AI와 현대 의료가 만나는 지점: 집단건강과 정밀건강, 병리 파운데이션 모델 활용 사례

핵심 메시지

• 집단건강은 집단의 건강 결과와 그 격차를, 정밀건강은 개인의 유전체·영상·생활 데이터를 다루며 두 관점은 함께 가야 한다.
• 의료는 머신러닝의 응용 분야 하나가 아니라, 피드백 루프와 분포 변화와 생명이 걸린 위험을 안은 거대한 실세계 머신러닝 시스템으로 봐야 한다.
• 병리 영상 파운데이션 모델 비교에서, 슬라이드 설명문 생성까지 함께 학습한 모델이 특정 암 아형의 위양성을 눈에 띄게 줄였다.
• 전문 병리의가 없는 자원 제약 지역에서 이런 모델은 진단을 대신하기보다 어디를 봐야 할지 좁혀 주는 보조 도구로서 개념 검증 단계에 있다.
• 남은 과제는 생물학적 복잡성, 데이터 파편화와 분포 변화, 데이터 편향과 책임 소재, 임상 워크플로 통합과 규제 등 네 갈래로 나뉜다.

쉽게 이해하기

발표자는 시카고대 집단·정밀건강 연구소로 옮긴 데릭 라이먼으로, 강연은 두 단어를 구분하는 데서 시작한다. 집단건강은 집단의 건강 결과, 이를테면 사망률이나 질병 유병률을 보고 그 뒤에 놓인 결정 요인을 다룬다. 의료 접근성과 질, 흡연·운동·식습관 같은 건강 행동, 물리적 환경, 그리고 교육이나 직업·가족 지원 같은 사회적 요인이 그것이다. 연구에 따르면 어디에 사는지, 어떤 교육을 받았는지 같은 사회·환경 요인이 질환에 따라서는 가장 큰 영향을 미치기도 한다.

예로 든 것은 2022년 시카고의 비만 유병률 연구다. 유병률 분포를 녹지 면적, 자전거 이용 비율, 보행 친화성, 실업률, 빈곤율, 범죄율 같은 지역 특성과 나란히 놓고 본 연구인데, 보행 친화성과 과도한 임대료·소득 부담이 비만 유병률과 대체로 연관되는 것으로 나타났다. 집단건강 연구는 이렇게 아플 때만 개인을 치료하는 반응형 접근에서, 근본 원인을 다뤄 집단의 결과를 관리하는 쪽으로 무게를 옮긴다.

정밀건강은 반대 방향으로 간다. 집단 평균에 기반한 치료 계획에서 벗어나 유전체와 영상, 임상 검사와 진료 기록, 생활 습관과 환경, 그리고 최근에는 웨어러블 센서를 통한 연속 측정까지 개인 단위 데이터를 본다. 특징이 풍부한 데이터셋을 얻는 대신 결측과 잡음이라는 난제가 따라온다. 연구소가 지향하는 것은 둘 중 하나가 아니라 개인 맞춤이면서 동시에 형평성 있는 의료다. 미국 국립보건원의 대규모 코호트 사업처럼 과소대표 집단을 포함해 데이터를 모으는 시도가 그 토대가 된다.

강연의 중심 주장은 관점의 전환이다. 발표자는 같은 증상으로 서로 다른 병원에 도착한 두 환자의 이야기를 든다. 미열과 빠른 맥박처럼 그 자체로는 결정적이지 않은 신호들이지만, 활력징후와 검사 수치의 궤적과 상관관계를 이어 보면 앞선 수천 건의 사례를 닮아 간다. 한쪽 병원은 임상 기준을 충족할 때까지 기다렸다 반응하고, 다른 쪽은 모델이 새 데이터를 계속 반영해 악화 확률을 갱신하다 경보를 울려 여섯 시간 일찍 치료를 시작한다. 패혈증처럼 시간이 곧 예후인 질환에서 이 차이는 결과를 가른다.

