통합 검색어 입력폼

인공지능이 바꾸는 '헬스케어' 산업

조회수 2019. 3. 20. 08:17 수정
번역beta Translated by kaka i
번역중 Now in translation
글자크기 설정 파란원을 좌우로 움직이시면 글자크기가 변경 됩니다.

이 글자크기로 변경됩니다.

(예시) 다양한 분야의 재밌고 유익한 콘텐츠를 카카오 플랫폼 곳곳에서 발견하고, 공감하고, 공유해보세요.

헬스케어를 주름잡는 AI 기술 성공사례
인공지능 헬스케어 분야에 투자하는 기업들

사람들은 인공지능(AI) 기술 하면 가장 먼저 무엇을 떠올릴까? 바로 바둑을 잘 두는 알파고나 소피아와 같은 인공지능 로봇을 먼저 떠올릴 것이다. 그러나 전문가들의 생각은 다르다. "앞으로 인공지능 기술은 '헬스케어' 분야에서 가장 큰 업적을 이룰 것"이라는 것이다. 미국 시장조사기관 'CB Insight'가 발표한 'Top AI Trends To Watch in 2018' 보고서를 보면 AI 스타트업 투자가 가장 많은 산업으로 '헬스케어'가 꼽힌 것을 보면 향후 인공지능 기술이 어떤 분야에서 두각을 드러낼 것인지 짐작할 수 있다.


다 아는 것처럼 우리 인간의 건강 문제를 다루는 헬스케어 시장은 전 세계에서 가장 큰 시장으로 성장했다. 이 큰 시장에 인공지능 기술이 적용되는 것은 어찌 보면 당연한 것이라 할 수 있다. 그렇다면 이 인공지능 기술은 앞으로 헬스케어 산업을 어떻게 바꿀까? 인공지능 기술로 인한 헬스케어 산업의 변화는 크게 제품과 서비스 두 가지로 살펴볼 수 있다. 첫 번째 '제품'은 병을 진단하거나 치료하는 기기의 엄청난 발전을 불러올 것이며, 두 번째 '서비스'는 사람의 건강 유지 및 관리를 위한 다양한 서비스의 발전을 불러올 것이다.


첫 번째 '제품'의 영역을 조금 더 깊이 살펴보면, 지금까지 사람의 판단에 의존해 온 여러 가지 치료법들을 인공지능이 대체할 가능성이 매우 크다. 인공지능은 혈액, 유전자, 신체조직 등을 면밀히 분석해 병의 발병 상황 및 그 가능성을 판단해 즉시 알려줄 것이며, 질병이 있는 환자의 경우 면밀히 분석한 데이터를 의료진에게 보고해 적절한 치료법을 즉시 받을 수 있도록 안내할 것이다. 일예로 IBM '왓슨'은 환자의 진단정보와 논문 등 각종 의학정보를 분석해 의사에게 적합한 치료법과 근거를 제공하고 있다. 의사는 왓슨의 제안 내용을 바탕으로 최적의 치료법과 우선순위에 따라 환자를 진료하게 된다.

진료 기술의 발전과 치료 비용을 감소시키는 AI

무엇보다 신약 개발 분야에서도 인공지능은 무한한 가능성을 제공할 것이다. 보통 약은 많은 시간 높은 비용을 들여야만 하는데, 인공지능 기술 덕분에 시간과 비용의 감소를 불러올 수 있으며, 그동안 개발하지 못했던 희귀 질환을 치료할 수 있는 신약 개발도 앞으로 가능성이 높다. 국내 신약 개발 분야의 스타트업 '스탠다임(Standigm)'도 인공지능 기술과 시스템생물학 기술을 접목해 신약 개발 기간을 획기적으로 단축시킬 수 있는 컴퓨터 모델링 기술을 개발한 바 있다. 스탠다임의 이 기술은 방대한 데이터를 분석해 인간이 생각하기 어려운 패턴을 파악하는 것이 핵심으로 딥러닝 알고리즘을 기반으로 정보를 분석, 통합해 신약이 될 가능성이 가장 높은 후보를 예측해 낸다. 단순히 결과를 예측할 뿐만 아니라, 해당 후보가 어떻게 만들어지는지에 대한 설명까지 제공하는 것으로 알려졌다.


두 번째 '서비스'의 영역을 조금 더 깊이 살펴보면, 고객에게 직접적으로 제공되는 서비스의 다양한 변화가 예상된다. 즉, 인공지능이 모니터링해서 예측한 건강정보가 알람 등을 통해 실시간 제공되어 고객의 행동변화를 유도한다. 특히 병을 치료하고 있는 환자의 경우 AI가 지속적으로 데이터를 모니터링하고 있다가 위험을 미리 예측해 환자 및 의사에게 즉시 보고한다. 이로 인해 환자는 즉시 치료의 방법과 행동을 개선하게 되고, 의사도 즉시 출동해 환자를 더 빨리 치료할 수 있게 된다.


또한 AI의 분석 및 예측의 정확도 향상을 통해 오진, 의료사고, 과징진료 등의 문제를 해결할 수 있고, 비용 등의 측면에서 낭비되는 요소를 줄여줄 수 있다. IBM '왓슨'과 같은 AI 기술은 기존보다 병원치료 비용을 약 50% 정도나 감소시킬 수 있을 것으로 예상하고 있다. 따라서 AI는 환자 치료 및 관리 능력의 향상으로 헬스케어 시스템의 운영 효율성 향상을 가져올 것이며, 민간 및 공공의 데이터를 통합 분석해 다양한 헬스케어 서비스 상품의 출시를 촉진할 전망이다.

