록 훈련될 수 있습니다. 그 약속은 이러한 도구들이 의사들이 더 명확하게 보고 더 빨리 행동할 수 있도록 도울 수 있다는 것입니다. 그러나 질문은 여전히 남아 있습니다. 실수 하나가 생명을 앗아갈 수 있는 실제 병원에서 이 시스템들을 충분히 신뢰하여 사용할 수 있을까요?

연구자 에크타 R. 카네리야(Ekka R. Kaneriya), 몰릭 K. 샤(Maulik K. Shah), 크리슈나 H. 사파리야(Krishna H. Sapariya)의 최근 리뷰는 이러한 기술들이 현재 정확히 어디에 위치해 있는지를 조사합니다. 저자들은 환자를 대상으로 새로운 실험을 수행한 것이 아니라, 지난 몇 년간의 수백 개의 기존 연구와 보고서를 수집하고 분석했습니다. 그들의 목표는 서류상으로 보기 좋은 실험실 실험과 실제 의료 환경에서 테스트된 시스템을 구분하는 것이었습니다. 그들은 인공지능이 사용되는 다섯 가지 특정 분야, 즉 의료 영상, 전자 건강 기록, 신약 개발, 정밀 의료, 그리고 원격 환자 모니터링을 살펴보았습니다. 그들이 발견한 것은 전환기에 있는 분야였습니다. 기술은 부정할 수 없이 강력하며 이미 많은 경우에서 전통적인 방법보다 진단을 개선하고 위험을 예측하는 능력을 보여주었습니다. 그러나 광범위하고 신뢰할 수 있는 사용으로 가는 길은 개인정보 보호에 대한 우려, 컴퓨터가 결론에 도달하는 과정을 이해하기 어려운 문제, 그리고 시스템이 어떤 사람들에게는 잘 작동하지만 다른 이들에게는 실패할 수 있다는 위험을 포함한 상당한 장애물에 의해 가로막혀 있습니다.

엑스레이나 CT 스캔과 같은 의료 영상 분야에서 기술은 가장 눈에 띄는 진전을 이루었습니다. 연구자들은 인간의 뇌를 모델로 한 일종의 인공지능인 딥러닝 시스템이 사진에서 질병을 찾아내는 데 매우 뛰어나게 되었다고 언급했습니다. 예를 들어, 이 시스템들은 이제 유방암을 유방 촬영술에서 식별하거나 뇌종양을 높은 정확도로 감지할 수 있습니다. 팬데믹 기간 동안, 이러한 도구들은 흉부 스캔에서 서로 다른 유형의 폐렴을 구별하는 데 도움을 주기 위해 빠르게 배치되었습니다. 연구들에 따르면, 이 시스템들이 신중하게 선택된 기존 이미지들로 테스트될 때 99%를 초과하는 정확도를 달성할 수 있음을 보여줍니다. 그러나 이 리뷰는 결정적인 격차를 강조합니다. 통제된 테스트에서 완벽하게 수행되는 시스템이 반드시 바쁜 병원에서 준비된 것은 아닙니다. 실제 임상 사용에서 가장 성공적인 도구는 인간 의사를 과정에 포함시키는 것들입니다. 컴퓨터가 의심스러운 부위를 표시할 수는 있지만, 그것이 환자의 기록의 일부가 되기 전에는 반드시 방사선 전문의가 이미지를 검토하고 승인해야 합니다. 컴퓨터는 이전에 본 적 없는 장비의 차이나 환자 집단에 의해 속을 수 있기 때문에 이러한 인간의 감독은 여전히 필수적입니다.