그래서 질문은 AI가 의료에 들어와도 되는가가 아니라, 이미 의료의 얼마나 많은 부분이 AI 시스템이 되었는가로 바뀐다. 초기 성공 사례로는 패혈증 치료에 강화학습을 적용한 연구, 여기서 확장된 상태 악화 조기 경보 시스템, 엑스레이와 영상의학 판독에 쓰인 합성곱 신경망, 환자 위험 층화, 그리고 유전 변이 해석이 꼽힌다. 특히 단백질 접힘 예측 모델의 등장으로 변이가 접힘을, 나아가 기능을 어떻게 바꾸는지까지 볼 수 있게 됐다.

발표자가 소개한 연구는 병리 슬라이드 분류다. 조직 표본은 해상도가 매우 높아 통째로 넣을 수 없으므로 작은 타일로 쪼개 각각을 인코딩한 뒤 다시 슬라이드 단위 표현으로 모은다. UNI, Prov-GigaPath, PRISM 세 파운데이션 모델을 비교했는데, 데이터는 비소 노출 위험이 있는 방글라데시 코호트에서 나온 약 2천 장의 염색 슬라이드와 553건의 생검으로, 양성 조직과 보웬병, 기저세포암, 침습성 편평세포암 네 가지 아형을 담고 있다.

결과에서 두드러진 것은 PRISM의 보웬병 위양성률이 뚜렷하게 낮았다는 점이다. 이 모델만 타일을 인코딩하는 데 그치지 않고 병리의가 쓸 법한 슬라이드 설명문을 생성하는 과제를 함께 학습했다. 주의 집중을 살펴보면 다른 모델들이 암이 있는 영역만 좁게 보는 반면 PRISM은 조직의 경계까지 훑는다. 전체를 서술해야 하는 과제 덕분에 시야가 넓어졌고, 병변이 표피에 머무르는지 진피까지 침윤했는지를 함께 보게 되어 아형 구분이 정확해졌다는 해석이다.

마무리는 남은 과제와 방향이다. 병원마다 기록 구조가 달라 데이터를 합치는 데만 큰 비용이 들고, 모아 온 데이터 자체가 이미 의료 접근성이 있는 인구에 치우쳐 있다. 오진의 대가가 생명이라는 점, AI가 해를 끼쳤을 때 책임 소재가 불분명하다는 점, 모델을 실제 진료 흐름에 어떻게 끼워 넣고 지속적으로 감시할 것인가도 남는다. 발표자가 그리는 먼 목표는 폐루프 학습 시스템, 즉 심장 같은 개별 기관을 넘어 여러 생체 시스템을 함께 모사하는 디지털 트윈이다.

주요 인사이트

• 발표자는 의료 AI의 목표가 더 나은 모델을 만드는 것이 아니라, 지금까지 모델링된 것 중 가장 복잡한 환경에 통합될 수 있는 견고하고 배포 가능하며 적응적인 학습 시스템을 설계하는 것이라고 정리한다.
• PRISM 사례는 부가 과제가 성능을 끌어올린 예다. 슬라이드 전체를 서술하도록 학습시키자 모델이 병변 부위만이 아니라 조직 전반을 보게 되었고, 그 넓은 시야가 침윤 깊이 판단에 도움이 됐다.
• 소수 예시만 주석한 뒤 조직 유형별 임베딩을 학습시키자 표피에서 진피로 이어지는 병변의 전이가 임베딩 공간에서 궤적처럼 드러났고, 학습에 쓰이지 않은 조직에서도 편평세포암과 보웬병, 진피와 표피를 그럭저럭 짚어 냈다.
• 청중이 지적한 배포의 난점도 흥미롭다. 벤치마크에서 분류를 잘하던 모델이 실제로 도입되면 그 예측이 의사 결정에 쓰이면서 개입과 결과의 인과 관계 자체를 바꿔 놓아, 새로운 분포 변화를 만들어 낸다는 것이다.
• 데이터 편향은 기술 문제 이전에 수집 구조의 문제다. 축적된 의료 데이터는 애초에 의료에 접근할 수 있었던 사람들의 기록이며 서구 중심이라, 아시아와 아프리카, 중동 인구는 규모 있게 대표되지 못한다.

자주 묻는 질문

관련 AI 소식