미래의료학자 최윤섭 박사가 제시하는 의료 인공지능의 현재와 미래 -국내 최초로 의료 인공지능을 본격적으로 다룬 책! 국내 최초이자 본격적으로 의료 인공지능의 기술적 측면과 아울러 의료계 안팎에서 제기되는 인공지능과 관련된 여러 이슈를 깊이 있게 다룬 책이다. 현재 전세계에서 의료 인공지능을 둘러싸고 제기되는 다양한 이슈를 거의 다 담고 있다. 예를 들어 의사는 인공지능으로 대체될 것인가, 어느 진료과가 먼저 영향을 받을 것인가, 인공지능을 어떻게 규제할 것인가, 인공지능의 효용과 안전성을 어떻게 증명할 것인가, 의료 사고의 책임은 누가 지는가, 의학 교육은 어떻게 바뀌어야 하는가 등의 이슈를 가능한 쉬운 언어로 깊이 있게 다루고 있다. 독자들은 이 책에서 다른 곳에서 접하기 어려웠던 의료 인공지능과 관련한 종합적인 논의를 접하게 될 것이다. 이 책은 크게 세 가지 파트로 나뉜다. 1부에서는 의료 인공지능을 살펴보기 위한 전반적인 방향성과 논의의 범위를 제시한다. ‘의사의 80%가 사라진다’는 도발적인 주장부터 시작해서 의료 외의 다양한 분야에서 인공지능 때문에 이미 일어나고 있는 기술적 실직technological unemployment에 관해서도 소개한다. 소위 약한 인공지능, 강한 인공지능, 초 인공지능 등의 개념을 다룬다. 그러면서 우리가 논의할 인공지능의 범위도 정의하고 어떠한 관점에서 바라봐야 하는지도 이야기한다. 우리가 의료 인공지능이라는 미래를 준비하기 위해서 어떠한 관점의 질문을 던져야 할지가 무엇보다 중요하다. 2부에서는 의료 인공지능이 현재 어느 수준까지 발전되어 있는지 구체적인 사례들에 대해서 다룬다. 특히 알파고 쇼크 이후 의료계에 인공지능을 화두로 만든 주역 IBM 왓슨에 대해 살펴본다. 2016년 가천대 길병원이 IBM 왓슨 포 온콜로지를 도입하면서 한국은 전 세계에서 왓슨을 최초로 도입한 다섯 손가락 안에 드는 국가가 되었다. 더구나 길병원 도입 이후 왓슨에 관한 관심과 이후 다른 병원에 도입되는 속도는 세계적으로도 찾아보기 어려울 정도였다. 우리에게 IBM 왓슨 포 온콜로지의 병원 도입은 많은 시사점과 논쟁거리를 준다. 이에 대해서는 상당한 분량을 할애하여 깊이 있게 분석했다. 또한 의료 현장에서 사용되는 의료 인공지능의 연구결과 및 실질적인 사례로 주로 구성되어 있다. 지난 몇 년간 저자가 의료계, 학계, 산업계의 많은 전문가와 다양한 논의를 거쳤던 대표적인 사례들, 특히 근거가 충분한 사례들을 중심으로 균형 있게 설명하고 있다. 의료 인공지능을 복잡한 의료 데이터에서 의학적 통찰을 도출하는 인공지능, 이미지 형식의 의료 데이터를 분석 및 판독하는 인공지능, 연속적 의료 데이터를 모니터링하여 질병을 예측하는 인공지능으로 크게 구분한다. 그리고 그 구분에 따라 IBM 왓슨 포 온콜로지와 딥러닝 등의 구체적인 연구결과와 적용 사례에 대해서 차례대로 살펴본다. 3부에서는 의료 인공지능으로 야기되는 다양한 이슈들에 대해서 살펴본다. 의료 인공지능은 단순히 기술적인 측면으로만 접근하는 것은 바람직하지 않다. 사람의 목숨을 책임지는 의료에 인공지능이 적용되는 데 매우 다양하고도 복잡한 이슈가 제기되기 때문이다. 특히 여타 기술과는 달리 인공지능은 의사의 역할에 대한 근본적인 의문과 변화를 불러일으킨다. 