흔히 이런 광경을 목격할 수 있다. 한 환자가 의사의 진료실에서 걱정스럽게 기다리고 있다. 전문의가 그 환자에게 암 진단을 받았다는 것을 알리기 위해 걸어 들어오고 있다. 가슴이 두근두근할 것이다. 과연 무슨 내용으로 그 환자를 위어 잡을까.

우려와는 달리 좋은 소식이 있다. 암은 암인데 초기 단계라는 것이다. 초기 단계의 암은 얼마든지 완치가 가능하다는 사실을 알고 있는 환자로서는 그나마 안심이 될 것이다.

인공지능(AI) 도구가 환자의 전체 병력을 분석해 적신호가 있는지 확인했다. 여러 초기 지표들을 파악하고, 환자가 암에 걸릴 위험이 높다는 결론을 내렸다. 그래서 환자는 영상 검사를 위해 영상실로 보내졌다.

그 영상(이미지)들은 다른 인공지능 프로그램에 의해 분석되었고, 초기 암을 나타내는 것으로 분류됐다. 또 다른 플랫폼은 의사가 부작용이 발생할 수 있는 약물 조합을 피할 수 있도록 환자의 기존 상태와 관련 처방을 선별했다. 그리고 또 다른 인공지능 시스템은 관리 서류 작업을 간소화하고, 전문가와의 약속 일정의 효율성을 향상시키는 데 도움이 됐다.

현재, 의료의 모든 측면에 매끄럽게 통합된 AI의 이미지는 대부분 공상 과학 소설이다. 하지만 많은 연구원들과 기업들은 몇 년 안에 이것을 현실로 만들기를 바라고 있다.

생성형 인공지능 챗GPT(ChatGPT)와 같은 AI 플랫폼의 등장은 인간과 기계 관계의 미래에 대한 세계적인 논쟁을 가열시켰다. 이러한 프로그램은 언어 기반 콘텐츠를 처리하고 생성할 수 있으며, 이전 세대의 AI보다 직관적인 방식으로 상호 작용하고 이해할 수 있다. 사람들은 또한 치료를 위해 ChatGPT와 같은 플랫폼으로 눈을 돌렸다.

인공지능 의료기계는 몇 가지 질문을 제공하고 있다.

- 인공지능이 정말로 의사들이 질병을 예측하는 것을 도와 줄 수 있을까?

- 인공지능은 보다 더 효과적으로 치료를 할 수 있도록 도울 수 있을까?

- 이 게임의 규칙은 무엇일까?

- 그리고 그 위험은 무엇일까?

간단한 답은 AI가 다양한 질병을 진단하고, 예측하며, 잠재적으로 치료하는 데 가능성을 보여주었다고 기술을 주도하는 과학자와 기업가들은 말하고 있지만 지금은 초기이다. 그리고 윤리적 문제뿐만 아니라 주요 기술적 한계도 여전히 해결되지 않고 있다.

인공지능은 새로운 여행이 아니다. 의료 AI는 사람들 대부분이 예상하는 것보다 더 오래 지속됐다. 1970년대에 미국 스탠포드 대학은 처음으로 마이신(MYCIN)이라는 이름의 인공지능 도구를 만들었는데, 이것은 의사들이 박테리아 혈액 감염과 뇌수막염을 진단하고 치료하는 것을 돕는 것을 목표로 했다.

환자에게 정보를 요청하고 감염을 진단하기 위한 제한된 목적으로 사용되는 마이신은 박테리아 질병 전문가와 동등하게 수행했다. 하지만 이 규칙 기반 접근법은 학습할 수 있는 능력을 거의 주지 않았다.

의료 AI의 형태와 유연성은 마이신 이후 크게 변화했다. 이제 다양한 의료 책임을 위해 수많은 유형의 AI가 연구되고 있다. 미국에서는 2018년부터 2019년까지 생명과학 조직과 의료 제공자 사이에서 AI 사용이 두 배 이상 증가했다.

* 의료 AI에 대한 투자 꾸준히 증가

- 2022년도 국제 의료 AI 시장 규모 : 40억 달러(약 5조 1,288억 원)

- 향후 10년 동안 평균 25% 성장 예상

팬데믹(Pandemic)은 그러한 추세를 가속화했을 뿐이다. 전 세계적으로 2021년 의료 AI에 대한 투자는 전년 대비 두 배 증가했다. 2022년도 국제 의료 AI 시장은 40억 달러 이상으로 평가됐으며, 향후 10년간 매년 4분의 1 가까이 성장할 것으로 예상된다.

