You are looking for information, articles, knowledge about the topic nail salons open on sunday near me 인공 지능 헬스 케어 on Google, you do not find the information you need! Here are the best content compiled and compiled by the https://toplist.pilgrimjournalist.com team, along with other related topics such as: 인공 지능 헬스 케어 인공지능 헬스케어 사례, 인공지능 헬스케어 전망, ai와 헬스케어, 헬스케어 딥러닝, 인공지능 헬스케어 문제점, 헬스케어 인공지능 책, 인공지능 헬스케어 시장, ai 헬스케어 기업
Table of Contents
인공 지능 헬스 케어
- Article author: www.hnconsulting.co.kr
- Reviews from users: 108
Ratings - Top rated: 4.6
- Lowest rated: 1
- Summary of article content: Articles about 인공 지능 헬스 케어 인공지능 기술의 발전을 통해 미래 헬스케. 어 서비스는 방대한 양의 유전자 정보를 스스로 분석하고 학습하여. 질환 발현시기를 예측하거나, 개인 맞춤형 진단 및 생활 … …
- Most searched keywords: Whether you are looking for 인공 지능 헬스 케어 인공지능 기술의 발전을 통해 미래 헬스케. 어 서비스는 방대한 양의 유전자 정보를 스스로 분석하고 학습하여. 질환 발현시기를 예측하거나, 개인 맞춤형 진단 및 생활 …
- Table of Contents:
Vol.67
- Article author: www.kca.kr
- Reviews from users: 47144 Ratings
- Top rated: 4.9
- Lowest rated: 1
- Summary of article content: Articles about Vol.67 현재 헬스케어에서 활발하게 인공지능이 적용되고 사례도 많이 알려진 분야가 이미지 인식을 중심으로 한 진단 분야이다. 이는 현재의 인공지능 시대를 이끈 머신러닝/딥 … …
- Most searched keywords: Whether you are looking for Vol.67 현재 헬스케어에서 활발하게 인공지능이 적용되고 사례도 많이 알려진 분야가 이미지 인식을 중심으로 한 진단 분야이다. 이는 현재의 인공지능 시대를 이끈 머신러닝/딥 …
- Table of Contents:
[í¹ì§] ì¸ê³µì§ë¥ê³¼ í¬ì¤ì¼ì´ì ìµí©, 기ì ì¬ì í ìì¥ í¤ì´ë¤
- Article author: elec4.co.kr
- Reviews from users: 947 Ratings
- Top rated: 4.9
- Lowest rated: 1
- Summary of article content: Articles about [í¹ì§] ì¸ê³µì§ë¥ê³¼ í¬ì¤ì¼ì´ì ìµí©, 기ì ì¬ì í ìì¥ í¤ì´ë¤ 인공지능 헬스케어는 △신속 정확한 정밀 진단 및 치료 △일관성 있는 개인별 맞춤형 질병 예측 및 예방 △시공간의 제약이 없는 측정, 진료 등의 특징을 … …
- Most searched keywords: Whether you are looking for [í¹ì§] ì¸ê³µì§ë¥ê³¼ í¬ì¤ì¼ì´ì ìµí©, 기ì ì¬ì í ìì¥ í¤ì´ë¤ 인공지능 헬스케어는 △신속 정확한 정밀 진단 및 치료 △일관성 있는 개인별 맞춤형 질병 예측 및 예방 △시공간의 제약이 없는 측정, 진료 등의 특징을 … âì¸ë¥ì ê±´ê°ì íì í ì ìëë¡ ì¸ê³µì§ë¥(AI)ì´ í¬ì¤ì¼ì´ ì°ì ìì ë¹ì ë°í ìê¸°ê° ëëíë¤.â
- Table of Contents:
![[í¹ì§] ì¸ê³µì§ë¥ê³¼ í¬ì¤ì¼ì´ì ìµí©, 기ì ì¬ì
í ìì¥ í¤ì´ë¤](2021/202012038s.jpg)
인공 지능 헬스 케어
- Article author: www.koreascience.or.kr
- Reviews from users: 36921 Ratings
- Top rated: 4.8
- Lowest rated: 1
- Summary of article content: Articles about 인공 지능 헬스 케어 헬스케어산업에서의 인공지능 활용 동향. A Trend of Artificial Intelligence in the Healthcare. 이새봄, 송재민, 박아름. 경희대학교 빅데이터연구센터. …
- Most searched keywords: Whether you are looking for 인공 지능 헬스 케어 헬스케어산업에서의 인공지능 활용 동향. A Trend of Artificial Intelligence in the Healthcare. 이새봄, 송재민, 박아름. 경희대학교 빅데이터연구센터.
- Table of Contents:
Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업 – 기술과혁신 웹진
- Article author: webzine.koita.or.kr
- Reviews from users: 12757 Ratings
- Top rated: 4.8
- Lowest rated: 1
- Summary of article content: Articles about Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업 – 기술과혁신 웹진 인공지능은 혈액, 유전자, 신체조직 등을 면밀히 분석해 병의 발병 상황 및 그 가능성을 판단해 즉시 알려줄 것이며, 질병이 있는 환자의 경우 면밀히 분석한 데이터를 … …
- Most searched keywords: Whether you are looking for Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업 – 기술과혁신 웹진 인공지능은 혈액, 유전자, 신체조직 등을 면밀히 분석해 병의 발병 상황 및 그 가능성을 판단해 즉시 알려줄 것이며, 질병이 있는 환자의 경우 면밀히 분석한 데이터를 … Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업 Tech Issue는 글로벌 기술 트렌드 및 해외 유망 기술을 소개하기 위해 (주…
- Table of Contents:
Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업
(사)한국산업기술진흥협회
다양한 헬스케어 기술…인간의 삶의 질을 향상시켜 < 산업 < 기사본문 - AI타임스
- Article author: www.aitimes.com
- Reviews from users: 41115 Ratings
- Top rated: 4.4
- Lowest rated: 1
- Summary of article content: Articles about 다양한 헬스케어 기술…인간의 삶의 질을 향상시켜 < 산업 < 기사본문 - AI타임스 다양한 헬스케어 기술을 통한 의료 혁신이 빠르게 이뤄지고 있어 인류의 삶의 질이 급속히 개선될 전망이다. 현재 의료 산업은 인공지능, 모바일 기술 ... ...