사진을 넘어, 인공지능은 환자의 병력이라고 알려진 방대하고 종종 무질서한 전자 건강 기록에도 적용되고 있습니다. 이 기록들은 검사 결과, 약물 목록, 의사의 필기 노트 등이 혼합되어 있습니다. 연구자들은 머신러닝 모델이 이 데이터를 훑어 심장병이나 패혈증(감염에 대한 치명적인 반응)과 같은 심각한 상태를 예측할 수 있다는 것을 발견했습니다. 20개의 연구를 다룬 한 주요 리뷰에서, 이러한 컴퓨터 모델들은 의사들이 현재 사용하는 표준 점수 산출 방식보다 심장병 위험이 있는 환자를 식별하는 데 더 뛰어난 것으로 나타났습니다. 마찬가지로, 병원 기록을 지속적으로 모니터링하는 시스템은 의료진에게 패혈증의 초기 징후를 경고하여, 상황이 위급해지기 전에 이를 포착할 수 있습니다. 이 기술은 또한 약물에 대한 부작용을 예측하거나 낙상 위험이 있는 환자를 식별하는 데 사용됩니다. 그러나 저자들은 이러한 모델들이 연구 논문에서는 종종 강력한 성능을 보여주지만, 다른 병원으로 옮겨졌을 때는 자주 어려움을 겪는다는 점을 지적합니다. 한 도시의 데이터로 훈련된 모델은 의사가 노트를 쓰는 방식이나 사용되는 장비의 유형이 크게 다를 수 있기 때문에 다른 도시에서 실패할 수 있습니다. 이러한 원래 테스트 환경 외부에서의 신뢰성 부족은 신뢰를 구축하는 데 있어 큰 장벽입니다.

기술의 영향은 실험실로까지 확장되어, 새로운 약물의 발견을 가속화하고 있습니다. 새로운 약물을 찾는 전통적인 과정은 10년 이상 걸리고 수십억 달러의 비용이 들며, 그 과정에서 대부분의 후보 화합물들이 실패합니다. 인공지능은 이제 서로 다른 분자들이 신체와 어떻게 상호작용할지를 예측함으로써 이 시간을 단축하는 데 도움을 주고 있습니다. 연구자들은 이러한 도구들이 단순히 기존의 화학 물질 라이브러리를 스크리닝하는 것을 넘어, 완전히 새로운 약물 후보를 처음부터 설계할 수 있다고 관찰했습니다. 어떤 시스템들은 약물이 동물에게 테스트되기도 전에 어떻게 부작{용을 일으킬 수 있는지 시뮬레이션할 수도 있습니다. 그럼에도 불구하고, 리뷰는 계산상의 성공이 생물학적 실체를 보장하지는 않는다고 경고합니다. 컴퓨터 화면에서 완벽해 보이는 분자가 살아있는 유기체에서 테스트될 때는 실패하는 경우가 많습니다. 과학 학술지에 발표된 약물 발견 작업 중 아주 적은 부분만이 실제로 동물 검증 단계에 도달한다는 사실은, 디지털 시뮬레이션과 작동하는 약물 사이의 간극이 여전히 넓다는 점을 상기시켜 줍니다.

정밀 의료 분야의 목표는 모든 환자를 똑같이 치료하는 것에서 벗어나, 개인의 구체적인 유전적 및 분자적 구성에 맞춘 맞춤형 치료를 제공하는 것입니다. 인공지능은 DNA 시퀀싱, 의료 영상, 건강 기록으로부터의 데이터를 결론적으로 결합하여 환자의 완전한 그림을 만들어낼 수 있기 때문에 이를 가능하게 하는 엔진입니다. 연구자들은 이러한 시스템이 얼굴 사진으로부터 희귀 유전 질환을 식별하거나, 환자의 고유한 분자 프로필에 기반하여 암 환자에게 적합한 치료법을 매칭하는 사례들을 강조했습니다. 그러나 심각한 우려가 발생합니다. 이러한 시스템을 훈련하는 데 사용되는 데이터는 역사적으로 주로 유럽계 조상을 가진 사람들에게서 왔습니다. 결과적으로, 모델은 다른 배경을 가진 환자들에게 덜 정확한 결과를 낼 수 있으며, 이는 잠재적으로 건강 불평등을 악화시킬 수 있습니다. 저자들은 이것이 더 나은 수학으로 해결할 수 있는 기술적 문제가 아니라, 소외된 인구 집단으로부터 더 다양한 정보를 수집해야 하는 데이터의 문제임을 강조합니다.

