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

12일 의료계 등에 따르면 국내 연구진이 CT영상으로 당뇨병 예측·대사질환 식별, 협심증 관상동맥질환 위험 예측 심전도 확인, 얼굴 표정만으로 수술 후 통증 예측 솔루션을 개발하는데 성공했다.

성균관의대 강북삼성병원 코호트연구소 장유수 교수와 헬스케어데이터센터 류승호 교수는 최근 서울대병원 영상의학과 윤순호 교수와 함께 CT(컴퓨터단층촬영) 영상으로 당뇨병 예측과 대사 질환을 동시에 식별할 수 있는 딥러닝 모델을 개발했다.

연구팀은 2012년~2015년 원내 종합건진센터에서 PET-CT를 받은 성인 3만2000여 명의 결과를 딥캐치의 딥러닝 모델을 사용해 내장 및 피하지방, 근육, 골밀도, 지방간, 대동맥 석회화 등의 정량화된 체성분 수치를 자동으로 추출했다.

딥캐치의 딥러닝 알고리즘은 내장지방, 피하지방, 근육량, 골밀도, 대동맥 칼슘과 같은 체성분을 분할해 3D로 구현하고 정량화하는 기술이다.

그 결과 당뇨병 유병 상태 및 발생 예측은 AUROC(수신자조작특성 곡선 이하 넓이로 1에 가까울수록 예측 성능이 높음)가 남자 0.75, 여자 0.85를 보였다.

또 대사 증후군(지방간, 대동맥 석회화, 내장비만, 근감소증, 골다공증)을 식별하기 위한 지수는 AUROC 남자 0.81, 여자 0.90으로 나타나 높은 예측 성능을 보여주었다.

연구팀은 이 연구 결과가 CT 영상이 기존의 질병 진단을 넘어 예방적 기회검진(opportunistic screening)으로 활용될 수 있는 가능성을 보여주고 있으며 당뇨병 및 동반 질환의 위험성을 더욱 정확하게 예측하고 조기에 전략적으로 대응하는데 도움을 줄 것으로 기대했다.

분당서울대병원 순환기내과 윤연이·조영진·박지석 교수팀은 최근 응급의학과 김중희 교수와 함께 병원을 방문한 2만1866명 환자의 심전도 데이터를 활용, 안정형 협심증 환자에서 관상동맥질환의 위험도를 알려주는 심전도 분석 인공지능을 개발하는 데 성공했다.

우리 몸의 심장은 평생 동안 수축과 이완을 반복하기 위해 관상동맥이라고 불리는 세 개의 혈관을 통해 심장근육에 막대한 양의 혈액을 공급받는데 콜레스테롤 등으로 인해 관상동맥이 좁아지거나 막히면 심장근육에 혈액이 제대로 공급되지 않는 관상동맥질환이 발생할 수 있다.

이때 관상동맥이 다 막히지 않고 내경이 좁아진 상태를 '협심증', 좁아진 상태에서 혈전(피떡) 등으로 혈액 공급이 막히고 심장근육이 마비 및 괴사하는 질환을 '심근경색'이라고 부른다. 우리나라 사망 원인 2위를 차지하는 심장질환의 대다수가 여기 속한다.

급성심근경색으로 심장에 혈액 공급이 극심하게 제한될 시 환자들이 느끼는 대표적인 증상은 가슴통증(흉통)이다.

이 경우 증상이 느껴지는 즉시 최대한 빠른 시간 내에 혈관을 재개통 및 확장하는 치료를 받아야 하는데, 최근 응급실에서 빠른 판단 및 조치를 위해 흉통 환자를 대상으로 간단한 심전도 검사만 시행해도 심근경색 등 급성 관상동맥 질환의 여부를 판별하는 인공지능 기술이 활발하게 개발되고 있다.

이러한 인공지능 기반 심전도 분석 기술들은 대부분 가슴통증이 심하고 심전도 변화가 비교적 뚜렷한 응급 환자에 한해서 활용이 가능하고 상대적으로 흉통이 간헐적이고 심전도 변화가 뚜렷하지 않은 '안정형 협심증' 환자를 대상으로는 관상동맥에 문제가 있는지 찾아내기 어려운 한계가 있었다.