- Most searched keywords: Whether you are looking for 다양한 헬스케어 기술…인간의 삶의 질을 향상시켜 < 산업 < 기사본문 - AI타임스 다양한 헬스케어 기술을 통한 의료 혁신이 빠르게 이뤄지고 있어 인류의 삶의 질이 급속히 개선될 전망이다. 현재 의료 산업은 인공지능, 모바일 기술 ... 다양한 헬스케어 기술을 통한 의료 혁신이 빠르게 이뤄지고 있어 인류의 삶의 질이 급속히 개선될 전망이다. 현재 의료 산업은 인공지능, 모바일 기술, IoT, 웨어러블과 같은 새로운 기술이 유기적으로 연결되면서 급속히 발전하고 있다. 현대의료기술을 발전시키고 있는 핵심 자원은 각종 디지털 기술과 방대한 양의 데이터로, 이를 어떻게 효율적으로 융합시키느냐가 관건으로 제시되고 있다. 글로벌 전염병의 영향으로 모든 산업 중에서 의료가 가장 많이 변화했다. 의료 서비스에 대한 높은 접근 수요와 보호된 건강 정보의 디지털화를 지원하는 데 필요헬스케어,원격진료,머신러닝,화상회의,증강현실,전자건강기록,가상현실,바이오프린팅,웨어러블,IoT
- Table of Contents:
인공 지능 헬스 케어
- Article author: skdt.co.kr
- Reviews from users: 9908 Ratings
- Top rated: 3.2
- Lowest rated: 1
- Summary of article content: Articles about 인공 지능 헬스 케어 인공지능 기술이 떠오르기 시작한 순간부터 의료, 헬스케어 분야는 많은 전문가로부터 관심을 받는 분야였습니다. 인공지능이 학술지, 논문, 진료 정보를 학습하여 … …
- Most searched keywords: Whether you are looking for 인공 지능 헬스 케어 인공지능 기술이 떠오르기 시작한 순간부터 의료, 헬스케어 분야는 많은 전문가로부터 관심을 받는 분야였습니다. 인공지능이 학술지, 논문, 진료 정보를 학습하여 …
- Table of Contents:
헬스케어 인공지능(AI) 전문가 | 인제대학교 의료·헬스케어IT공학과
- Article author: hit.inje.ac.kr
- Reviews from users: 37521 Ratings
- Top rated: 3.9
- Lowest rated: 1
- Summary of article content: Articles about 헬스케어 인공지능(AI) 전문가 | 인제대학교 의료·헬스케어IT공학과 의료기관이나 실생활에서 축적된 방대한 헬스케어 관련 빅데이터를 이해하고 분석할 뿐 아니라, 산업분야에서 활발히 활용되는 인공지능(AI) 기술을 적용하여 효과적인 … …
- Most searched keywords: Whether you are looking for 헬스케어 인공지능(AI) 전문가 | 인제대학교 의료·헬스케어IT공학과 의료기관이나 실생활에서 축적된 방대한 헬스케어 관련 빅데이터를 이해하고 분석할 뿐 아니라, 산업분야에서 활발히 활용되는 인공지능(AI) 기술을 적용하여 효과적인 …
- Table of Contents:
[보고서]의료계의 인공지능 기술의 응용 현황 및 미치는 영향
- Article author: scienceon.kisti.re.kr
- Reviews from users: 7327 Ratings
- Top rated: 5.0
- Lowest rated: 1
- Summary of article content: Articles about [보고서]의료계의 인공지능 기술의 응용 현황 및 미치는 영향 1. 개요 인공지능은 인간의 인지능력을 모방하는 것을 목적으로 한다. 최근 대량의 헬스케어 데이터가 이용 가능해지고, 분석기술이 빠르게 성장함에 따라 인공지능의 … …
- Most searched keywords: Whether you are looking for [보고서]의료계의 인공지능 기술의 응용 현황 및 미치는 영향 1. 개요 인공지능은 인간의 인지능력을 모방하는 것을 목적으로 한다. 최근 대량의 헬스케어 데이터가 이용 가능해지고, 분석기술이 빠르게 성장함에 따라 인공지능의 … 1. 개요
인공지능은 인간의 인지능력을 모방하는 것을 목적으로 한다. 최근 대량의 헬스케어 데이터가 이용 가능해지고, 분석기술이 빠르게 성장함에 따라 인공지능의 활용도 또한 헬스케어로 확장되고 있다. 이 보고서에서는 헬스케어에서 인공지능이 응용되고 있는 현황을 조사하고 미치는 영향 및 미래를 논의한다.
인공지능은 헬스케어 데이터가 구조화되어 있든, 자유로운 형식의 문장이든 상관없이 헬스케어 분야에 적용될 수 있다. 구조화된 데이터에 대해서는 서포트 벡터 머신(Support Vector Machine, SVM), 신경망(Neural Network), 딥러닝(deep learning) 등이 사용되고 있고, 구조화되어 있지 않은 데이터에 대해서는 자연언어 처리기술이 사용된다.
인공지능 기술을 사용하는 주된 질병에는 암, 신경학, 그리고 심장학이 있다. 이 보고서에서는 IBM 왓슨(Watson)과 같은 초기 인공지능 시스템이 이러한 분야에 적용되고 있는 현황과 인공지능이 실제로 적용될 때 빈번히 나타나는 장애에 대하여 논의한다.2. AI(인공지능) 헬스케어의 응용과 연구 헬스케어 기관
AI는 헬스케어와 사회복지서비스 분야에서 계획(planning)과 리소스 할당 업무에 이용될 수 있다. IBM 왓슨의 케어매니저 시스템은 비용 대비 효율성을 증가시키기 위해 개발된 시스템이다. 이 시스템은 할당된 예산 안에서 고객들의 필요를 충족시키는 케어 전문가를 찾아 각 고객과 연결시켜주는 역할을 한다. 또한 각 개인의 케어 플랜을 디자인하고, 케어 관리를 더 효과적으로 하기 위한 의견을 제공한다. AI는 환자 경험을 증진시키는 목적으로 사용되기도 한다. 영국 리버풀의 Alder Hey Children 병원은 ‘인지력 있는 병원(cognitive hospital)’이 되기 위해, 환자와의 상호작용을 증진시키는 앱을 개발하였고, 이를 위해 IBM 왓슨을 활용하고 있다. 이 앱은 환자가 병원을 방문하기 전부터 환자의 걱정과 문제점을 미리 인지하고, 환자가 원하는 정보를 제공하며, 환자의 적절한 치료를 위해 치료 정보를 가지고 있는 의료인을 대기시키는 등의 기능을 통해 환자의 병원에 대한 사용 경험의 향상을 꾀한다.3. AI를 이용한 의학 연구
AI는 크고 복잡한 데이터셋에서 이전보다 더 빨리 그리고 더 정확하게 패턴을 분석하고 인식하기 위해 사용될 수 있다. 이와 관련된 연구논문을 찾는 데 AI 기술이 이용될 수 있고, 다른 종류의 데이터를 결합하여 대량의 데이터셋을 구축하는 데에도 사용될 수 있다. 예를 들면, 신약 개발을 돕기 위한 AI 이용의 경우를 들 수 있다. 영국의 암 연구 기관인 canSAR의 데이터베이스는 유전과 관련된 의료 데이터로부터 AI를 사용하여 암 치료를 위한 약제 예측을 하고 있다. 연구자들은 약제 개발의 더 빠르고 경제적인 프로세스를 위해 디자인된 ‘Eve’라고 불리는 AI 로봇을 개발했다. 헬스케어에 사용되는 AI 시스템은 의료 연구에 적절한 환자를 매칭하는 과정을 도움으로써 의료 연구의 성과를 높이는 데 기여하고 있다.4. 의료 인공지능 연구의 개요
최근 인공지능 기술들이 헬스케어 분야에 큰 영향을 미치게 되면서, 인공지능을 가진 로봇 의사가 인간 의사를 대체할 수 있는지에 대한 논의가 활발하게 이루어지고 있다. 많은 연구자들이 인간 의사가 가까운 미래에 기계에 의해 대체되지 않을 것이라고 생각하는 듯하다. 그러나 인공지능이 더 나은 의료 결정을 내리기 위해 인간 의사를 도울 수 있고, 방사선학과 같은 헬스케어의 특정 기능 분야에서는 인간의 결정을 대신할 수도 있다는 데에는 이견이 없다. 헬스케어 데이터의 이용이 더 용이해지고 빅데이터 분석 방법이 빠르게 발달하고 있는 현시점에서 인공지능은 헬스케어 분야의 깊은 곳까지 그 영역을 확장하고 있다. 강력해진 인공지능 기술들은 방대한 양의 데이터에 숨겨진 의료 정보를 파악하고, 이렇게 파악된 정보는 의료 관련 결정을 내리는 데 영향을 미치게 된다.5. AI의 이용 가능 분야
헬스케어에서 AI의 이용이 가능한 분야는 다음과 같다.？ Medical Imaging: 이 분야에서 진단을 위해 스캔된 이미지는 체계적으로 저장되어왔고, 이로 인해 AI 시스템을 학습시키는 데 데이터로서 쉽게 이용이 가능하다. AI는 이미지를 분석하는 데 필요한 비용과 시간을 줄이는 기능을 하기 때문에, 더 나은 치료를 위한 더 많은 사진판독이 이루어질 수 있다. AI는 이미 폐렴, 유방암과 피부암 등을 판독하는 데 좋은 성능을 보이고 있다.