가장 대표적인 이슈가 ‘인공지능이 의사를 대체할 것인가?’이다. 현재 의사의 역할 중에는 앞으로 사라질 역할, 유지될 역할, 그리고 새롭게 생길 역할이 있을 것이다. 그뿐만 아니라 인공지능이 도입될 미래를 살아갈 의료인을 양성하기 위해서는 의과대학의 교육과 수련 과정도 혁신이 필요하다. 이러한 이슈도 다룬다. 또한 국내 산업계에서도 세계적인 혁신가들이 등장하여 의료 인공지능을 개발하기 위한 치열한 도전을 시작했다. 국내에는 뷰노VUNO와 루닛Lunit 등의 걸출한 의료 딥러닝 스타트업들의 그로벌 공략 등도 담고 있다. 이외에도 매우 복잡하고 아직 논의가 진행 중인 의료적, 기술적, 규제적, 윤리적, 사회적, 경제적, 법적 이슈들이 산적해 있다. 이러한 이슈들에 대해서 개괄하며 어떠한 방향에서 논의를 진행해야 하는지 방향성을 제시하고 있다. [책속으로 추가] 구글은 미국의 두 유명 대학 병원의 방대한 전자의무기록 데이터를 학습시켜서 정확한 치료 결과 예측 모델을 만들었다. 캘리포니아주립대 샌프란시스코 대학병원UCSF의 2012~2016년 데이터와 시카고 대학병원UCM의 2009~2016년 동안 24시간 이상 입원했던 총 11만 4,003명 환자의 21만 6,221번의 입원에서 나온 진료기록을 분석하여 인공지능을 만들었다. 이를 모두 합하면 예측 모델의 개발에 활용된 데이터의 수는 무려 468억 개가 넘는다. 구글은 두 병원의 데이터를 이용해서 같은 알고리즘을 각각 테스트해보았다. 두 병원의 전체 데이터 중 80%는 인공지능을 학습시키는 훈련 데이터training data로, 10%는 개발한 모델을 개선하고 검증하기 위해서, 나머지 10%는 이 예측 모델의 성능을 테스트하기 위해서 사용되었다. -p. 160 한 사람이 생명을 유지하고 있다는 것은 결국 끊임없이 데이터를 만들어내고 있다는 의미이기도 하다. 우리가 살아 있는 이상 숨을 쉬고, 심장이 뛰고, 혈압이 바뀌며, 먹고, 싸고, 움직이며, 잠을 잔다. 이 과정에서 호흡수, 체온, 심전도, 심장박동, 혈당, 체온, 산소포화도, 활동량, 뇌파, 피부전도도, 장내 미생물의 구성 등이 끊임없이 바뀐다. 이러한 다양한 수치들은 우리의 건강 상태를 직간접적으로 나타내는 지표이다. 이러한 데이터는 병원에 있는 환자로부터는 물론, 우리의 일상생활 속에서도 쏟아지고 있다. 중환자실이나 응급실에 입원한 환자나 수술 중인 환자들의 경우, 활력징후를 비롯한 다양한 데이터를 실시간으로 측정한다. 더 나아가서 우리는 언제 어디서나, 혹은 평생에 걸쳐 이러한 데이터를 일상적으로 측정하고 저장하며 전송할 수 있게 되었다. 휴대용 의료기기, 사물인터넷과 웨어러블 센서, 스마트폰 및 클라우드 컴퓨팅 기술 등의 발전 덕분이다. 하지만 이러한 데이터를 바탕으로 예방 및 예측 의료를 실현하기 위해서 또 하나의 난관이 있다. 바로 이렇게 모니터링하고 있는 방대하고도 다차원적인 데이터를 어떻게 분석하여 적시에 질병을 예측할 것인지이다. 사물인터넷이나 웨어러블 센서에 의해서 측정되는 데이터의 양은 늘어나고, 측정하는 빈도는 계속 높아질 것이다. 이러한 기술의 발전은 결국 실시간 상시 모니터링으로 이어지게 된다. -p. 255 인공지능에 의해서 인간 의사의 역할이 축소될 것으로 보이는 또 다른 부분은 인간의 시각적 인지능력에 기반을 둔 역할이다. 