1. 구글의 암 탐지 기술 'LYNA'

구글의 인공지능 부문(Google AI)은 샌디에고 해군 의료센터(Naval Medical Center San Diego)와 공동으로 유방암 림프절 전이를 자동 감지하는 새로운 암 탐지 알고리즘을 개발했다. LYNA라고 명명한 이 인공지능 시스템은 의학저널 ‘The American Journal of Surgical Pathology’의 논문을 통해 발표된 바 있다. 일반적으로 전이성 유방암은 의사들도 판별하기가 매우 어려운 암으로 정평이 나 있다. 2017년에 발표한 한 연구자료에 따르면 숙련된 의사도 제한된 시간과 제약 하에서 미세한 암 전이 중 62%를 놓칠 수 있다는 예측을 내놓기도 했다.

LYNA는 병리학을 훈련할 때와 같은 프레임워크를 적용해 학습의 과정을 통해 탄생했다. 오픈소스 이미지 인식 딥러닝 모델인 ‘인셉션-v3(Inception-v3)’을 바탕으로 입력된 이미지에서 픽셀 수준까지 암을 찾아낼 수 있다. 연구팀은 LYNA를 학습시키는 과정에서 교육에 이용하는 조직 라벨을 양성과 종양 비율을 4:1로 적용해 학습 효율을 높이는 데 성공했다. 그 결과 LYNA는 전이성 유방암에 대한 영상진단 정확도 측정에서 무려 99.3%에 달하는 정확도를 달성했다. 물론 오인 사례도 있었지만 기포나 출혈, 염색 과다 등 결함에 영향을 받지 않고 인간보다 뛰어난 전이성 유방암 탐지 능력을 보여준 것은 틀림없는 사실이다.

LYNA는 병리학보다 높은 전이성 유방암 탐지 능력을 갖췄으며, 병리학 진단 지원을 통해 진단 과정의 효율성 향상은 물론 오류 감소에도 도움을 줄 수 있을 것으로 예상된다.

2. 스탠포드 대학교의 피부암 판별 기술 'CNN'

스탠포드대학 연구팀도 딥러닝을 활용해 피부암 여부를 이미지로 확인할 수 있는 알고리즘을 발표했다. 지난해 1월 학술지 네이처에 게재된 연구 결과에 따르면 피부암 진단은 주로 육안이나 현미경을 이용한 사람의 눈을 통해 이뤄진다. 피부암이라고 확신하거나 육안으로 판단이 서지 않을 때에는 다음 단계로 넘어간다.

연구팀은 사람의 눈에 해당하는 부분을 모두 컴퓨터에 맡겼다. 피부과에서 현미경으로 보는 것처럼 피부암이 의심되는 부위의 사진을 찍어 암 여부를 확인한다. 연구팀은 CNN(convolutional neural networks) 알고리즘을 통해 1,000개체 유형에 달하는 이미지 128만 장을 학습시켰다. 또 의학계나 인터넷 등에서 수집한 2,032종의 질병에 속하는 129,450개 데이터를 적용해 CNN을 학습시켰다. 그 결과 CNN은 370개 정도의 피부암 사례에 대하여 피부과 전문의 21명이 진단한 것과 거의 비슷한 진단 결과를 내놓았다.

유방암이나 피부암은 모두 이미지 인식과 데이터 학습을 통해 진단이 이뤄진다. 앞으로 스탠포드 연구팀은 스마트폰에서도 이 같은 인지가 가능하도록 기술을 개발할 계획이다. 이렇게 되면 앞으로 사용자는 스마트폰 촬영만으로 피부암과 같은 질병을 즉시 판별할 수 있게 될 것이다.

3. 인공지능 신약개발 기업 '신테카바이오'

현재 국내에서 AI 기술을 활용해 신약을 개발하고 있는 기업으로 In-Silico 제약사를 표방하고 있는 기업인 신테카바이오(Syntekabio)와 스탠다임(Standigm)을 들 수 있다. In-Silico 제약사란 실제 실험실 연구원이 실험도구 등을 사용해 신약을 개발하는 것이 아니라, 컴퓨터 시뮬레이션 등을 이용해 가상의 환경에서 실험을 통해 신약을 개발하는 제약사를 말한다.

신테카바이오는 타깃과 후보약물 간의 정확한 결합도를 예측하는데, 이 AI를 사용해 합성의약품을 개발할 예정이다. 이를 위해 이미 유한양행, CJ헬스케어 등과 신약 개발 MOU도 체결한 바 있다.

신테카바이오처럼 In-Silico 개념의 신약 개발이 가능하게 된 이유는 염기서열 정보, 3차원 단백질구조 등 분자생물학 데이터가 폭발적으로 증가하면서 딥러닝(Deep Learning)을 통해 대량의 분자생물학, 화합물 활성 데이터 등을 효율적으로 분석할 수 있게 됐기 때문이다.

이뿐 아니라 많은 양의 분자생물학 데이터를 빠르게 분석할 수 있는 대규모 연산처리 장치, 저장장치 등의 컴퓨팅 자원을 클라우드를 통해 활용할 수 있게 됐기 때문에 ‘타깃’에 더 잘 반응할 수 있는 신약 후보물질을 탐색할 수 있게 되었고, 이 후보물질을 주입했을 때 더 큰 효능을 얻을 수 있는 환자들을 선별하는 데 도움을 줘 신약개발을 효율적으로 할 수 있게 됐다.
이 콘텐츠에 대해 어떻게 생각하시나요?