2016년, 영국의 인지심리학자이자 컴퓨터 과학자인 제프리 힌턴(Geoffrey Hinton)은 더 이상의 영상의학 전문의 양성을 중단해야 한다고 주장했습니다. 새로운 AI 기반 영상의학 애플리케이션이 지속적으로 성능을 높이고 있기 때문에, AI가 영상의학 업무의 상당 부분을 맡게 될 것이라고 판단했기 때문입니다 [1]. AI는 검사 의학 분야에서도 유사한 영향을 미칠 것으로 예상됩니다. 그러나 영상의학과 마찬가지로, 검사 분야 내에서도 자동화에 적합한 작업과 그렇지 않은 작업이 존재합니다. 여러 매우 다른 데이터 세트를 삼각 검증(triangulation)해야 하는 진단 업무는 자동화가 상대적으로 어렵습니다. 예를 들어, AI 시스템이 유방암을 처음부터 진단하도록 학습하려면, 각 진단 시마다 30개 이상의 변수를 고려해야 합니다. 이에는 영상 검사와 유전 검사에서 얻는 구조화된 데이터뿐 아니라 환자 진술, 가족력 등 구조화되지 않은 정보도 포함됩니다.전문 의료진과 동일한 수준의 전문성에 도달하기 위해서는 AI 시스템이 약 70억 개의 고유한 유방암 사례를 분석해야 한다는 추정도 있습니다. 다른 일부 진단 업무는 자동화 가능성이 더 높습니다. 예를 들어, 관상동맥질환(CHD) 진단 독감 유행 양상 분석 심전도(ECG) 기반 부정맥 인식 등은 유방암 진단에 비해 고려해야 할 변수가 적습니다. 최근 2년 동안, 두 연구팀은 AI가 피부암을 진단하는 데 있어 전문의와 동등한 수준의 정확도를 보인다는 결과를 발표했으며, 스탠퍼드의 또 다른 팀은 폐렴 진단에서도 동일한 결과를 보였다고 보고했습니다 [2]. AI는 또한 두 가지 더 광범위한 방식으로 진단검사 분야를 변화시킬 잠재력을 지니고 있습니다. 즉, 저자원 환경에서의 진단 서비스 접근성 향상과 환자 지속 모니터링을 위한 새로운 기회 창출입니다.
진단 서비스에 접근하지 못하는 사람들에게 서비스를 제공하기
많은 개발도상국 및 선진국 내 외딴 지역에서는 수백만 명의 사람들이 기본적인 진단 서비스에 접근하지 못하고 있습니다. 여기에는 검사 결과를 생성하고 해석하며 설명할 수 있는 의사와의 상담 시간도 포함됩니다. AI가 이러한 업무의 일부를 수행하고 진단 비용을 낮출 수 있다면, 이 문제를 해결하는 데 매우 중요한 역할을 담당할 수 있습니다. 일부 AI 기반 진단 시스템은 확정 진단을 제공할 수도 있으나, 또 다른 시스템들은 중증 질환을 배제하는 데 더욱 중점을 둘 것입니다. 여러 중증 질환에 대해 AI 시스템이 달성한 음성예측도(NPV)는 이미 90%대를 기록하고 있으며, 이는 농촌 지역에서 근무하는 1차 진료 의사보다도 더 높은 정확도를 보이는 경우가 많습니다. 검사 결과가 양성으로 확인된 환자의 경우, 지역의 의료체계로 연계하여 임상 및 검사 의학 분야의 숙련된 전문가들로부터 필요한 진료를 받을 수 있도록 관리할 수 있습니다.
지속 모니터링을 통한 진료 향상
장기적으로는, 진단검사실 역시 AI를 활용하여 새로운 형태의 환자 데이터를 통합하고 보다 개인화된 방식으로 환자를 지속적으로 모니터링할 수 있을 것입니다. 매년 점점 더 많은 사람들이 걸음 수, 심박수, 수면 패턴, 칼로리 소모 등을 실시간으로 추적하는 웨어러블 기기를 사용하고 있습니다. 향후에는 양치질을 하는 동안 타액 내 바이오마커에서 데이터를 추출하는 스마트 칫솔의 광범위한 도입까지 예상할 수 있습니다. 향후 5년 내 이러한 기술적 진보는 환자에 대한 우리의 이해를 혁신적으로 변화시킬 것입니다. 환자는 더 이상 특정 시점에서 생체징후를 측정하는 존재로만 규정되지 않을 것입니다. 물론 그러한 측정은 계속되겠지만, 동시에 진단검사실은 지속적인 생체 신호에도 접근할 수 있게 됩니다. 개인 내 의미 있는 변화는 기존 치료 계획을 적시에 조정하는 데 필요한 정보를 진단검사실에 제공합니다. 우리는 이제 정상 범위를 결정하는 것은 인구집단의 기준이 아니라, 한 개인의 검사 결과가 시간에 따라 어떻게 변화하는가임을 이해하기 시작했습니다. 앞으로 5년 동안 AI의 보다 실질적인 응용 사례들이 등장할 것입니다. AI 기반 의료체계를 대비해 지금부터 준비하는 진단검사실이 가장 큰 혜택을 얻게 될 것입니다. 이 새로운 현실에 대비하기 위해서는, 진단검사실이 정보를 디지털화하고, 이를 인덱싱하며, 쉽게 접근할 수 있는 형식으로 저장하는 것이 핵심이 될 것입니다.
참고문헌:
[1] A.I. Versus M.D., What happens when diagnosis is automated? The New Yorker, 2017
[2] Stanford algorithm can diagnose pneumonia better than radiologists, Stanford News, 2017 본 기사는 인도 뭄바이에서 열린 LEADx Diagnostics Leadership Summit에서 발표된 “Artificial Intelligence in Healthcare and Diagnostics” 강연 내용을 기반으로 작성되었습니다.