？ Echocardiography: 영국 옥스퍼드의 John Radcliffe 병원에서 시도하고 있는 Ultromics 시스템은 심장박동의 패턴을 인식하고 심혈관질환을 진단하는 Echocardiography 스캔을 분석하기 위하여 AI를 사용한다.
？ 뇌신경계 분석: 파킨슨병과 같은 뇌신경계와 연관된 질병을 진단하고 증상을 모니터하기 위해 음성 패턴을 분석하는 데 AI 도구가 이용되고 있다.6. AI 적용 질병 대상들
6.1. 죽음에 이르는 3대 질병에 대한 AI 응용
최근 AI가 헬스케어 분야에 활발히 이용됨에도 불구하고, 연구는 주로 암, 신경 시스템에 관련된 질병, 그리고 심장병 등 몇 개의 질병 타입에 초점을 맞추고 있다.？ 암(csancer): IBM Watson 시스템은 암 연구에 대해 이중맹검(double-blinded validation)을 도입함으로써 신뢰도 높은 AI 시스템을 만들고자 한다. 또한 피부암을 알아내기 위해 자동 이미지 분석기술을 도입했다.
？ 신경 시스템(neurology): Bouton은 사지마비 환자들의 움직임 제어를 복원하기 위한 AI 시스템을 만들었다. Farina는 의족을 제어하기 위해 척추 운동에 관여하는 뉴런의 활동 시간대를 사용하여 오프라인 인간/기계 인터페이스를 구축하였다.
？ 심장병(Cardiology): 심장 사진을 통해서 심장병을 진단하기 위한 AI 시스템 또한 연구되었다. Arterys는 심장 사진 판독 AI 기술의 응용을 시장화하기 위해 2017년에 US FDA로부터 허가를 받았다. 이 AI 응용기술은 기존의 심장 MRI 사진을 분석하여 자동화된, 그리고 수정 가능한 심실 분할(ventricle segmentations) 기능을 제공한다.앞에서 언급한 세 가지 질병은 죽음에 이르는 대표적인 원인이기 때문에, 이에 대한 조기진단이 환자의 건강을 해치는 것을 막는 데 필수적이다. 이러한 조기진단은 AI 시스템이 잘 작동하는 사진판독(imaging), 유전정보(genetic), 또는 전자의료문서(EMR)에 대한 분석 등을 활용하여 이루어지기 때문에 인공지능의 활용도를 극대화시킬 수 있다. AI는 상기 3가지 주된 질병뿐만 아니라 다른 질병에도 적용될 수 있다. 선천적 백내장을 진단하기 위해 눈 사진 데이터를 AI가 분석할 수 있고, 망막 사진을 통해 당뇨병성망막증을 인식하는 데 또한 AI가 활용될 수 있다.
6.2. 뇌졸중(stroke)에 대한 AI 응용
뇌졸중은 전 세계 5천억 인구에게 발생하는 흔한 질병이다. 중국에서는 뇌졸중이 죽음에 이르는 가장 큰 원인 중의 하나이고, 북미에서는 죽음에 이르는 질병 5위를 차지하고 있다. 뇌졸중은 세계적으로 689조 달러의 비용을 발생시키며, 각 나라와 가정에 커다란 경제적 부담이 되고 있다. 그러므로 뇌졸중을 방지하고 치료하는 연구는 전 세계적으로 중요한 이슈이다. 최근에는 AI 기술이 점점 더 많은 뇌졸중 관련 연구들에 사용되고 있다. 뇌졸중에 인공지능을 적용할 때 (1) 초기 질병 예측과 진단, (2) 치료, 그리고 (3) 결과 예측과 예후 평가의 세 단계로 구분할 수 있다.6.2.1. 초기 질병 예측과 진단
뇌졸중은 혈관 안에 생기는 혈전으로 인한 뇌경색이 85%를 차지한다. 그러나 초기 뇌졸중 증상에 대한 판단 부족으로, 제때에 적합한 치료를 받을 수 있는 환자는 얼마 되지 않는 실정이다. Villar는 뇌졸중을 초기에 진단하기 위해 움직임 인식(movement-detecting) 도구를 개발했다. 기계학습 알고리즘인 ‘유전자 퍼지 유한상태기계(genetic fuzzy finite state machine)’와 ‘주성분분석(PCA)’을 사용하여 솔루션을 제공하는 모듈을 개발하였다. 움직임 인식 프로세스는 인간의 활동 인식 단계와 뇌졸중 시작 예측 단계를 포함하고 있다. 환자의 움직임이 보통의 패턴과 심각한 수준으로 다른 정도를 보이면, 뇌졸중의 경고가 켜지고 가능한 한 빨리 치료를 시작하도록 유도한다. 이와 유사하게, Maninini는 뇌졸중 예측을 위해 평소의 걸음걸이와 뇌졸중 증상 중의 걸음걸이에 대한 데이터를 수집하였고, 이를 위해 몸에 착용 가능한 도구를 제안했다. 데이터는 은닉 마코프 모델(hidden Markov models)과 서포트 벡터 머신(SVM) 알고리즘에 의해 모델링되었고, 알고리즘은 해당 그룹에 대해 90.5%의 정확도로 분류할 수 있었다.
뇌졸중의 진단을 위해서, MRI와 CT를 포함한 뇌 사진 판독기술이 질병 예측에 매우 중요한 역할을 한다. 몇몇 연구는 뇌 사진 데이터에 대한 의사의 뇌졸중 진단을 돕기 위해 기계학습 방법을 적용하였다. Rehme는 휴지기 기능적(resting-state functional) MRI 데이터에 서포트 벡터 머신(SVM)을 사용했다. 그 결과 SVM 분류기를 통해 87.6% 정확도로 뇌졸중이 있는 환자를 구분해낼 수 있었다.6.2.2. 치료
기계학습은 뇌졸중 치료의 성능을 예측하고 분석하는 데 적용되고 있다. 비상 상황 예측의 결정적인 단계로서, 정맥 내 혈전용해의 결과는 향후 환자 상태와 생존율에 깊이 연관되어 있다. Bentley는 환자의 CT 스캔을 분석하여 전조가 되는 뇌출혈의 인식을 서포트 벡터 머신(SVM)으로 예측하였다. 이 연구에서는 SVM 분류기에 대한 입력 데이터로 뇌 사진을 사용하였다. 이 예측은 기존의 방사선학에 기반한 방법보다 더 좋은 성능을 보였다.6.2.3. 결과 예측과 예후 평가
수많은 요인들이 뇌졸중의 예후와 사망에 영향을 줄 수 있다. 기존 방법들과 비교하여, 기계학습 방법은 예측의 정확도를 향상시키는 장점이 있다. 임상적 의사결정(Clinical decision-making) 프로세스를 지원하기 위해, Zhang은 로지스틱 회귀(logistic regression)를 사용하여 뇌졸중 후에 48시간 동안 생리적인 상태를 분석함으로써 향후 3개월의 치료 결과를 예측하기 위한 모델을 제안했다.
Asadi 등은 급성허혈증뇌졸중과 후방순환계뇌졸중이 있는 107개의 환자의 동맥 내 치료(intra-arterial therapy)에 대한 임상 정보 데이터베이스를 구성했다. 이들은 인공신경망(artificial neural network)을 통해 데이터를 분석했고, 70% 이상의 예측 정확도를 보였다.