마지막으로, 리뷰는 웨어러블 기기가 병원 외부에서 심박수나 산소 수치와 같은 건강 데이터를 추적하는 원격 환자 모니터링을 살펴봅니다. 인공지능은 이 연속적인 정보 스트림을 분석하여 악화의 초기 경고 징후를 감지합니다. 예를 들어, 심부전 관리에서 이러한 시스템은 의사에게 입원을 예방할 수 있는 변화를 경고할 수 있습니다. 미국 식품의약국(FDA)은 이미 수십 개의 이러한 AI 기반 모니터링 장치를 승인했으며, 이는 이 분야가 다른 분야보다 규제 측면에서 더 진척되었음을 시사합니다. 그럼에도 불구하고, 연구자들은 이러한 시스템이 너무 많은 가짜 알람으로 의사를 번거롭게 하지 않도록 신중하게 설계되어야 한다고 언급합니다. 이를 '알람 피로(alert fatigue)'라고 합니다. 만약 시스템이 너무 자주 경보를 울린다면, 임상의들은 이를 무시하기 시작할 것이고, 결국 목적을 달성하지 못하게 됩니다.

이러한 성공에도 불구하고, 연구자들은 인공지능이 의료의 표준적인 부분이 되기 전에 해결해야 할 몇 가지 깊은 과제들을 식별합니다. 가장 큰 문제 중 하나는 개인정보 보호입니다. 이러한 시스템은 민감한 환자 데이터에 접근해야 하며, 데이터에서 이름이 제거되더라도 때때로 재식별될 수 있습니다. 또한 '블랙박스' 문제도 있습니다. 가장 강력한 많은 AI 모델들은 너무 복합적이어서 심지어 제작자조차 그들이 어떻게 특정 결론에 도달했는지 완전히 설명할 수 없습니다. 잘못된 결정이 오진이나 해로운 치료로 이어질 수 있는 의학 분야에서, 의사들은 이해할 수 없는 시스템을 신뢰하기를 주저합니다. 이러한 불투명성은 법적, 윤리적 위험을 초래합니다. 더욱이, 이러한 시스템을 실행하는 데 필요한 계산 능력은 엄청나며, 이는 기술을 감당할 여력이 없는 작은 규모의 병원들을 뒤처지게 만들 수 있습니다.

이러한 우려를 해결하기 위해, 리뷰는 성장하는 분야인 '설명 가능한 인공지능(XAI)'을 지목합니다. 이 접근 방식은 진단으로 이어진 엑스레이의 특정 부분을 강조하거나 경고를 촉발한 검사 수치를 나열하는 등, 컴퓨터의 추론 과정을 가시적으로 만드는 것을 목표로 합니다. 연구자들은 이러한 설명들이 신뢰를 쌓는 데 도움이 될 수 있지만, 완벽한 해결책은 아니라는 점을 발견했습니다. 시스템이 명확한 설명을 제공하더라도 그것이 틀릴 수 있으며, 혹은 그 설명이 기술적으로는 정확하지만 바쁜 의사에게는 유용하지 않을 수도 있습니다. 앞으로의 길은 더 나은 규제, 더 다양한 데이터, 그리고 이러한 도구들이 설계되는 방식의 변화를 결합하는 것을 포함합니다. 의료 인공지능의 미래는 의사를 대체하는 것이 아니라, 컴퓨터가 방대한 데이터 처리를 담당하고 인간이 판단, 맥락, 공감을 제공하는 파트너십을 만드는 것입니다.

저자들은 인공지능이 실험실에서 실무로 이동하고 있지만, 신뢰할 수 있는 채택을 위해서는 높은 정확도 이상의 것이 필요하다고 결론짓습니다. 그것은 다양한 병원에서의 견고한 테스트, 의사가 이해할 수 있는 투명한 모델, 그리고 환자의 개인정보 보호를 위한 엄격한 보호를 요구합니다. 기술은 진단을 더 정확하게 만들고 치료를 더 개인화함으로써 의료를 변화시킬 잠재력을 가지고 있습니다. 그러나 이 잠재력이 실현되기 위해서는, 이러한 시스템이 공정하고 안전하며 신뢰할 수 있도록 보장하는 주변 인프라가 구축되어야 합니다. 향arian 몇 년은 이 분야가 장벽을 극복하여 환자가 어디에 살든 혹은 어떤 배경을 가졌든 상관없이 인공지능의 혜택을 누릴 수 있게 할 수 있을지를 결정할 것입니다.