앞서 누누이 강조했다시피, 딥러닝 특히 컨볼루션 신경망의 발전으로 이미 인공지능의 시각적 인지능력은 인간을 뛰어넘고 있기 때문이다. 이는 사람의 얼굴을 인지하는 등의 일반적인 문제에 대해서도 인간보다 더 높은 정확도를 보여주고 있을 뿐만 아니라, 영상 의료 데이터의 판독에도 그대로 적용된다. 앞서 우리는 영상의학과, 안과, 피부과, 병리과의 사례를 들어서, 이미지 형태로 나타나는 의료 데이터를 딥러닝이 이미 얼마나 정확하게 판독하고 있는지에 대해서 살펴본 바 있다. 진료과를 가리지 않고 이미지를 판독하는 문제는 이미 많은 경우, 전문의보다 딥러닝의 정확성, 효율성, 일관성이 높으며, 이러한 인공지능의 실력은 앞으로 더욱 향상될 것임이 자명하다. -p. 300 그런데 사람이 아니라 인공지능이 환자와 정신과 상담을 진행한다면, 환자가 거부감을 느끼지 않을까? 인간이 아닌 존재에게 자신의 속 깊은 사정이나 아픈 기억을 털어놓는 것에 대해 환자들이 거부감을 느끼거나, 덜 신뢰할 수도 있다. 치료할 때에는 의사와 환자 사이에 소위 ‘라포rapport’라는 것이 중요하다고 이야기한다. 라포는 치료를 진행하면서 의사와 환자 사이에 형성되는 신뢰나 유대관계를 말한다. 그런데 인간이 아닌 인공지능 의사라면 환자와의 라포를 형성하기가 불가능하지 않을까? 하지만 연구에 따르면 놀랍게도 결과는 정반대로 나타난다. 환자들은 오히려 인간 정신과 의사보다 인공지능에 더 솔직하게 자신의 이야기를 털어놓는 것으로 드러났다. 환자들은 인간 의사들이 자신을 평가하고 판단하려고 한다고 생각하기 때문에 생각을 솔직하게 밝히거나 감정을 표출하는 것을 주저했다. 반면 인공지능 의사에게는 속마음도 좀 더 진솔하게 털어놓았고, 체면을 차리느라 부정적 감정의 표출을 주저하는 경향도 더 적었다. 서든 캘리포니아 대학교의 연구진은 심센세SimSensei라는 일종의 인공지능 상담사를 만들었다.9, 10 환자들은 스크린에 나타나는 가상의 여성 상담사와 함께 대화를 진행한다. 주로 환자의 정신적인 스트레스에 대한 질문을 던지고 환자는 이에 대답하게 된다. 이 인공지능은 환자가 하는 이야기를 인식할 뿐만 아니라 환자의 시선, 미소를 짓는 정도, 머리의 3차원적인 움직임, 표정에서 감정이 드러나는지 등을 실시간으로 상세하게 분석한다. 흥미로운 것은 환자들이 이 심센세를 인간 의사보다 더 편하게 느끼고 강한 감정이나 자신의 치부나 상처를 좀 더 솔직하게 드러냈다는 점이다. 환자들의 이러한 성향은 다음과 같은 연구를 통해 밝혀졌다. 환자들은 화면의 심센세를 보면서 질문에 답을 하게 되는데, 연구자들은 환자들이 다음과 같이 두 그룹으로 나누어서 실험한다고 믿게 했다. -pp. 322~323 특히 같은 의료 인공지능이라고 할지라도 누가, 어떤 환자를 대상으로, 어떻게 활용할지에 따라서도 이런 의학적 효용은 달라지며, 의사나 환자, 병원에 미치는 영향도 달라질 수 있다. 앞서 IBM 왓슨 포 온콜로지에 대해 설명할 때에도, 이 부분에 대한 원칙과 기준에 대한 증명이 없음을 지적한 바 있다. 국내외 여러 병원이 왓슨 포 온콜로지를 도입하였으나, 진료 현장에서 활용하는 것은 여전히 개별 병원의 자체적인 기준을 따르는 실정이다. 하지만 그러한 기준이 임상적 효용을 높이는지에 대한 근거는 아직 없다. 