뇌졸중 치료의 결과를 예측하기 위해서는 뇌의 이미지가 분석되었다. Chen은 기계학습을 통하여 반구경색증(hemispheric infarction)에 따른 대뇌부종(cerebral oedema)을 평가하기 위해 CT 스캔 데이터를 분석했다. 그들은 자동으로 뇌척수액(cerebrospinal fluid)을 인식하고 CT 스캔 결과에 대한 변화를 분석하기 위해 랜덤 포레스트(random forest) 분류기를 구축했다. 그리하여 기존의 방법들보다 더 효율적이고 정확한 결과를 도출했다.7. AI의 한계
AI는 디지털 데이터에 의존한다. 디지털 데이터에 모순이 있거나 질이 낮을 경우 인공지능의 결과도 좋지 않게 된다. 또한 방대하고 복잡한 데이터셋을 분석하기 위해 고성능 컴퓨팅 파워가 요구된다. 많은 사람들이 의료기관에서의 AI의 사용에 대해 적극적이지만, 실제 사용에 있어서의 문제점에 대한 지적 또한 상당하다. 그 이유로, 첫째 의료 데이터가 일률적으로 디지털화되어 있지 않다는 것이다. 두 번째로, IT 시스템 및 데이터에 대한 라벨에 표준이 없고, 이로 인해 데이터 상호 간 정보처리에 한계가 발생한다. 셋째, 개인적인 의료 데이터의 디지털 공유에 환자들과 의료인들이 완전하게 동의하지 않는다. 마지막으로, 인간들은 AI 시스템이 할 수 없는 능력을 지니고 있다. 임상 의료인들은 종종 현재 AI가 따라 할 수 없는 복잡한 판단을 하고 능력을 발휘한다. 예를 들어 주변 환경으로부터의 지식과 사회적 신호(social cue)를 읽는 능력은 인공지능이 쉽게 배울 수 없는 것이다. 자체적인 판단과 이에 맞는 처치 또한 AI가 인간을 따라 할 수 없는 능력 중 하나이다.8. 어떻게 인공지능이 의료 분야에서 성공할 것인가
의료인들은 성능이 좋은 AI 기술을 두 팔 벌려 환영하는 자세를 갖는 것이 필요하다. Ochsner Health System 사진판독부의 부대표인 Ashley Clary는 이용 가능한 데이터를 확장하는 데 필요한 솔루션의 관점에서 AI의 위치를 설명한다. 일반적으로 우리 사회는 AI가 인간의 노동을 대체하는 것을 바람직하게 생각하지 않지만, Ochsner의 방사선전문의들은 AI 기술을 환영하고 있고, AI가 의료 분야에 이용되는 기회가 많아지기를 바라고 있다. 이 방사선전문의들은 반복적인 이미지 판독보다는 환자와 더 많이 연결될 기회를 갖기를 원하고 있다. 또한 복잡한 임상 의사결정과 중재적 방사선학(interventional radiology)과 같은 더 높은 레벨의 의료문제에 자신의 업무 시간을 쓰고자 한다. AI를 반복적인 이미지 판독에 이용하는 과정에 적용함으로써 의료인과 환자들은 더 많은 혜택을 얻게 될 것이고 궁극적으로 의료 분야의 진보라는 중요한 결과를 얻게 될 것이다.
이러한 변형 인공지능(transformative AI)이 일으키는 변화는 노동의 질과 생산성을 향상시키는 데 초점이 맞춰질 것이고, 앞으로 더 많은 의료인과 환자들이 쉽게 이러한 변화를 경험하게 될 것으로 보인다. Alexander Fogel과 Joseph Kvedar는 최근 《Nature》지에 다음과 같이 주장했다. “인공지능은 의료인들이 단지 인간만이 해낼 수 있는 일에 집중할 수 있도록, 그리고 그 일에 최선을 다할 수 있도록 도와줄 것이다.”9. 결론 및 논의
헬스케어에서 AI를 사용하고자 동기를 파악하고, AI가 분석한 다양한 헬스케어 데이터에 대해 알아보았다. 그리고 AI가 이용된 주된 질병 타입을 조사했다. AI 도구의 2개의 주된 카테고리인 기계학습(machine learning)과 자연어처리(natural language processing)를 통해 의료 데이터를 분석하고 분류할 수 있다. 의료 데이터의 기계학습을 위해서는 가장 유명한 보편적인 기술인 서포트 벡터 머신(SVM)과 인공지능(neural network), 그리고 현대 딥러닝 기술이 활용되고 있다. 뇌졸중 질병에 관해서는 AI가 적용될 수 있는 분야를 3개의 카테고리로 나누어 조사했다.
성공적인 AI 시스템은 구조화된 데이터(image, EP data, genetic data)를 다루기 위해 기계학습 컴포넌트를 가지고 있어야 하고, 비구조화된 자연어 문장에 대해서는 자연어처리 컴포넌트를 가지고 있어야 한다. AI 시스템이 질병 진단과 치료에 대한 조언을 통해 의료인을 돕는 데 사용되기 위해, AI 알고리즘은 헬스케어 데이터를 통한 학습 및 검증이 필요하다.
AI는 기복 없이 높은 질의 성능을 보장하면서 인간의 관심과 시간을 더 높은 레벨의 의료문제에 맞추게 함으로써 헬스케어의 질을 높이는 데 기여한다. Massachusetts General and Brigham & Womeneneral andat의 디렉터인 Dr. Mark Michalski는 다음과 같은 말을 하였다. ” 다는 의료인을 대체할 수 없을 것이다. 그러나 AI를 사용하는 의료인은 그렇지 않은 의료인을 대체할 것이다.”References
1. Jiang, F., Jiang, Y., Zhi, H., Dong, Y., Li, H., Ma, S., Wang, Y., Dong, Q., Shen, H. and Wang, Y.,. Artificial intelligence in healthcare: past, present and future. Stroke and vascular neurology, 2(4), pp.230-243. 2017.
2. Bioethics Briefing note, Artificial intelligence (AI) in healthcare and research, Nuffield Council on Bioethics, 2018. http://nuffieldbioethics.org/wp-content/uploads/Artificial-Intelligence-AI-in-healthcare-and-research.pdf
3. GE Healthcare, AI in Healthcare: Keys to a Smarter Future, General Electric Company, 2018. https://www.gehealthcare.com/-/media/b3a5e32538454cf4a61a4c58bd775415.pdf - Table of Contents:
의료계의 인공지능 기술의 응용 현황 및 미치는 영향
상세정보조회
원문조회
![[보고서]의료계의 인공지능 기술의 응용 현황 및 미치는 영향](https://scienceon.kisti.re.kr/images/usr/scienceon_og.png)
See more articles in the same category here: Toplist.pilgrimjournalist.com/blog.
Vol.67
Intro 들어가며 시장 데이터 전문 기업 스태티스타(Statista)는 2025년 세계 디지털 헬스케어 시장이 약 6,570억 달러 규모로 성장할 것으로 예측했다. 2019년 약 1,750억 달러, 올해 2,680억 달러를 거쳐 연평균 성장률(CAGR)이 25%에 이르는 높은 성장을 지속할 것이라는 전망이다. [2019~2025년 세계 디지털헬스 시장 예상 규모(스태티스타)] 또, 스태티스타는 헬스케어 가운데 인공지능이 차지하는 시장 규모가 2025년에 약 280억 달러에 이를 것으로 예측했다. 헬스케어 인공지능 시장 규모는 2016년 약 11억 달러, 2017년 약 14억 달러였던 것에 비해 매우 많이 증가한 것이다. 2017년 시장 규모를 기준으로 2025년까지의 연평균 성장률(CAGR)이 약 45%에 이를 정도로 전체 시장에 비해서도 매우 빠르게 성장하는 시장임을 알 수 있다.
