혁신적 기술 인사이트 팟캐스트 두 번째 에피소드에서는 콘서트AI의 CEO 제프 엘튼이 나타샤 앨런과 함께 의료와 인공지능의 교차점이 확대되는 현상에 대한 심도 있는 대화를 나눕니다. - 인공지능으로부터 가장 큰 혜택을 볼 수 있는 의학 분야는 무엇인가? - 이러한 도입이 건강 격차 해소에 어떻게 기여할 것인가? - 잠재적인 윤리적 함정은 어디에 있는가? - 기업들은 이러한 변화에 대비하기 위해 무엇을 할 수 있는가?
더 깊이 들어가기:
아래 에피소드 대본은 명확성을 위해 편집되었습니다
나타샤 앨런
여러분, 환영합니다. 저는 나타샤 앨런입니다. 폴리 로펌 실리콘밸리 사무소의 파트너이자 혁신 기술 부문 내 AI 분야 공동 책임자입니다. 오늘 팟캐스트에서는 의료 분야의 인공지능에 대해 논의해 보겠습니다.
이번 주제에 대한 전문성을 제공하기 위해 제프 엘턴 씨가 함께합니다. 제프 씨는 생명과학, 혁신 분야 및 세계적 선도 기업들을 위한 연구 솔루션과 환자 중심 솔루션을 제공하는 콘서트AI의 최고경영자(CEO)입니다. 콘서트AI 합류 전에는 액센츄어와 노바티스 바이오메디컬 연구소(Novartis Institutes of Biomedical Research Inc.)에서 관리직을 역임했습니다.
제프 엘턴
나타샤, 정말 고마워요.
나타샤 앨런
오늘 함께해 주셔서 감사합니다. 바로 본론으로 들어가 보겠습니다. 많은 산업과 마찬가지로 AI 기술은 의료 분야에도 큰 영향을 미칠 것입니다. 그러나 의료 산업은 AI 도입과 관련해 몇 가지 과제에 직면해 있습니다. 의료 분야의 AI 도입이 뒤처지고 있다고 보시는지 궁금합니다.
제프 엘턴
지연되고 있다고 말하기는 어렵지만 분명히 발전하고 있습니다. 먼저, 인공지능과 의료 분야에서 제기되는 몇 가지 질문에 대해 다루겠습니다. 인공지능은 환자의 특성을 예측하여 그들의 요구를 해석하거나, 의료 제공자가 수행할 수 있는 해석을 보완하는 모델을 제공합니다. 또한 방대한 양의 데이터와 정보를 처리할 수 있는 능력을 갖추고 있습니다.
일반적으로 AI는 훈련을 거칩니다. 그리고 여기서 몇 가지 우려가 제기됩니다. 이러한 훈련은 대개 과거 데이터(이미지, 디지털 병리학, 방사선학, 전자 의료 기록 데이터 등)를 기반으로 이루어집니다. 근본적인 질문은 이러한 훈련 데이터 세트가 실제로 분석 대상 집단을 제대로 대표하는가 하는 점입니다. 투명성이 핵심입니다. 훈련 방법론에 신뢰를 가질 수 있습니까? 초기 훈련을 수행하기 위해 올바른 유형의 집단을 선택했습니까? 사후 검증을 수행하기 위해 일부를 보존하거나 유지하는 과정이 있으며, 이를 시작할 때 이들 사이에 무작위 배정이 이루어져야 합니다.
그리고 안정성이 찾아옵니다. 인구는 항상 동일하지 않습니다. 우리는 치료 패러다임을 적용하고 결과가 개선되므로, 한 번 구축된 어떤 AI 모델도 실제로 항상 동일한 성능을 계속해서 보여줄 수는 없습니다.
해당 분야는 발전 방식과 인력 유입 측면에서 성숙해지고 있습니다. 그러나 우리가 속한 임상 영역 내에서는 인공지능이 의료 시스템의 거의 모든 부분에 핵심적으로 통합될 것이라는 매우 높은 기대가 존재합니다. 그 결과 방대한 양의 데이터와 복잡성이 발생합니다. 인공지능은 의사 결정자를 진정으로 보완할 수 있습니다. 의료 분야에서 신뢰, 투명성, 형평성 고려를 가능하게 하는 기반을 마련하는 것이죠.