이는 왓슨 포 온콜로지뿐만 아니라 다른 의료 인공지능에 대해서도 대부분 마찬가지다. 더 구체적으로는, 예를 들어 어떤 환자의 경우에 인공지능의 의견을 구할 것인가. 모든 환자? 특정 조건의 환자? 환자가 요구하는 경우? 또한 인공지능의 결론을 의사와 환자가 어떻게 받아들여야 하는가? 특히 인공지능의 결정과 의료진의 결정이 충돌하는 경우에 최종 결론은 어떻게 내릴 것인가. 인공지능의 결론을 환자에게도 공개하는 것이 좋은가. 그리고 인공지능의 의견을 듣는 것이 의료 비용의 측면에서 얼마나 가치가 있으며, 더 나아가 그 가치가 건강 보험료를 지급해야 할 만큼 큰가. 이런 질문에 대한 답을 얻기 위해서는 아직 가야 할 길이 멀다. -p. 369

들어가는 말 인공지능은 의료를 어떻게 혁신할 것인가 집필에 도움을 주신 분들 1부 제2의 기계시대와 의료 인공지능 1장 80%의 의사는 사라질 것인가 인공지능의 부상 제2의 기계 시대 기술적 실직의 전조 2장 강한 인공지능부터 의료 인공지능까지 ‘여름 한철 동안’ 인공지능과 기계학습 딥러닝의 발전 약한 인공지능 강한 인공지능 초인공지능 인공지능을 어떻게 바라볼 것인가 2부 의료 인공지능의 과거와 현재 3장 IBM 왓슨의 이상과 현실적 과제 의료 인공지능의 세 가지 유형 「제퍼디!」, 위대한 도전 「제퍼디!」의 슈퍼스타 왓슨에 밀려난 최초의 직업 왓슨, 병원에 가다 왓슨 포 온콜로지란 무엇인가 왓슨 포 온콜로지의 특징 이슈 1. 왓슨은 의료기기일까 왓슨 규제의 근본적 어려움 이슈 2. 왓슨은 과연 얼마나 정확한가 왓슨의 정확성에 대한 오해 MD앤더슨의 연구결과(ASCO 2014) 인도 마니팔 병원의 왓슨 인도 암 환자 1,000명 대상 왓슨의 실력 미국임상종양학회ASCO 2017에 보고된 왓슨의 실력 왓슨 포 온콜로지 최초의 논문 왜 왓슨의 실력이 다를까 (1) 가이드라인 및 인종적 차이 왜 왓슨의 실력이 다를까 (2) 보험제도의 차이 왜 왓슨의 실력이 다를까 (3) 치료 옵션 다양성의 차이 왜 왓슨의 실력이 다를까 (4) 가이드라인의 변화와 왓슨의 진화 이슈 3. 왓슨의 정확성과 의학적 효용을 어떻게 증명할까 임상시험이 필요하다. 하지만…… 임상시험으로 왓슨을 검증하려면 IBM은 임상시험을 원할까 왜 길병원은 왓슨을 도입했나 왓슨은 정말 마케팅용일까 왓슨, 원칙과 근거가 필요하다 인터뷰: IBM 헬스의 최고 의료 책임자 큐 리 박사 왓슨 포 온콜로지의 도입 등 일반적 이슈 왓슨 포 온콜로지의 정확도, 의학적 검증 왓슨 포 온콜로지의 의료기기 여부 및 규제 4장 의료 빅데이터로 질병을 예측한다 데이터 기반의 심혈관 질환 예측 의료계 가이드라인 vs. 인공지능의 가이드라인 인공지능의 심혈관 질환 예측 치료 결과를 예측하는 구글의 인공지능 전자의무기록 전체를 분석 구글 인공지능의 정확도 인공지능이 주목하는 데이터 첫번째 유형의 의료 인공지능 5장 딥러닝, 딥러닝, 딥러닝 신경망과 인공신경망 인공신경망이 학습하는 법 인공신경망의 발전과 도전 마침내, 딥러닝의 시대 인공지능이 유튜브를 본다면 이미지넷: 영상 인공지능의 마중물 이미지 인식 인공지능의 폭발적 발전 인공지능의 시각적 인지능력 사람보다 사람을 더 잘 알아보다 이미지를 이해하고 설명하는 인공지능 딥러닝을 