사람 중심 AI 의료 현장 보고 - 저비용 진단기, 전문가 검증 챗봇, ICU 예측 모델까지

핵심 메시지

• 2만 달러짜리 각막 지형도 검사 장비를 스마트폰 부착형 20달러 장치로 대체하고 설계를 전부 오픈소스로 공개하자, 인도 기업이 이를 실제 의료기기로 상용화했다.
• 환자 질문에 의사가 최종 확인을 하는 '전문가 개입형 챗봇'은 지식베이스에 답이 없으면 모른다고 답하도록 설계돼, 환각 위험이 큰 의료 영역에서 정확도를 지킨다.
• 인도의 한 중환자실에서는 활력징후 시계열만으로 최대 8시간 전에 쇼크 발생을 예측하는 모델을 만들어 실제 병원에 배치했다.
• 위성·수문 데이터를 다루는 농촌 기후 대응 도구는 의사결정을 자동화하기보다 주민 참여를 늘리는 방향으로 설계됐다.
• 발표자들이 공통적으로 강조한 것은 모델 성능이 아니라 데이터 격차, 도메인 전문가와의 협업, 그리고 실제 배치 이후의 검증이었다.

쉽게 이해하기

마이크로소프트 리서치가 진행한 이 세션은 디자인·HCI와 의료를 주제로 인도의 연구자들이 각자의 프로젝트를 발표하는 자리였다. 공통점은 최신 모델을 자랑하는 대신, 의사가 부족하고 데이터가 흩어져 있으며 인터넷 환경도 고르지 않은 현장에서 AI를 어떻게 실제로 굴릴 것인가를 다뤘다는 점이다.

첫 발표자인 모히트 자인 수석연구원은 스마트폰을 의료기기로 바꾸는 저비용 진단 연구를 소개했다. 인도 10대 실명의 주요 원인인 원추각막을 진단하려면 2만 달러짜리 각막 지형도 검사 장비가 필요한데, 연구팀은 직접 3D 프린팅한 스마트폰 부착 장치와 영상 처리 파이프라인으로 20달러 수준의 대안을 만들었다. 마이크로소프트가 의료기기를 제조하지 않기 때문에 하드웨어·소프트웨어·소스코드를 전부 MIT 라이선스로 공개했고, 여러 나라에서 문의가 쏟아진 끝에 벵갈루루의 한 기업이 이를 받아 실제 제품으로 출시했다. 아이폰이 포함돼 2천 달러 수준이지만 기존 대비 10분의 1 가격이다.

두 번째 축은 '전문가 개입형 챗봇'이다. 인도에서는 인구 1만 명당 의사가 7명 수준이라 의사가 환자와 길게 대화할 시간이 없다. 연구팀은 왓츠앱에서 동작하고 음성·다국어 질문을 받는 봇을 만들되, 모든 답변을 의사가 검증하도록 했다. 의사는 답을 직접 고쳐 쓰는 대신 '3일이 아니라 2주'처럼 짧은 피드백만 남기면 되고, 같은 질문이 세 번 이상 검증되면 사전 검증 답변으로 승격돼 다음 환자에게 즉시 제공된다. 지식베이스에 근거가 없으면 봇은 답을 지어내지 않고 모른다고 말한다. 백내장 수술 환자, 지역 보건요원, 두경부암 환자 등 여러 곳에 배치됐고 평균 검증 지연은 1시간 40분 정도였다.

세 번째는 문진 자체를 다루는 연구다. 발표자는 대규모 언어모델이 의사 면허시험 점수에서 앞선다는 주장이 현실과 다르다고 지적했다. 실제 진료에서는 정보가 한꺼번에 주어지지 않고 질문과 답변을 주고받으며 조금씩 드러나기 때문이다. 연구팀은 20개 진료과, 약 4,400건 규모의 데이터셋을 만들고 질문 에이전트·요약 에이전트·지식그래프 검색·10개 전문의 앙상블·선택 에이전트로 구성된 구조를 설계했다. 대화 전문을 그대로 넘기는 대신 요약본을 전달하자 정확도가 약 5% 올랐고, 전체 시스템은 57%, 정보를 처음부터 모두 주는 이상적 조건은 66%를 기록했다.

이어진 발표들은 의료를 넘어 인도 사용자 환경 전반으로 확장됐다. IIT 봄베이의 인터랙션 디자인 교수는 모국어 입력, 색과 아이콘으로 찾는 전화번호부처럼 문해력이 낮은 사용자를 위한 오래된 미해결 문제들을 보여주며, 인간의 노력이 사라지면 결과물의 가치도 사라진다고 주장했다. IIT 델리 연구팀은 위성 데이터 기반 토지 피복 분류와 40여 개 알고리즘이 연쇄적으로 재계산되는 파이프라인 위에 마을 단위 물·산림 계획 도구를 만들어 400개가 넘는 마을에서 쓰고 있는데, 핵심 메시지는 'AI는 덜, 참여는 더'였다.

마지막 두 발표는 병원 데이터와 분산 학습을 다뤘다. 델리의 한 소아 중환자실은 하루 약 1GB의 데이터를 만들어 내지만 그대로 덮어써서 사라지고, 벤더가 데이터 해제 비용으로 병상당 연 3천 달러를 요구하는 상황이었다. 연구팀은 직접 수집 체계를 만들어 15만 환자-시간 이상의 공개 데이터셋을 구축했고, 검사 결과 없이 활력징후만으로 최대 8시간 전 쇼크를 예측하는 모델을 200곳이 넘는 중환자실 데이터로 검증한 뒤 실제 병원에 배치했다. 다른 발표자는 심전도 라벨링을 약한 지도학습으로 자동화해 250~300시간 걸리던 작업을 1시간 수준으로 줄인 사례와, 데이터를 옮기지 않고 학습하는 연합학습, 임상 노트 구조를 반영한 검색 기법을 소개했다.

주요 인사이트

• 가격을 낮추는 것만으로는 확산되지 않는다. 연구팀이 설계를 전부 공개하자 비로소 제조사가 나타나 제품이 됐고, 오픈소스가 사실상 기술 이전 통로 역할을 했다.
• 의료 챗봇의 안전장치는 더 큰 모델이 아니라 '모른다고 말하게 하는 설계'와 의사의 최소 개입 검증 루프였다. 검증 부담을 줄이기 위해 반복 질문을 사전 검증 답변으로 승격시키는 구조가 핵심이다.
• 시험 점수와 진료 능력은 다르다. 실제 진료는 정보를 조금씩 캐내는 과정이며, 연구팀은 문진을 60~80문항 설문이 아니라 평균 7개 안팎의 표적 질문으로 줄이는 것을 목표로 삼았다.
• 진단 결과를 의사에게도 환자에게도 보여주지 않기로 한 결정은, 배치 초기에 판단을 오염시키지 않으려는 신중함을 보여준다.
• AI 도구가 지역사회에 들어갈 때 자동 결정 도구로 쓰이면 주민의 결정권을 빼앗지만, 지도 위에 격차를 드러내는 논의 도구로 쓰이면 참여를 늘린다는 관찰이 반복해서 등장했다.
• 예측 모델이 항생제 남용을 늘릴 것이라는 우려와 달리, 합리적 사용을 유도해 사용률을 75%에서 55% 수준으로 낮췄다는 결과가 보고됐다.

자주 묻는 질문

관련 AI 소식