서울대 의료 AI연구센터 계획 정리: 멀티모달 전주기 진단과 역문제 기반 의료 영상 재구성

핵심 메시지

• 단일 모달리티 의료 AI는 어느 정도 완성됐지만, 여러 모달리티를 하나로 통합하는 기술은 전 세계적으로 아직 자리 잡지 못했다.
• 센터의 핵심 전략은 기술 자체보다 공대·의대·병원을 잇는 컨소시엄 구성에 있다.
• EHR, 진료 기록, 의료 영상, 유전체, 디지털 병리를 묶어 진단 전 과정을 아우르는 원천 기술을 목표로 한다.
• 상용화의 병목으로 환각과 해석 불가능성을 지목하고, 이를 푸는 것을 공동 목표에 포함했다.
• 5년 과제는 진단에 집중하되, 10년을 보면 치료와 신약 개발까지 확장하는 그림을 이미 준비하고 있다.

쉽게 이해하기

서울대학교 AI연구원의 인공지능 연구지원사업에서 선도혁신연구센터로 선정된 의료 AI연구센터의 계획 발표다. 발표자는 이 지원이 그 자체로 끝나는 것이 아니라 더 큰 초대형 국가 과제를 수주하기 위한 발판이라고 위치를 잡는다. 그리고 그 목표를 이루는 데 가장 중요한 것은 개별 기술이 아니라 컨소시엄 구성이라고 반복해서 강조한다.

문제의식은 분명하다. 하나하나의 모달리티에 해당하는 AI 기술은 이미 상당히 개발됐지만, 실제 진단 현장에서 필요한 여러 모달리티의 통합은 아직 세계적으로도 이루어지지 않았다는 것이다. 발표자는 하버드조차 오믹스와 영상의학 등으로 연구가 파편화되어 있다고 지적하며, 이를 전주기적으로 묶는 일을 센터의 정체성으로 삼는다.

공동 목표는 크게 세 가지다. 첫째, EHR과 진료 기록, 의료 영상, 유전체, 디지털 병리를 아우르는 멀티모달 의료 데이터를 통합한다. 둘째, 그 위에서 전주기 진단 기술을 개발하되 임상 의사결정 지원까지 이어지도록 설계한다. 셋째, 상용화의 병목이 되는 환각 같은 문제를 원천 기술 차원에서 해결한다.

기술의 중심에는 역문제(inverse problem)가 놓인다. 발표자의 표현대로 보이지 않던 것을 보게 만드는 문제로, 측정값에서 3차원 영상을 되살리는 재구성 작업은 판독보다 훨씬 어려운 기술로 꼽힌다. 의료 영상에서 특히 중요한 세 모달리티로는 CT와 MRI, PET가 지목되는데, 각각 초기 진단과 2차·3차 진단으로 이어지는 과정에 대응한다. 여기에 수리과학 전공자가 합류하는 이유도 분명하다. 요즘 인공지능의 바탕에는 확산 모델처럼 통계물리에 기반한 정밀한 체계가 깔려 있기 때문에, 아래층의 이론과 가운데의 AI, 위층의 의료 응용이 함께 맞물려야 실제 상용화가 가능하다는 판단이다.

차별점으로는 판독을 넘어선 맥락 생성이 제시된다. 질환의 유무를 읽어내는 기술은 이미 존재하니, 진단 전후와 수술 전후의 맥락까지 AI가 만들어내도록 하겠다는 것이다. 발표자는 마지막에 시간축을 더 길게 잡는다. 5년짜리 과제는 진단을 위한 전주기 시스템에 머물지만, 10년을 보면 신약 개발까지 확장되는 진단·치료 통합 플랫폼이 된다는 구상이다. 그 근거로 알파폴드 계열의 원천 기술 확보, 파킨슨병 치료를 임상까지 성공시킨 하버드 연구진과의 공동 과제, 노벨상을 받은 데이비드 베이커 연구진과 막 시작한 공동 연구를 든다.

주요 인사이트

• 의료 AI에서 남은 난제가 모델 성능이 아니라 데이터 통합과 조직 구성이라는 진단은, 국내 연구 현장의 현실적인 판단으로 읽힌다.
• 진단 정확도보다 영상 재구성이 더 어려운 기술이라는 지적은, 의료 AI의 난이도가 눈에 보이는 결과물의 화려함과 비례하지 않음을 보여준다.
• 환각과 해석 불가능성을 연구 목표에 명시적으로 넣었다는 점은, 이 분야에서 상용화를 가로막는 것이 성능이 아니라 신뢰라는 인식을 반영한다.
• 수리과학·공학·임상이 각각 아래층·가운데층·위층을 맡는 구조는, 응용만 좇는 연구가 왜 상용화 문턱을 넘지 못하는지에 대한 답이기도 하다.
• 진단에서 시작해 치료와 신약 개발로 넘어가는 10년 로드맵은, 단일 과제가 아니라 후속 대형 과제를 염두에 둔 설계라는 점에서 연구 기획의 방식 자체를 보여준다.

자주 묻는 질문

관련 AI 소식