Application of image-based AI 영상 진단 중심의 이미지 기반 인공지능 적용 현재 헬스케어에서 활발하게 인공지능이 적용되고 사례도 많이 알려진 분야가 이미지 인식을 중심으로 한 진단 분야이다. 이는 현재의 인공지능 시대를 이끈 머신러닝/딥러닝 기술의 발달과 그 궤적을 함께 한다. 잘 알려진 바와 같이 머신러닝 기술의 부흥은 앤드류 응 교수가 머신러닝 기술로 고양이 이미지를 식별하는데, 성공한 2012년 구글 브레인 프로젝트와 논문에서 시작된다. 이후 인공지능을 적용한 혁신 사례들이 등장하기 시작했는데 응 교수의 논문을 포함해 많은 경우 이미지 인식과 관련이 있다. 이는 기술적으로 머신러닝 기술이 이미지 분석에 강점이 있었기 때문인데, 헬스케어 분야도 이미지 인식과 진단에서 괄목할 성과들이 나오는 것도 같은 맥락에서 이해할 수 있다. 임상 현장에서 영상 진단은 X-레이, CT, MRI, 초음파 등의 기기를 통해 습득한 영상 정보를 판도하는 방식으로 이뤄진다. 이들 영상은 비침습적 방법으로 신체 상태, 질병 유무에 대한 정보를 효과적으로 습득할 수 있다는 장점이 있다. 하지만 의사라 하더라도 전문적인 영상 판독 훈련을 받지 않은 경우 높은 진단 정확도를 기대하기 어렵고, 영상의학 전문의라도 개인 역량에 의존할 수밖에 없는 분야가 영상 판독 분야다. 이런 문제를 극복하기 위해 해상도를 높이고, 조영제를 활용하거나 입체영상을 만드는 등 많은 기술적 발전이 이뤄져 왔고, 이제는 인공지능이 영상 판독의 정확성을 높이는 데 기여하고 있다. 인공지능이 영상 판독에 적용된 사례로 폐를 촬영한 X-레이 영상에 인공지능이 폐 질환이 의심되는 부위를 표시해주는 솔루션을 개발한 루닛이 있다. 이 솔루션은 인공지능이 폐 질환의 유무와 질환의 종류를 판별하는 것이 아니라 의사가 영상 판독에 도움을 받을 수 있도록 보조하는 방식을 사용하고 있다. 의사와 인공지능이 협력할 때 의사나 인공지능이 단독으로 판독할 때보다 정확도와 신뢰성이 높다는 것을 확인했기 때문이다. 이외에도 의료 사고에서의 책임 문제, 의료비 청구를 위한 비용의 문제 등도 고려된 것으로 알려졌다. 이외에도 뷰노, 제이엘케이인스펙션 등도 영상 판독과 관련된 솔루션을 개발하여 상용화에 박차를 가하고 있다.
R&D of New Drugs using AI 신약 연구 개발에서의 인공지능 활용 신약 개발로 창출되는 부가가치는 매우 크다. 많은 제약‧바이오 기업이 주목받고 투자를 받는 것도 미래 가치에 대한 기대감 때문이다. 하지만 신약을 개발하는 과정은 큰 비용과 긴 시간이 필요하다. 일반적으로 신약 개발은 후보물질 발굴, 전임상, 임상, 허가 및 시판의 과정을 거치며, 전통적인 방법으로 새로운 물질의 도출에서 최종 상용화까지는 약 15년이 걸린다고 한다. 그런데도 상용화에 성공하는 경우는 1%도 되지 않는다. 제약회사는 신기술을 적용해 시간과 비용을 줄이고자 하며, 최근 급속히 발전한 인공지능 기술도 제약 분야에 도입된 중요한 신기술 가운데 하나다. 신약 개발에서 인공지능이 가장 성공적으로 활용되는 단계는 후보물질 발견 단계다. 후보물질 발견 단계에서는 신약 개발 대상 질병을 선정하고 관련 연구 논문 등의 자료를 탐색해 치료제의 후보 물질을 선정한다. 이때 탐색의 대상이 되는 자료는 논문, 보고서, 생물학 정보 데이터 등으로 종류도 다양하고 그 분량도 지수적으로 증가하고 있다. 이렇게 많은 자료에서 수백 개에 이르는 요소들을 비교 검토해 후보물질을 발견하는데, 전 과정에 5년 정도의 시간이 걸린다. 인공지능은 자료 검토를 통한 화합물 탐색, 탐색 된 화합물 구조 정보와 단백질 결합능력의 계산 등을 통해 후보물질 발견 단계에서 소요 시간과 비용을 크게 줄여준다. [알파폴드: AI사용 신약후보물질 발견 (딥마인드)] 지난해 12월 딥마인드가 발표한 새로운 인공지능 ‘알파폴드’도 신약 후보물질 발견에 크게 기여할 것으로 기대되는 성과 가운데 하나다. 당시 딥마인드는 알파폴드가 단백질 구조 예측에서 실제 단백질 구조와 90% 이상 일치하는 정확도를 보였다고 밝혔다. 단백질은 다양한 아미노산이 사슬처럼 얽혀져 3차원의 입체 구조를 이루고 있다. 단백질 구조를 알기 위해서는 구성 아미노산을 파악하고 개별 아미노산 간의 상호작용을 계산하는 고도의 물리적, 생화학적 연구가 필요하다. 알파폴드는 복잡한 연구 과정 없이 과거 데이터를 바탕으로 높은 정확도로 계산하는 데 성공한 것이다. 이 기술을 활용하면 치료 대상 질병과 관련된 단백질 구조를 과거보다 빠르고 저렴하게 분석할 수 있게 되고, 신약후보물질이 해당 단백질에 효과적으로 적용될 수 있는지 파악하는 데도 도움이 된다.
AI for Clinic & Patient Care 진료와 환자 관리를 위한 인공지능 COVID-19 상황으로 대변 접촉이 제한되는 상황은 의료 현장에도 적용되고 있다. 이런 상황에서 대안으로 주목받는 영역이 원격 상담, 원격 진료, 원격 모니터링 등 비대면 의료이다. 병원 방문 전 단계에서 환자에 대한 상담과 관리, 대면 진료가 어려운 상황에서의 환자의 진료, 환자 관리를 위한 지속적인 모니터링 등 각 단계에서 환자와 의료진 간의 접촉을 줄이는 한편, 효과적으로 의료 행위를 할 수 있는 다양한 솔루션이 개발되고 있다. 이런 과정에 의료진을 보조하거나, 의료진의 개입을 줄이는 방향으로 인공지능을 접목하려는 다양한 시도가 이뤄지고 있다. 원격 상담과 원격 진료에서 인공지능은 챗봇과 같은 형태로 적용된다. 의료진과의 원격 대면에 앞서 챗봇 형태의 서비스를 통해 자유롭게 대화하는 방식이다. 상담이나 진료를 위한 인공지능 챗봇은 환자에게 증상이나 현재 상태를 묻고 이를 기록하여 이후 의료진이 환자와 대화할 때 기초 데이터로 활용할 수 있도록 돕는다. 특히 딥러닝 기반의 대화 엔진은 다양한 표현으로 이뤄지는 환자의 대화 내용을 맥락에 따라 정확하게 인식하는 데 도움을 준다. 기존의 시나리오 기반 챗봇은 정의된 시나리오에서 벗어나는 대화를 할 수 없는 한계가 있다. 또 인공지능을 적용한 경우라도 기술 수준이 낮을 때는 사용하는 단어나 구문이 달라질 경우 같은 의미라도 다르게 해석하여 잘못된 대답을 하게 된다. 최근 지속해서 발전하고 있는 딥러닝 기반의 자연어 처리 인공지능 엔진은 이런 한계를 극복하고 환자의 말을 정확히 알아듣고 의료진에게 실질적인 도움을 제공하는 방식으로 적용되고 있다. 원격 모니터링에 적용된 인공지능은 환자에게서 나오는 다양한 생체 신호를 분석하여 환자의 상태 이상을 미리 확인하고 환자나 의료진에게 경고를 하는 방식으로 작동한다. 환자가 스마트 워치나 스마트 링 등 웨어러블 디바이스를 착용하고 다양한 생체 신호를 수집하여 이를 인공지능을 통해 분석하는 방식이다. 사실 이런 방식은 원격 모니터링 상황에서뿐만 아니라 병원 내에서도 중환자실 등에서 환자의 다양한 생체 신호를 확인하고 의료진에게 정보를 제공하는 방식으로 사용되고 있다. 예를 들어, 가우스 서지컬(Gauss Surgical)은 컴퓨터 비전을 사용하여 출산 중 혈액 손실을 모니터링한다. 출산 중 출혈은 산모가 사망하는 중요한 원인이지만 예방할 수 있다. 가우스 서지컬은 병원 적용 테스트에서 출산 시 출혈량을 의료진의 시각적 확인해 비해 4배 높은 정확도로 확인했다고 밝히기도 했다. 또 메디컬 인포메틱스(Medical Informatics)의 경우 머신러닝 기술을 적용해 환자의 바이탈 신호, 인공호흡기, EMR 데이터 등을 수집 및 합성하여 병상에 있는 환자의 상태를 모니터링하는 솔루션을 공급하고 있다.
