의료 AI 파운데이션 모델, 위기의 한국 의료를 바꿀 네 갈래 변화 — 서울대 세미나 정리

핵심 메시지

• 알파고 이후 10년간 의료 AI는 영상·병리 판독처럼 좁은 전문 영역을 보조하는 도구였지만, 생성형 모델 이후로는 전문가 수준의 동반자를 목표로 하는 단계로 넘어왔다는 것이 발표의 출발점이다.
• 발표자는 한국 의료의 위기를 의사 수를 늘리고 지원을 더하는 문제가 아니라 의료 시스템 전체의 디지털 전환 문제로 봐야 한다고 주장했다.
• AI가 의료에 기여할 수 있는 지점을 생산성·효율 증가, 의료 수준 개선, 접근성 강화, 의료 영역 확대의 네 갈래로 정리했다.
• 미국에서는 의료진 절반 이상이 대규모 언어 모델 기반 근거 검색 서비스를 쓰면서 더 이상 검색 엔진에 묻지 않는 상황이 됐다고 소개했다.
• 한국 상황에 맞는 공공 의료 파운데이션 모델을 확보하는 일은 산업 경쟁력을 넘어 국민의 건강권·의료 주권과 연결된 문제라고 규정했다.

쉽게 이해하기

서울대학교 관정관에서 열린 '한국형 의료특화 AI 개발 공동 세미나'의 첫 발표다. 발표자는 영상의학과 의사이자 국가인공지능전략위원회의 기본의료 태스크포스를 이끌고 있으며, 20년 가까이 국내 공학 연구자·기업들과 함께 의료 AI를 개발해 왔다고 자신을 소개했다. 그는 생성형 AI가 등장하던 무렵부터 한국이 보건의료 특화 파운데이션 모델을 직접 만들어야 한다고 주장해 왔지만 당시에는 "한국에서 그럴 힘이 있느냐"는 반응을 많이 들었다고 회고했다.

발표는 지난 10년의 흐름을 먼저 짚는다. 2016년 11월 한 의학 학술지에 실린 당뇨병성 망막병증 판독 연구가 상징적인 출발점이었다. 그전까지 안과 의사들이 도제식 경험으로 전수하던 안저 영상 판독을, 약 10만 건 규모의 데이터로 학습한 모델이 전문가 수준으로 해낸 것이다. 이후 피부암과 병리로 같은 방식이 확산되면서 현재 미국에서는 1천 건 이상, 한국에서도 300건가량의 AI 의료기기가 승인된 상태라고 그는 설명했다.

그러나 최근 3~4년의 변화는 성격이 다르다는 것이 발표의 핵심이다. 트랜스포머와 생성형 AI가 등장하면서 의료에도 파운데이션 모델 개념이 들어왔고, 발표자는 이를 "의사 면허를 통과할 정도의 지능을 먼저 만든 뒤, 전공의를 수련시키듯 특화 분야를 조금만 더 학습시켜 전문가에 필적하는 모델을 만드는 것"으로 설명했다. 과거에는 특정 전문 영역을 도와주는 수준을 이야기했다면 지금은 전문가 수준의 동반자를 이야기하는 단계로 건너왔다는 것이다.

그는 AI의 기여를 네 갈래로 정리했다. 첫째는 생산성으로, 진단 보조와 자동 의무기록 작성이 여기 해당한다. 미국에서는 이미 여러 사업자가 경쟁하는 시장이 형성됐고 한국에서도 대형 플랫폼을 포함해 다양한 회사가 뛰어들었다. 둘째는 의료 수준 개선이다. 오래전 실패했던 임상의사결정 지원 개념이 다시 살아나 미국에서는 오픈에비던스 같은 서비스를 의료진 절반 이상이 쓰고 있고, 환자 기록을 넣으면 감별진단부터 투약까지 참고 문헌과 함께 근거를 제시한다고 소개했다. 여기에 의사와 의사 사이의 원격 협진, 그리고 중환자 악화 예측이나 흉부 사진으로 골다공증을 찾아내는 기회 검진 같은 예측 의료가 포함된다.

셋째는 접근성이다. 모두가 3차 병원으로 몰리는 구조 대신, 동네 의원이 AI와 협진 모델의 도움으로 대학병원에 준하는 정확도의 진료를 제공하는 '1.5차 의료'를 그는 제시했다. 여기에는 환자가 자기 상태를 이해할 수 있게 돕는 의료 지식 접근권도 포함된다. 넷째는 건강관리부터 노후 의료 복지까지를 하나의 데이터 흐름으로 잇는 영역 확대다. 연속혈당 측정 기반 관리 플랫폼이나 수술 후 환자의 상황을 이해하고 상담해 주는 가상 간호사가 예로 제시됐다. 발표자는 이 모든 것을 위해 한국이 함께 쓸 수 있는 공공 파운데이션 모델이 필요하며, 구글의 범용 모델만으로 한국 현장에 맞는 에이전트를 만들 수 있다고 믿지 않는다고 못 박았다.

주요 인사이트

• 발표자는 인공지능이 기존 의료 체계를 대체한다는 프레임을 경계한다. 이해당사자가 많고 규제와 제도가 촘촘한 분야에서 '기존 체계를 기술 요소로 갈아치우겠다'는 접근은 성립하지 않으며, 새로운 시스템을 어떻게 설계할 것인가로 질문을 바꿔야 한다는 것이다.
• 2000년대부터 이야기돼 온 개인 맞춤·예방 중심 의료로의 전환이 번번이 실패한 이유를, 그는 기술이 없어서가 아니라 그 방식이 요구하는 전문가 수가 너무 많기 때문이라고 진단했다. 지능형 에이전트가 그 인력 격차를 메우는 열쇠라는 논리다.
• 예측 의료 사례로 소개된 연구들이 인상적이다. 영국 바이오뱅크 데이터로 학습한 개인화 질병 예측 모델이 덴마크의 다른 환자군에서도 10년 내 1천 종 이상 질환의 발생 예측에서 기존 전문가 시스템에 필적하거나 더 나은 성능을 보였다는 것이다. 다만 발표자 본인도 추가 검증이 필요하다고 단서를 달았다.
• 미국 전자의무기록 시장의 대부분을 차지하는 사업자가 보유한 3억 명분 기록 가운데 1억 명분을 분석해, 질병·합병증 발생은 물론 처방한 약을 실제로 복용할지, 응급실에 올 확률이 얼마인지까지 예측한다는 대목은 데이터 규모가 곧 예측력이 되는 현실을 보여 준다.
• 원격 협진은 수익 모델을 만들기 어렵다는 이유로 전 세계적으로 연구가 활발하지 않은 영역이라는 지적은, 기술적 난도보다 제도·비용 구조가 의료 AI의 확산을 좌우한다는 점을 드러낸다.

자주 묻는 질문

관련 AI 소식