AI가 인간의 마음이 배우는 점진적인 방법을 모방하는 것을 목표로 하는 기계 학습에 의해 진행되었다. 이 쇼를 선도하는 것은 뉴런처럼 연결되고 계층으로 조직된 다양한 노드를 가진 인공 신경망(ANN=artificial neural networks )이다. 각 계층은 정보를 다음 계층으로 전달하기 전에 정보를 분석하고 작업을 수행한다.

최근 진단 및 예측 AI 기술 분석을 발표한 테네시 대학(University of Tennessee)의 박사 연구원인 나피세 가파르 니아(Nafiseh Ghaffar Nia)는 “예를 들어, 종양을 식별하도록 신경망에 요청하면 프로그램은 가장자리와 기울기를 강조하여 ‘종양과 주변 조직 사이의 경계를 식별’하는 데 도움이 될 수 있다”는 설명이라고 알자지라가 1일 전했다.

ANN은 적은 감독으로 학습할 수 있기 때문에 많은 도구가 약간의 인공지능 기술을 사용하지만 암 진단을 포함한 많은 의료 응용을 위한 정통적인 접근 방식이 적용됐다.

스탠포드 헬스 케어의 수석 데이터 과학자인 니검 샤(Nigam Shah)는 “이 모든 것의 중심에는 AI가 시험하고 있는 명확한 의료 목표가 있다”면서 “여러분이 보는 모든 AI 장치는 의학적 표현, 진단, 예측 또는 추천의 세 가지 일을 하는 것으로 요약될 것”이라고 말했다.

* 인간 보다 훨씬 뛰어난 분석과 올바르고 뛰어난 이미지 분류

AI가 진단에서 제공하는 두드러진 장점은 의료 영상입니다. AI 의료정치는 패턴 인식을 잘한다.

알자지라 보도에 따르면, 결국 실리콘 밸리 의료 예측 분석 회사인 린타스(LeanTaaS)의 산지브 아그라왈(Sanjeev Agrawal) 사장은 “인간이 분석할 수 있는 것보다 몇 배나 많은 양의 이미지 데이터에 대해 교육할 수 있다”면서 “신경망은 이미지에 대해 상당한 연습을 해왔다. 2012년 객체 검출을 위한 알고리즘을 평가하는 국제영상인식대회(ImageNet Large Scale Visual Recognition Challenge)는 프로그램이 인간 관찰자보다 이미지를 올바르게 분류하는 것을 처음 보았다.”고 설명했다.

AI는 정말 복잡한 영상 문제를 해결할 수 있는 수준까지 발전했다. 아그라왈은 이러한 의료 영상 도구의 가장 높은 성과 중 하나로 구글 AI 플랫폼 딥마인드(DeepMind)의 인간 단백질 구조 및 접기 모델링을 지적한다.

그는 이어 “딥마인드가 한 것처럼 단백질 행동을 모델링하는 것은 영상 문제이지만 인간 스스로는 결코 알아낼 수 없었던 3차원 영상 문제”라고 말했다. 이미지 외에도, 인공지능은 환자의 전자 건강 기록에 기록된 다른 데이터를 사용하여 누군가가 주어진 질병을 가질 가능성이 얼마나 높은지에 대한 결론을 도출할 수 있다.

맥길 대학(McGill University)의 사미라 아바스골리자데 라히미(Samira Abbasgholizadeh-Rahimi) 교수는 최근 1차 의료에서 AI 응용 프로그램에 대한 검토를 수행했는데, “AI가 심혈관 질환, 안구 질환, 당뇨병, 암, 정형외과 질환 및 전염병 진단에 특히 유망하다는 것을 발견했다”고 말했다.

예측 인공지능(Predictive AI)은 적용에 있어서 훨씬 더 다양하다. 연구원들은 AI가 생활양식, 의료 기록, 유전적 요인 등에 기초하여 제2형 당뇨병, 심장 질환, 알츠하이머 및 신장 질환과 같은 많은 질환의 가능성을 예측하기 위해 활용될 수 있다는 것을 발견했다.

그리고 지난 몇 달 동안 암 위험을 식별하기 위한 인공지능의 사용에 있어 중대한 돌파구가 있었는데, 그것은 유방암을 예측하는 데 있어서 표준 모델을 능가할 수 있다는 것을 6월에 발표된 연구에서 보여주었다.