이용한 의료 인공지능 6장 의사를 능가하는 딥러닝의 영상 판독 분석 딥러닝 기반 유방암 엑스레이 판독 뷰노의 골연령 판독 인공지능 영상의학과 의사와 인공지능의 시너지 당뇨 합병증을 진단하는 안과 인공지능 인공지능 안과의사의 필요성 구글의 인공지능 안과의사 인간 안과의사의 판독을 능가 피부암을 진단하는 인공지능 피부암에 딥러닝을 적용하기까지 딥러닝의 피부암 데이터 학습 인공지능의 피부암 진단 정확도 스마트폰으로 피부암 검사 양적, 질적으로 우수한 데이터 진단의 최종 결정권자, 병리과 병리과 의사 간의 진단 불일치율 병리과 인공지능 하버드대의 인공지능 병리학자 구글의 인공지능 병리학자 병리학자와 인공지능의 시너지 구글의 미국암연구협회AACR18 기조연설 7장 실시간 모니터링을 통한 질병의 예방 및 예측 빅데이터 분석을 통한 예방과 예측 의료 인공지능으로 패혈증 예측하기 IBM의 신생아 패혈증 예측 존스 홉킨스의 패혈증 예측 인공지능 혈당 관리 IBM 왓슨을 이용한 혈당 관리 앱 슈거아이큐의 활용 사례 부정맥의 한 시간 전 예측 심장마비의 하루 전 예측 애플워치로 부정맥 측정하기 심장내과 전문의 vs. 딥러닝 3부 미래를 어떻게 맞이할 것인가: 이슈, 함정, 그리고 희망 8장 인공지능은 의사를 대체하는가 인공지능이 80%의 의사를 대체할까? 자동 마취 기계와 러다이트 운동 쓰나미에 거슬러 헤엄칠 것인가 인간 의사의 사라지는 역할 도식화, 표준화할 수 있는 역할 시각적 인지능력 기반의 역할 영상의학과는 인공지능에 영향을 받을까 빠르게 도입될 인공지능의 조건 영상의학과 레지던트를 권장하는가 9장 정신과와 외과는 인공지능에서 자유로운가 정신과는 인공지능에서 자유로운가 트위터로 양극성 장애 환자 구분하기 인공지능 의사와 환자의 유대감 외과는 인공지능에서 자유로운가 자동 수술 로봇의 시작 자율주행차와 자동 수술 로봇 10장 인공지능의 시대, 의사는 무엇으로 사는가 의학적 최종 의사결정권자 자율주행차와 의사의 미래 의사의 탈숙련화 인간 의사의 인간적인 일 나쁜 뉴스 전하기 의사의 공감 능력이 치료결과를 좌우한다 의사의 낮은 공감 능력 왜 의사는 공감 능력이 낮을까 기초 의과학자의 역할 11장 인공지능과 함께 진료하기 위해서 인공지능의 임상적 효용 임상적 효용의 증명이 왜 어려운가 진료에 어떻게 녹여낼 것인가 구글의 인공지능 병리 현미경 의료 인공지능 사용법 교육하기 의사도 딥러닝을 배워야 할까 새로운 세대의 의사 양성하기 디지털 네이티브 닥터 플립 러닝, 의대 교육의 혁신 12장 인공지능이 의료사고를 낸다면 책임은 누구에게 있는가 관건1. 의료기기 vs. 비의료기기 관건2. 의사의 독립적인 판단이 보장되는가 의사의 관여 없이 진단까지 내리는 최초의 인공지능 만약 환자가 의사보다 인공지능을 선호한다면 관건3. 결과를 얼마나 확정적으로 제시하는가 관건4. 판단 과정이 투명한가 vs. 블랙박스인가 묘수인가, 떡수인가? 의료 인공지능의 블랙박스 문제 블랙박스 해독하기 블랙박스의 의료 활용 나가는 말 의료의 새로운 동반자를 맞이하며 참고 문헌