병원에서 검사를 시행할 때 흉통 등의 증상이 지속적으로 나타나지 않는 환자를 대상으로는 사용이 어렵다는 의미다.

연구팀은 관상동맥질환은 관상동맥 내경이 50% 이상 좁아진 것으로 정의했으며, 혈관 3개 중 2개 이상에서 협착이 발생한 경우는 다혈관 질환으로 정의했다.

연구팀이 별도의 코호트 연구에서 수집한 4517명의 환자 데이터를 검증한 결과, 알고리즘이 산출한 수치(디지털마커)의 정확도를 의미하는 AUC(곡선하면적)는 최대 0.840에 이를 정도로 우수한 성능을 보여 임상적인 활용 가능성이 높을 것으로 기대된다.

이번 연구는 그간 심전도 분석으로는 관상동맥질환 위험도를 평가하기 어려웠던 안정형 협심증 환자에서 심근경색 등의 고위험군을 평가할 수 있는 인공지능 솔루션이 개발된 것으로 의미가 깊다.

연구팀은 심전도 기기와 연결 없이 심전도 결과를 사진 촬영만 해도 분석할 수 있어 휴대폰만 있다면 누구든 사용할 수 있을 정도로 범용성이 아주 높은 솔루션으로 응급실뿐만 아니라 외래 진료나 건강검진까지 관상동맥질환 고위험군을 선별하기 위한 용도로 폭넓게 활용될 수 있을 것으로 내다봤다.

분당서울대병원 마취통증의학과 구본욱·박인선 교수팀은 최근 통증에 대해 반사적으로 나타나는 얼굴 표정, 생리적 신호 등을 이용, 수술 후 환자의 통증을 평가해 빠르고 객관적으로 예측하는 인공지능 모델을 개발했다.

통증을 표현하는 것은 환자의 건강 상태를 반영하는 중요한 정보 중 하나로 환자의 안전과 빠른 회복을 위해서는 의료진의 적절한 평가와 신속한 대처가 필요하다.

특히 수술 환자의 최대 71%가 수술 후 통증을 겪는 것으로 알려져 있는데 통증의 정도는 매우 주관적이고, 소아나 정신질환자 등 스스로의 통증을 표현하기 어려운 경우 통증의 유무, 강도 등을 정확하게 예측하기 어렵다는 한계가 있었다.

연구팀은 전신마취 하에 위 절제 수술을 진행한 환자를 대상으로 △수술 전 통증이 없는 상태 △수술 후 마취회복실 입실 직후 △환자가 진통제가 필요한 정도의 통증을 표현했을 때 △진통제 투여 후 통증이 경감된 상태에서의 얼굴 표정을 촬영했다.

이와 함께 통상적으로 통증 모니터링을 위해 사용되는 진통통각지수(ANI)와 활력 징후와 같은 생리적 신호와, 환자의 주관적인 통증 강도를 표현하는 숫자통증척도(NRS)를 측정했다.

이후 수집한 데이터를 다양하게 조합해 인공지능 모델을 구축하고, 수술 후 통증 강도를 예측할 수 있는지 검증했다.

그 결과 얼굴 표정 데이터만을 학습시킨 인공지능 모델이 수술 후 발생한 중증 통증을 매우 높은 정확도로 예측했으며 이는 생리적 신호(진통통각지수, 활력 징후)를 기반으로 한 모델보다 성능이 뛰어난 것으로 나타났다.

실제로 얼굴 표정만 학습시킨 인공지능 모델의 예측 정확도가 AUROC 0.93으로 가장 높았으며 얼굴 표정과 활력 징후 데이터를 함께 학습한 모델(AUROC 0.84)이 뒤따랐다.

AUROC는 인공지능 모델의 예측 정확도를 나타내는 성능지표로 1에 가까울수록 성능이 우수함을 의미한다.

연구팀은 마취회복실에서 빠르고 정확하게 환자의 통증을 평가하는 인공지능을 이용한다면 적절한 통증 관리 치료를 통해 수술 환자의 회복의 질을 향상에 기여할 수 있을 것으로 기대되고 수술 후 통증 환자뿐 아니라, 특히 의사소통이 어려운 환자들의 통증 평가에 큰 도움이 될 것으로 기대했다.