지난 1월 메사추세츠 공과대학(MIT)의 연구원들은 인공지능 기반의 폐암 위험 평가 기계를 공개했으며, 5월에는 하버드 과학자들이 인공지능 도구가 실제 진단 전에 췌장암의 가장 높은 위험을 가진 사람들을 식별할 수 있다는 것을 보여주었다.

그게 전부가 아니다. 3월에는 브리티시 컬럼비아(British Columbia) 대학의 과학자들은 인공지능 프로그램이 이전의 도구들보다 암 생존율을 더 잘 예측할 수 있다는 것을 증명했다.

마찬가지로, 인공지능은 다양한 약물의 잠재적인 독성과 효과를 예측할 수 있으며, 이를 테스트하고 시장에 출시하는 과정을 간소화하는 데 도움을 준다. 반면에 기계 학습 도구들은 또 그것을 크게 틀릴 수도 있다.

* 테스트 실패

AI는 적어도 이론적으로는 감염의 심각성을 예측하고 발병의 확산을 모델링할 수 있는 잠재력을 가지고 있다. 코로나19 대유행으로 인해 AI 도구가 폭발적으로 증가했지만 결과는 충격적이었다.

코로나19 진단 및 치료를 위한 약 650개의 AI 기반 프로그램에 대한 두 가지 중요한 검토 결과, 임상 사용에 적합한 프로그램은 하나도 발견되지 않았다.

코로나19 확산을 예측하기 위한 AI 플랫폼에 대한 다른 리뷰에서는 주로 데이터 가용성 문제로 인해 효과가 없는 것으로 나타났다. 이러한 결과는 의료 분야에서 AI에 대한 현실 점검을 나타낸다. 실제로 AI를 의학 분야에 통합하는 도구는 아직 초기 단계이다.

아바스골리자데-라히미 교수가 리뷰에서 연구한 “AI의 95% 이상이 개발되고. 파일럿 테스트를 거친 후 구현 단계에 가지 않았다.”고 말했다.

의학에서 AI가 직면한 과제의 중심에는 개발에 사용되는 데이터의 세 가지 주요 한계가 있다. 즉, 부족, 액세스 제한 및 품질이다.

대부분의 AI가 작동하려면 전문가가 주석을 달았던 데이터에 대한 훈련이 필요하다. 많은 질병들은 단지 그러한 데이터가 상당히 부족하지만, AI의 대량의 전문가 주석이 달린 데이터에 대한 의존도를 줄이기 위해 여러 기술이 연구되고 있다.

그러나 데이터가 있어도 AI 개발자가 반드시 이용할 수 있는 것은 아니다.

니검 샤(Nigam Shah)는 “모든 환자는 검진, 판독, 진단 및 처방과 같은 수많은 데이터 포인트가 있는 병력을 가지고 있다”면서도 “그러나 병원에서 보험 및 제약 회사에 이르기까지 다양한 의료 조직은 서로 다른 데이터 포인트를 기록하고 있다”고 지적했다. 따라서 의료 데이터는 서로 다른 사일로(silo)에서 분할되고 고정된다.

훨씬 더 큰 규모에서, AI를 활용하여 전염병의 확산을 모델링하고 예측하려는 노력은 감염률 및 사망률과 같은 중요한 통계에 대한 국가의 불투명성에 의해 방해받는다.

대학, 제약 회사, 환자 옹호 단체 및 비영리 데이터 공유 플랫폼으로 구성된 컨소시엄인 임상 연구 데이터 공유 연합(Clinical Research Data Sharing Alliance)과 같은 조직은 변화를 추진하기 위해 노력하고 있다. 그러나 현재 의료 AI 데이터 풍경은 개방성에 대한 요구가 많다. 

마지막으로, 데이터가 존재하고 사용 가능한 경우에도 데이터를 제공하기 위해 잘못 설계된 인프라에서 품질을 추출하는 문제가 남아 있다.

압바스홀리자데 라히미 교수는 “환자 데이터의 주요 출처인 전자 건강 기록(Electronic health records)은 종종 신호에 많은 소음을 제공한다고 말했다. 노이즈는 다양한 형태를 취할 수 있다. AI 플랫폼에서 읽을 수 없는 방식으로 주석이 달린 영상 데이터일 수 있다. 또 호환되지 않는 방식으로 데이터를 포맷하거나 기록할 수도 있다.