AI to streamline Healthcare Processes 의료 프로세스 효율화를 위한 인공지능 의료 행위는 단지 환자의 진단, 진료, 치료에만 국한되지 않는다. 병원 방문 전에 상담과 예약이 이뤄진다. 이를 위해 콜센터가 운영된다. 입원 환자에게는 기본적인 의식주가 제공되며, 이를 위한 보조인력이 존재한다. 입원 중에 환자는 다양한 처치나 치료, 검사를 받게 되고 이 과정에 다양한 간호간병서비스도 제공된다. 이런 부가 활동은 간호사를 중심으로 다양한 보조 인력들이 제공하고 있다. 문제는 이 과정에 간호사의 업무 부담이 높다는 점이다. 특히 입원 병동 간호사의 경우 환자 관리의 연속성 유지를 위해 효율적인 기록 관리와 업무 인계가 중요하지만 위급한 환자를 돌보는 경우 기록이나 업무 인계 시점을 놓쳐 초과 근무가 수시로 발생한다. 또한, 환자 관리 이외의 부가 업무 등의 발생으로 인해 업무 효율이 떨어지고 이는 다시 초과 근무의 원인이 된다. 병원 업무는 인력 집약도가 높으며 업무 부담을 낮추기 위해서는 추가 인력의 고용이 필요하지만, 현재의 의료 비용 구조는 높은 인건비를 감당하기 어려운 상황이다. 이런 이유에서 간호 업무를 중심으로 인공지능을 도입해 간호 업무의 효율성을 높이고 의료 서비스의 질을 재고하려는 노력이 이뤄지고 있다. 포티투마루는 용인세브란스, 국립암센터 등과 함께 자연어 처리에 특화된 인공지능을 도입해 간호 업무를 효율화하고 있다. [포티투마루: AI 어시스턴트 서비스 개요] 먼저, 콜센터나 키오스크 등에 대화형 인공지능을 적용해 초진환자를 위한 문진 서비스를 제공한다. 초진 환자의 경우 병력, 진료받고자 하는 증상, 현재 상태 등에 대한 문진이 필요하며 주로 간호사나 수련의가 해당 업무를 담당한다. 이런 초진 환자 문진의 경우 확인할 주요 사항이 정형화되어 있으며, 질의에 대한 환자의 대답을 정확하게 이해하고 처리하는 것이 서비스의 핵심이다. 의료 현장에서의 대화 데이터에 특화된 자연어 처리 엔진은 높은 정확도로 환자의 답변을 처리할 수 있다. 입원 병동에서 간호사 업무 보조를 위한 인공지능 서비스가 제공된다. 입원 병동에서 간호사는 일종의 민원센터와 같은 역할을 한다. 통증 등으로 몸이 불편해지거나, 진료나 검사를 위해 시간에 맞춰 이동해야 하거나, 긴급한 상태 변화에 담당 의사를 호출하는 등의 환자 관리부터 환자복을 바꿔입거나, 식사에 변동 사항을 발견하는 등의 환자 생활 관리에 대한 부분까지 1차적으로 간호사의 손을 거치게 된다. 이 가운데 환자의 이동, 담당 의사의 호출, 환자복이나 식사에 대한 내용은 사실상 간호사는 말을 전달하는 역할에 그친다. 이런 부분은 인공지능 스피커의 에이전트와 같은 간호 보조 업무에 특화된 인공지능 어시스턴트 기능으로 간호사의 업무를 대신할 수 있다. 그만큼 간호사는 환자 관리 업무에 집중할 수 있게 된다.
[특집] 인공지능과 헬스케어의 융합, 기술사업화 시장 키운다
[특집] 인공지능과 헬스케어의 융합, 기술사업화 시장 키운다인공지능 역량확보 위해 생태계 조성 필요, 정부 지원도 늘어야
헬스케어와 인공지능의 만남
데이터를 확보하라
인공지능 기반 영상 진단
AI 헬스케어의 미래
“인류의 건강을 혁신할 수 있도록 인공지능(AI)이 헬스케어 산업에서 빛을 발할 시기가 도래했다.”인텔 보건 생명공학 및 신기술 부문 총괄 매니저, 스테이시 슐만(Stacey Shulman)는 최근 이렇게 강조하면서 자체적으로 조사한 결과를 발표한 바 있다. 임상의가 개인화된 프로토콜을 개발하는 것을 지원하는 것부터 임상 작업 간소화 및 유전체학에서 통찰력을 확보하는 업무까지 인공지능을 도입하는 것은 많은 사람이 처음에 생각했던 것보다 더 빠르게 진행되고 있다는 것이다.지난해 7월, 인텔이 미국의 헬스케어 분야 리더들을 대상으로 진행한 조사에 따르면, ▲84%의 응답자가 임상 작업에 이미 인공지능을 도입했거나 도입할 예정이라고 응답했다. 이는 2018년 37%의 동일한 질문에 대한 답변 대비 크게 증가한 수치다.특히, 의료분야에서 중요한 신뢰성부분도 큰 변화가 감지됐다. 인공지능의 임상 결과를 신뢰하기까지 앞으로 2년이 걸릴 것이라는 대답은 ▲2018년 54%에서 ▲2020년 67%로 증가했으며, 진단이나 검진을 분석하는데 인공지능을 신뢰하기까지 앞으로 2년이 걸릴 것 이라는 답변은 ▲2018년 40%에서 ▲2020년 62%로 상승했다. 헬스케어 분야 리더들의 94%는 인공지능이 초기진단 단계에서 의료진에게 예측 분석을 제공한다고 응답했고, 92%는 인공지능이 임상 결정 지원을 위해 활용될 것에 동의한다고 응답했다.헬스케어 분야에 인공지능 기술이 빠르게 도입되고 있다.고령화 시대에 접어들면서 양질의 헬스케어 서비스에 대한 관심이 늘어나고 있고 이에 인공지능 헬스케어 시장 규모가 급성장하고 있다. 인공지능 기술이 헬스케어 산업에 혁신적인 가치를 창출 할 것으로 전망되면서 글로벌 기업들은 인공지능 헬스케어 분야에 총력을 기울이고 있다. 구글과 IBM 등 세계적인 기업들이 모두 인공지능 최우선 활용분야로 헬스케어를 지목하고 있는 것은 잘 알려진 사실이다.인공지능 헬스케어 기술은 다량의 데이터를 인간수준의 지능을 활용하여 질병 진단, 예측 및 개인 맞춤형 치료할 수 있도록 개발된 기술을 포괄한다. 인공지능과 헬스케어의 융합은 의사결정 지원, 프로세스 효율화 등 의료 서비스의 질 향상은 물론 새로운 제품과 서비스를 제공하는데 기여할 것으로 전망된다. 인공지능 헬스케어는 ▲신속 정확한 정밀 진단 및 치료 ▲일관성 있는 개인별 맞춤형 질병 예측 및 예방 ▲시공간의 제약이 없는 측정, 진료 등의 특징을 가진다.스마트 헬스케어에서 가장 많이 보편화된 인공지능 분야는 데이터 기반의 의료 서비스이다. 인공지능이 적용된 웨어러블 디바이스는 신체 일부에 착용함으로써 개인의 생체신호를 모니터링하고 분석한다. 의류에 디바이스를 설치하여 체온, 심박 데이터를 수집하거나 침대와 디바이스를 결합하여 사용자의 수면 데이터를 분석하는 방법도 있다.보쉬(Bosch)는 지난 1월에 열린 온라인 CES 전시회에 셀프러닝이 가능한 피트니스 트랙킹용 웨어러블(wearables) 및 히어러블(hearables) AI 센서를 최초로 선보였다. AI 자체가 센서상에서 구동되기 때문에(엣지 AI) 운동 중 인터넷 연결이 필요 없어 에너지 효율 및 데이터 프라이버시가 향상된다고 업체 측은 설명했다.