과연 의사는 인공지능으로 대체될 수 있을까. 실리콘밸리의 선각자이자 유명 벤처투자가인 비노드 코슬라Vinod Khosla는 몇 년 전 “미래에는 80%의 의사가 첨단 기술로 대체될 것”이라고 공개석상에서 주장하여 논란을 불러일으킨 바 있다.1-3 그는 의료의 많은 부분이 여전히 근거에 기반을 둔 과학이라고 보기 어렵다며, 대규모의 데이터와 막강한 연산 능력으로 무장한 기계가 평균적인 의사보다 더 저렴하면서도 정확하고 객관적일 수 있다고 언급했다. 그는 ‘닥터 알고리즘Doctor Algorithm’의 실력은 갈수록 향상되어, 어려운 치료 사례에 대해서도 여러 가능성을 고려하여 2차 소견을 제공하면서 진료실에서의 영향력은 더 커질 것이라고 했다.1 또한 의사들의 진료에 많은 경우 일관성이 부족하고 편차가 크다는 점도 지적했다. -p. 25 그런데 현재 의료 체계와 의대 교육과정에서 의사의 역할, 수련의가 교육 및 훈련받는 방식, 중점적으로 계발시키려는 역량을 떠올려보자. 현재 의사는 인간으로서의 강점보다는 패턴 인식, 지식 분류, 암기 등 오히려 인공지능이 잘할 수 있는 역량을 주로 발전시키고 있지는 않은가? 이러한 측면에서도 인간 의사의 역할과 요구되는 역량 및 의과대학 교육 방식에 큰 변화가 불가피해 보인다. 이번 장에서는 우리가 앞으로 의료 인공지능을 살펴보기 위한 전반적인 방향과 논의의 범위를 제시했다. 이제부터는 의료 분야에서 인공지능이 어디까지 발전해 있으며 구체적으로 어떻게 사용되고 있는지 다양한 사례를 들어서 설명할 것이다. 중요한 것은, 이러한 실제 사례들을 살펴보면서도 인공지능이라는 미래는 결코 피할 수 없으며 인공지능과 인간 의사의 강점을 결합하고 조화시켜서 더 나은 결과를 만들어야 한다는 전제를 잊지 않는 것이다. 이를 전제로 할 때 우리는 인공지능을 막연히 회피하거나, 인공지능 패배주의 혹은 인공지능 만능주의에서 벗어나 미래지향적이면서도 생산적인 논의를 할 수 있다. 물론 기술적으로 의료 인공지능 자체의 성능을 높이는 것도 매우 중요할 것이다. 하지만 같은 인공지능이라 하더라도 실제 의료 현장에서 누가 언제 활용하며, 어떠한 방식으로 진료, 진단, 치료 과정에 녹아들고, 어떠한 기준과 원칙 아래에 활용되는지에 따라 환자에 미치는 역할, 의학적인 효용, 치료에 미치는 파급력이 달라질 수 있다. -p. 59 엄밀히 말해 왓슨 포 온콜로지는 진단diagnosis을 해주는 것은 아니다. 치료법을 권고하여 의사의 진료를 보조하는 것이다. ‘진단’과 ‘진료’에는 큰 차이가 있다. 의심되는 조직이 암인지 아닌지를 진단하기 위해서는 의심 조직을 떼어내 조직검사를 해야 한다. (적어도 아직은) 왓슨 포 온콜로지에는 병리과에서 시행하는 병리 데이터의 분석을 통한 진단 기능은 포함되어 있지 않다(참고로 병리 조직 검사를 통해 암을 확진하는 인공지능은 6장 「의사를 능가하는 딥러닝의 영상 판독 분석」에서 자세히 다룰 것이다). 또한 진료를 하는 것과 진료를 보조하는 것에도 큰 차이가 있다. 왓슨에 대한 IBM 측의 발표에서 항상 빠지지 않는 문구가 바로 ‘왓슨은 의사를 대체하지 않는다. 왓슨의 역할은 의사의 역할을 강화aug\-ment하는 것이다’는 것이다. IBM은 외부 발표에 대해서 전 세계적으로 같은 가이드라인을 철저하게 지키는 것으로 알려져 있다. IBM의 관계자의 왓슨 관련 발표에는 한국에서든 미국에서든 이 표현이 반드시 들어간다. 의료계에서 IBM이 왓슨의 의사와 어떤 관계로 포지셔닝하려는지 유추해볼 수 있다. -p. 81