그러나 의료계의 진정한 신뢰할 수 있는 파트너로 부상하기 위해 의료계에서 AI가 극복해야 할 더 깊은 도전과 위험이 있다고 전문가들은 지적한다.

* [책임소재] AI가 잘못되면 누구를 탓해야 하나 ?

데이터 세트는 편향될 수 있다. 예를 들어, 아바스골리자데-라히미 교수의 1차 의료 AI 연구 분석은 성별, 나이 및 민족성을 거의 고려하지 않는다는 것을 발견했다. 연구된 프로그램 중 35% 미만이 성을 분류한 데이터를 가지고 있었다. 즉, 여성과 남성을 위해 별도로 수집하고 표를 작성한 데이터 세트이다.

일부 민족 집단은 데이터 세트에서 잘 표현되지 않거나 잘못 강조될 수 있다.

불과 2년 전, 미국 국립신장재단(US National Kidney Foundation)과 미국신장학회(American Society of Nephrology)는 많은 흑인들의 신장 기능 부전의 심각성을 과소평가하게 만든 혈액 크레아티닌(creatinine : 척추동물의 근육·오줌·혈액 속의 백색 결정)을 어떻게 판단하는지에 대한 인종적 편견을 없애라고 권고했다.

니검 샤는 “동일한 데이터 품질이 인간의 의사 결정에도 영향을 미친다”고 주장하지만, 이러한 편향된 데이터와 지침에 대해 훈련된 AI 도구는 이러한 편견을 영구화할 가능성이 있다.

편향의 잠재성과 독점 신경망의 블랙박스 특성을 고려할 때, 의료 AI 공간은 설명 가능한 AI 또는 ‘설명 가능 인공지능(XAI=Explainable Artificial Intelligence)’에 대한 추진이 증가하고 있다. 이 움직임은 AI 도구가 진단, 예후 또는 치료 권장 사항에 도달하는 추론을 더 투명하게 만드는 것의 중요성을 강조하는 것을 목표로 한다.

많은 전문가들은 설명 가능성이 오늘날 의료 AI의 가장 시급한 윤리적 질문 중 하나와 불가분하게 얽혀 있다고 본다. 의사는 실수를 하지만 AI가 실수를 할 때 우리는 AI와 의사 중 누구를 더 비난할 것인가 ?

의사에게 조언하는 인공지능 도구 뒤에 숨겨진 일련의 사고를 이해하는 것은 각각의 책임의 정도를 알려줄 수 있다.

마찬가지로, 의료 AI 공간은 환자 데이터 보호책임과 더 많은 데이터 공유의 필요성의 균형을 맞추는 데 고심하고 있다. 이러한 두려움은 근거 없는 것이 아니다. 미국에서는 2023년 상반기에 295건의 의료 데이터 보안 위반이 발생하여 3900만 명의 미국인에게 영향을 미쳤다.

사이버 보안 침해는 차치하더라도, 의료 회사들은 환자 데이터를 부적절하게 관리 하는 등 많은 과제들이 놓여 있다. 2017년, 런던의 로얄 프리 병원(Royal Free Hospital)은 160만 명의 환자들의 건강 데이터를 구글의 딥마인드와 공유해 논란에 휩싸이기도 했다.

가장 최근에, 미국 연방무역위원회(US Federal Trade Commission)는 광고를 위해 700만 명의 소비자의 정보를 타사 플랫폼과 공유한 것과 관련 인기 있는 정신 치료 앱인 베터헬프(BetterHelp)에 780만 달러의 벌금을 부과했다.

사생활 염려에 대한 쉬운 답은 없다. 니검 샤는 “사람들이 그들의 데이터를 공유하고 싶어하지 않을 수 있지만, 그들은 종종 다른 사람들의 데이터에 훈련된 인공지능으로부터 이익을 얻기를 열망한다”고 말했다.

연구자들은 또 AI 도구가 현재 필요한 플랫폼보다 적은 수의 환자의 실제 데이터를 훈련할 수 있도록 하는 분석 접근법을 연마하기 위해 노력하고 있다. 빠른 혁신과 급증하는 투자 속에서 의료 AI와 이를 알려주는 인프라 간의 이 경쟁은 보건 시스템의 미래를 형성하는 데 결정적일 수 있다.

현재 인프라가 따라잡기를 하고 있다. 그렇게 해야만 병원의 잠재적인 암 환자가 지능적이고 정확하며 안전한 예측을 할 수 있다. 그러나 갈 길은 아직 상당하다.