또한, 보쉬는 공기질, 상대습도 등을 측정하는 센서도 선보인다. 이는 코로나 바이러스 극복 노력에 있어 특히 중요한 데이터인 공기 중 에어로졸 농도 관련 정보를 알려준다고 해서 이목을 끌었다. 이번에 최초로 선보인 휴대용 헤모글로빈 모니터(portable hemoglobin monitor)는 손가락 스캐닝을 통해 빈혈을 감지한다. AI가 탑재된 헤모글로빈 모니터는 30초 이내 결과를 보여주며 실험실 검사 또는 혈액 채취가 필요 없다.이 밖에도 자체 웨어러블 디바이스를 생산하지 않고 빅데이터 만을 활용하여 의료 서비스를 제공하기도 한다. 특히 인간의 유전자정보를 활용하여 사용자의 질병 가능성을 예측하기도 하고, 채팅 애플리케이션을 통해 사용자의 평소 기분이나 행동을 분석하여 정신질환을 진단하기도 한다.아마존웹서비스(AWS)는 지난 12월, AWS 리인벤트 행사에서 의료 및 생명과학 조직을 위해 설계된 아마존 헬스레이크(Amazon HealthLake)를 발표했다. HIPAA 인증을 획득한 아마존 헬스레이크는 다양한 사일로와 이기종 플랫폼에 걸친 조직의 전체 데이터를 중앙집중식 AWS 데이터 레이크로 집계하고, 머신러닝(ML)을 통해 이러한 정보를 자동으로 정규화한다.또한 각각의 임상 정보, 태그, 인덱스 이벤트를 표준화된 라벨을 통해 시간 순으로 식별하여 쉽게 검색 가능할 뿐 아니라, 모든 데이터를 FHIR(Fast Healthcare Interoperability Resources) 산업표준 형식으로 구성해 개별 환자 및 전체 모집단의 건강 상태를 전체적으로 파악할 수 있다.아마존 헬스레이크는 고객이 보다 쉽게 쿼리와 분석을 수행하며, 머신러닝을 구동해 새롭게 정규화된 데이터에서 의미있는 가치를 도출해 내도록 한다. 헬스케어 시스템, 제약회사, 임상 연구진, 의료 보험사와 같은 조직들은 아마존 헬스레이크를 사용해 헬스 데이터의 트렌드와 이상 징후를 포착함으로써 질병의 진행, 임상 실험의 효과, 보험료의 정확성 등에 대한 보다 정확한 예측이 가능하다.최근엔 전통적인 의료데이터 외에 새로운 데이터를 의료서비스에 결합하려는 시도가 많아지고 있다.기업의 핵심 역량에서 헬스케어 데이터는 중요한 요소다. 하지만 데이터를 수집하고 획득하는 과정에서 많은 비용과 시간이 필요하다. 여기에 암호화나 개인정보 보호 기술도 요구돼 데이터를 공개하는 쪽이나 활용하는 쪽이나 기술적 장벽에 부딪힌다.한국정보화진흥원 우창완 선임연구원은 보고서에서 “근래 의료계에서는 자발적으로 데이터를 공유하는 환자들을 찾고 있다. 사용자들은 자발적으로 데이터를 공유하면서 의료 연구에 도움을 주거나 맞춤 서비스를 받는 혜택을 얻을 수 있고, 의료계는 데이터 획득을 보다 용이하게 한다”고 말했다.현재도 각종 생체?의료 데이터가 엄청난 속도로 쌓이고 있지만 앞으로도 그 속도는 가속화할 것이다. 현재 인공지능 시장의 성장세를 가늠해보면 의료 데이터를 활용하는 사업 모델은 계속 늘어날 것이다.소프트웨어정책연구소의 김태호 선임연구원은 ‘인공지능과 헬스케어 산업 혁신’ 세미나 발표에서, “양질의 빅데이터 확보가 헬스케어 인공지능 성공의 선결 조건인데 국내는 데이터를 기관별로 보유하여 통합 공동 활용 방안을 마련해야 한다. 미국 정부는 과거 정밀의학에 2억1500만 달러 예산을 책정하고, 자발적 참여에 의한 백만 명 이상의 국가 코호트 구축에 1억 3000만 달러를 배정할 정도로 데이터 확보에 노력하고 있다”고 밝혔다.인공지능 수술로봇, 영상진단 분야도 뜨고 있다. 의료과정을 정밀하게 진행할 수 있는 고도화된 기계, 전자, 영상기술뿐만 아니라 이들을 컨트롤하는 두뇌까지 갖춰야 하는데 이 두뇌는 ‘머신러닝(Machine Learning)’의 정교함이 핵심이다.머신러닝은 데이터 기반의 학습능력을 가진 인공지능의 한 분야이다. 머신러닝은 알고리즘을 통해 데이터를 학습하고 기존보다 더 나은 결과물을 예측하도록 설계된다. 머신러닝은 특정 현상을 구분하기 위해 데이터의 패턴을 분석하는 지도학습(Supervised Learning)과 데이터가 분류되지 않아도 되는 시스템에서 활용되는 비지도학습(Unsupervised Learning)이 있다.강화학습은 데이터 분석에 대한 피드백을 학습하는 형태인데 의사결정 케이스를 반복적으로 학습시킨다. 머신러닝 알고리즘의 한 종류인 딥러닝은 인간의 두뇌의 학습 원리를 알고리즘화하는 방식으로 데이터를 반복 학습시킴으로써 예측 능력을 계속해서 강화시킨다.신약개발에도 인공지능의 활용이 늘고 있다. AI를 활용하여 신약개발 연구 분야 사업을 진행하고 있는 글로벌 기업들은 주로 신규 후보물질 도출 분야에 이를 활용하고 있으며, 질병기전 이해,바이오마커 구축 등 다양한 분야에서 비즈니스 모델을 만들어 가고 있다.이처럼 인공지능 기반의 헬스케어가 각광을 받고 있지만 풀어야할 숙제도 많은 게 현실이다. 데이터 활용을 위한 개인정보보호 문제에서부터 법적 규제 적용까지 산적한 문제가 많다.인공지능 헬스케어 산업의 실용화 동향 관련하여 과학기술일자리진흥원의 박찬홍 연구원, 이장우 팀장은 “인공지능 기술과 헬스케어의 융합은 앞으로 기술이전, 창업 등 기술사업화 시장을 더욱 활발하게 할 것”이라며, 하지만 “이를 위해서는 몇 가지 이슈도 극복해야 한다. 나라마다 차이는 있지만 국내의 경우 생체 및 의료정보를 활용하기 위해서는 개인정보보호법, 생명윤리법, 의사법 등 다양한 법적 규제의 극복이 필요하다”고 지적했다.다양한 분야의 신규 및 기존 기업들의 인공지능 역량확보를 위해 생태계 조성이 필요하다는 설명이다. 국내 인공지능 헬스케어 산업에서 영상인식, 신약개발 분야에 보다 많은 기업이 활동하기위해서는 헬스케어 기업들이 업그레이드할 수 있도록 적극적인 지원이 필요하다.한국과학기술연구원 융합연구정책센터의 박혜경 연구원도 인공지능(AI) 헬스케어산업 현황 및 동향 보고에서 “인공지능 헬스케어산업 분야가 향후 고부가가치 산업으로 주목받게 됨에 따라 세계 주요국들의 지속적인 투자 예상된다”며, “인공지능 헬스케어산업에 꾸준한 지원으로 의료수준 및 의료서비스의 질이 대폭 향상될 것으로 전망된다. 인공지능 헬스케어산업에서 우리나라는 세계적 경쟁력 확보를 위하여 국가적 차원의 적극적 투자정책이 필요하다”고 강조했다.
헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업
Tech Issue – 헬스케어를 주름잡는 AI 기술 성공사례_인공지능이 바꾸는 ‘헬스케어’ 산업
Tech Issue 는 글로벌 기술 트렌드 및 해외 유망 기술을 소개하기 위해 (주)비전컴퍼니와 협력하여 게재하고 있습니다.
▲ 이형민 대표
(주)비전컴퍼니
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 어찌보면 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.
한 예로 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.
무엇보다 신약 개발 분야에서도 인공지능은 무한한 가능성을 제공할 것이다.
보통 신약 개발에는 많은 시간과 비용을 들여야만 하는데, 인공지능 기술 덕분에 시간과 비용을 절약할 수 있으며, 그동안 개발하지 못했던 희귀 질환을 치료할 수 있는 신약도 앞으로 개발될 가능성이 높다.
국내 신약 개발 분야의 스타트업 ‘스탠다임(Standigm)’도 인공지능 기술과 시스템 생물학 기술을 접목해 신약 개발 기간을 획기적으로 단축할 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 직접 제공되는 서비스의 다양한 변화가 예상된다.
즉, 인공지능이 모니터링해서 예측한 건강정보가 알람으로 실시간 제공되어 고객의 행동 변화를 유도한다.
특히 병을 치료하고 있는 환자의 경우 인공지능이 지속해서 데이터를 모니터링하고 있다가 위험을 예측해 환자 및 의사에게 즉시 보고한다.
이로 인해 환자는 즉시 치료 방법과 행동을 개선하게 되고, 의사도 즉시 출동해 환자를 더 빨리 치료할 수 있게 된다.
또한 인공지능의 분석 및 예측의 정확도 향상을 통해 과잉진료, 오진, 의료사고 등의 문제를 해결할 수 있고, 비용 등의 측면에서 낭비되는 요소를 줄여줄 수 있다.
IBM ‘왓슨’과 같은 인공지능 기술은 병원치료 비용을 약 50% 정도나 감소시킬 수 있을 것으로 예상하고 있다.
따라서 인공지능은 환자 치료 및 관리 능력의 향상으로 헬스케어 시스템의 운영 효율성 향상을 가져올 것이며, 민간 및 공공의 데이터를 통합·분석해 다양한 헬스케어 서비스 상품 출시를 촉진할 전망이다.
구글의 암 탐지 기술 ‘LYNA’
구글의 인공지능 부문(Google AI)은 샌디에이고 해군 의료센터(Naval Medical Center San Diego)와 공동으로 유방암 림프샘 전이를 자동 감지하는 새로운 암탐지 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 제약하에서 미세한 암 전이 중 62%를 놓칠 수 있다는 예측을 하기도 했다.
LYNA는 병리학을 훈련할 때와 같은 프레임워크를 적용해 학습시켜 탄생했다.
오픈소스 이미지 인식 딥러닝 모델인 인셉션-v3(Inception-v3)를 바탕으로 입력된 이미지에서 픽셀 수준까지 암을 찾아낼 수 있다.
연구팀은 LYNA를 학습시키는 과정에서 교육에 이용하는 조직 라벨을 양성과 종양 비율 4:1로 해 학습 효율을 높이는 데 성공했다.
그 결과 LYNA는 전이성 유방암에 대한 영상 진단 정확도 측정에서 무려 99.3%에 달하는 정확도를 달성할 수 있게 됐다고 한다.
물론 오인 사례도 있었지만, 기포나 출혈, 염색 과다 등 결함에 영향을 받지 않고 인간보다 뛰어난 전이성 유방암 탐지 능력을 보여준 것은 틀림없다.
연구팀은 LYNA가 병리학보다 높은 전이성 유방암 탐지 능력을 갖췄으며 병리학 진단 지원을 통해 진단과정의 효율성 향상은 물론 오류 감소에도 도움을 줄 수 있다고 강조한다.
의료 분야에서 인공지능을 활용하려는 시도는 계속되고 있다.
스탠포드 대학교의 ‘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 때는 다음 단계로 넘어간다.
연구팀은 이 눈에 해당하는 부분을 컴퓨터에 맡긴 것이다. 피부과에서 현미경으로 보는 것처럼 피부암이 의심되는 부위 사진을 찍어 암 여부를 확인하는 것이다.
연구팀은 CNN(Convolutional Neural Networks) 알고리즘을 통해 1,000개체 유형에 달하는 이미지 128만 장을 학습시켰다.
또 의학계나 인터넷 등에서 수집한 2,032종 질병으로 이뤄진 12만 9,450개 데이터를 이용해 CNN을 학습시켰다.
그 결과 교육받은 CNN에 370개 이상 피부암 의심 사례를 보여주니 해당 사진에 관해 확인을 한 피부과 전문의 21명과 거의 같은 결과를 보였다.
앞선 유방암이나 피부암 모두 이미지 인식과 학습을 통해 이뤄진 것이다.
스탠포드대학 연구팀의 경우 스마트폰에서도 이 같은 인지가 가능하도록 할 계획을 세우고 있다.
이런 연구가 계속된다면 스마트폰으로 촬영만 하면 그 자리에서 곧바로 피부암 같은 일부 증상에 대한 식별이 가능해지는 시대가 열릴 수도 있다.
인공지능 신약개발 기업 ‘신테카바이오’
현재 국내에서 인공지능 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 가상환경에서의 실험을 통해 신약을 개발하는 제약사를 말한다.
신테카바이오는 타깃과 후보 약물 간의 정확한 결합도를 예측하는 데 이 인공지능을 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 단백질 구조 등 분자생물학 데이터가 폭발적으로 증가하면서 딥러닝을 통해 대량의 분자생물학, 화합물 활성 데이터 등을 효율적으로 분석할 수 있게 됐기 때문이다.
이뿐 아니라 많은 양의 분자생물학 데이터를 빠르게 분석할 수 있는 대규모 연산 처리 장치, 저장 장치 등의 컴퓨팅 자원을 클라우드를 통해 활용할 수 있게 됐기 때문에 ‘타깃’에 더 잘 반응할 수 있는 신약후보 물질을 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.
So you have finished reading the 인공 지능 헬스 케어 topic article, if you find this article useful, please share it. Thank you very much. See more: 인공지능 헬스케어 사례, 인공지능 헬스케어 전망, ai와 헬스케어, 헬스케어 딥러닝, 인공지능 헬스케어 문제점, 헬스케어 인공지능 책, 인공지능 헬스케어 시장, ai 헬스케어 기업
