△ 신개념 의료 AI가 잇따라 개발되고 있다.

국내에서 인공지능(AI)을 활용한 질병 예측·진단 기술이 잇따라 개발돼 의료기기 상용화 기대감을 높이고 있다

4일 의료계 등에 따르면 국내 연구진이 만성콩팥병 발병 예측, 흉부 X선으로 골다공증 상태 예측, 임상추론 AI 솔루션을 개발하는데 성공했다.

연세대학교 원주의과대학 내과학교실 양재원 교수팀은 최근 연세대학교 미래캠 AI반도체학부 오르트나산 에르덴바야르 교수와 함께 수면다원검사(PSG) 표현형을 이용해 만성콩팥병(CKD)의 자동 선별 및 중증도 분류를 위한 앙상블 학습 접근법을 제시했다.

연구팀은 358명의 피험자(진행성 만성콩팥병 179명, 초기 만성콩팥병 179명)의 PSG 데이터를 랜덤 포레스트, XGBoost, LightGBM, CatBoost의 네 가지 앙상블 알고리즘을 사용해 분석했다.

앙상블 알고리즘이란 여러 개의 인공지능 모델을 묶어서 더욱 정확한 예측을 하는 기법으로 연구팀은 이를 활용해 최종 호흡, 수면 단계, 움직임, 심혈관적 특징을 포함하는 총 1210개의 수면 관련 변수를 학습했다.

그 결과 CKD 5단계에서 89%를 초과하는 AUC로 높은 다중 클래스 분류 성능을 달성했으며 산소 포화도, 수면 구조, 심박 변이도의 장애가 CKD 중증도와 밀접한 관련이 있는 것으로 나타났다.

이러한 결과는 수면다원검사 결과 분석을 통해 조기 만성콩팥병 발견 및 위험성 예측이 가능해질 수 있다는 점을 시사한다는게 연구팀의 설명이다.

서울대병원 가정의학과 박상민 교수팀은 최근 서울대병원 건강증진센터에서 2004~2019년 동안 흉부 X선과 DXA 검사를 모두 받은 여성 1만4502명의 데이터를 분석해 정상·골감소증·골다공증을 분류하는 파운데이션 기반 AI 모델을 개발했다.

연구팀은 먼저 다양한 이미지에서 사전 학습된 파운데이션 모델(Foundation Model)을 의료 영상 분석에 적용했다.

파운데이션 모델은 대규모 데이터로 학습된 AI 모델로 이를 의료 영상에 맞게 미세 조정하면 제한된 의료 데이터로도 높은 성능을 낼 수 있다.

연구에는 일반 이미지로 학습된 모델(OpenCLIP, DINOv2)과 의료 영상으로 학습된 모델(CheXagent, RAD-DINO) 등 네 가지 모델이 사용됐으며 △마지막 분류 단계만 새로 학습하는 '선형 검증' △모델의 일부 레이어만 재학습하는 '부분 미세조정 방식' △저차원 행렬을 추가하는 'LoRA 방식' 등 세 가지 방법을 적용해 총 12개의 AI 모델을 만들었다.

AI는 입력된 흉부 X선에서 척추와 늑골 같은 뼈 구조를 중심으로 특징을 추출하고 이를 기존에 학습된 패턴과 비교해 정상(T-score ≥ -1.0), 골감소증(-2.5 < T-score < -1.0), 골다공증(T-score ≤ -2.5) 중 어떤 상태와 가장 유사한지를 판단한다. </p>

연구팀은 여기에 더해 AI가 실제로 어떤 뼈를 근거로 삼아 판단하는지까지 확인할 수 있도록 '설명 가능성' 평가 체계를 설계했다.

뼈를 모두 가린 상태에서 특정 뼈 부위를 추가해 성능이 얼마나 향상하는지 확인하는 '차단 분석 방식(Δbone)'과 Grad-CAM으로 나타난 AI의 주목 영역이 실제 뼈 위치와 얼마나 일치하는지를 계산하는 '유의성 지도 방식(IoUbone)'을 통해 AI가 임상적으로 중요한 뼈 구조를 근거로 판단하는지를 정량적으로 검증했다.

그 결과 DINOv2 모델에 LoRA 방식을 적용한 모델이 AUC 0.93(95% CI 0.92–0.94)로 가장 높은 예측 성능을 보였다.

이 모델은 뼈 구조 활용도가 가장 높고, 주목 영역의 타당성에서도 우수해 예측력과 설명 가능성이 균형 있게 확보된 최적 모델로 평가됐다. 

또 의료 영상 기반 모델이 항상 더 우수한 것은 아니며 예측 성능이 높다고 해서 설명 가능성까지 함께 향상되는 것은 아니라는 점도 확인됐다.

이는 의료 AI가 실제 임상에서 활용되기 위해서는 정확도와 함께 '왜 그렇게 판단했는지'에 대한 근거 검증이 필수적임을 보여준다.

연구팀은 예측 정확도뿐 아니라 AI의 판단 근거를 투명하게 설명할 수 있는지를 함께 평가함으로써 파운데이션 모델을 어떻게 선택하고 활용해야 하는지에 대한 방향성을 제시했다는 점에서 큰 의의가 있다고 내다봤다.

아주대병원 방사선종양학과 허재성 교수팀은 최근 실제 임상에서 생성되는 영상·병리 보고서를 활용해, 언어 기반 AI 모델(Large Language Models, 이하 LLM)이 암 병기(AJCC)와 종양 반응 평가(RECIST)에 따른 임상적 판단까지 수행할 수 있는 'AI 임상추론 기술'을 개발했다.

연구팀은 암 환자 4200여 건의 보고서를 기반으로 임상 Q&A 벤치마크를 구축하고 병리 정보·종양 변화·병기 판단을 통합 평가할 수 있는 체계를 마련했다.

연구팀은 의사의 판단 절차를 단계별로 반영하도록 AI를 설계한 결과 암 병기 예측 정확도가 85~90%로 기존 대비 약 30% 향상된 것을 확인했다.

이번 연구는 외부 클라우드 없이 병원 내부(on-premise)만으로도 안전하게 실시간 임상추론이 가능함을 보여준 점에서 의미가 크다는게 연구팀의 설명이다.

연구팀은 구축한 경량 AI 임상추론 시스템은 적은 GPU 자원으로도 보고서를 수 초 내 처리할 만큼 빠르고 안정적이어서 실제 병원 환경에서의 활용 가능성을 입증했다.

연구팀은 이 기술이 도입되면 영상·병리 보고서 구조화 시간이 1~3분에서 수 초로 단축돼 의료진의 문서 업무가 크게 줄어들고 임상결정지원시스템(CDSS), 다학제 진료 자동화, 정밀의료 고도화 등 다양한 임상지원 시스템으로 확장 가능할 것으로 전망했다.