나타샤 앨런
간략히 언급하셨는데, 이와 관련된 윤리적 문제점들 중 어떤 것들이 있다고 생각하시나요? 그리고 그러한 문제점들에 영향을 미치는 규제 환경은 어떤가요?
제프 엘턴
윤리적 문제는 모든 하위 집단이 예상대로 행동하는지 여부와 관련이 있습니다. 우리가 수행하는 많은 생물의학 연구는 학술 의료 센터에서 이루어지는 경향이 있으며, 이들 센터 역시 도시 지역에 위치한 경우가 많습니다.
학술 의료 센터에서 치료를 받는 사람들은 일반적으로 경제적 여유가 더 많은 편입니다. 치료를 받기 위해 찾아오긴 하지만, 상대적으로 건강 상태가 양호한 경우가 많습니다. 이는 암 치료 같은 분야에서도 마찬가지입니다. 환자들은 일반적으로 더 건강하고 상태가 악화되지 않은 경우가 많습니다. 지역 의료기관이나 소규모 의료 시스템에서 치료받는 환자들(전체 환자의 80%)과 꼭 같아 보이지는 않습니다. 이렇게 말하는 이유는, 바로 그곳이 많은 생물의학 혁신의 중심지 역할을 해왔기 때문입니다. 윤리적 고려 사항 중 하나는 AI 모델을 관련 인구 데이터, 즉 실제로 질환으로 고통받는 환자 집단에 맞춰 조정하는 것입니다.
나타샤 앨런
인공지능은 어떻게 건강 격차 해소에 기여할 수 있는가?
제프 엘턴
인공지능(AI)이 편향성 문제로 부당하게 비난받고 있다고 생각합니다. 반드시 그런 것은 아닙니다. 실제로 의료 분야에서 공정성을 보장하기 위해 AI를 활용하려는 많은 노력과 인력이 투입되고 있습니다. 흑인 미국인 남성에게 불균형적으로 영향을 미칠 수 있는 전립선암이 그 예입니다. 임상시험 설계 시, 시험이 진행될 지역을 포함해 시험의 실험실 검사값이 하위 집단의 상당한 참여를 허용하도록 보장해야 할 수 있습니다. 특히 해당 흑인 미국인 남성 집단의 경우, 연구 결과가 해당 하위 집단 또는 하위 그룹에 대해 통계적으로 유효하도록 하는 것이 목표입니다. AI 모델과 도구, 그리고 임상시험 설계가 이제 이러한 역량을 발휘하고 있습니다.
마찬가지로, 잠재적인 의료 격차와 불평등을 해결하기 위해 다양한 특성을 가진 환자들의 충분한 참여를 확보할 역량을 갖춘 임상 현장을 실제로 식별해야 할 수도 있습니다. 다시 말해, AI 모델은 의료 제공자의 업무 흐름 전반에 걸쳐 이를 시작하는 데 크게 기여하고 있습니다. 현재 우리는 환자 식별 솔루션을 개발 중이며, 해당 제공자들과 협력하여 환자를 식별하고 잠재적 자격 기준을 충족하는 모든 사람이 연구에 포함되도록 보장하고 있습니다. 특히 불균형적으로 영향을 받을 수 있는 환자들을 중점적으로 다루고 있습니다. 이러한 특정 사례에서 우리는 역사적 불평등과 격차를 극복하기 위해 AI 모델과 데이터를 활용하고 있습니다.
나타샤 앨런
정말 놀랍네요. 인공지능이 가장 큰 혜택을 줄 수 있는 의학 분야는 어디라고 생각하시나요?
제프 엘턴
답변을 몇 가지 요소로 나누어 설명하겠습니다. 현재 이미 어떤 부분에서 이점이 나타나고 있나요? 그런 다음 이 현상이 어떻게 진화하고 변화하기 시작하는지 살펴보겠습니다. 그리고 중기적 관점과 장기적 관점에서 이 현상이 어디로 향할 수 있을까요?
의료 서비스 제공자 측면에서는 주로 방사선 영상 분야에서 이미지 해석을 위한 인공지능 모델이 크게 발전했습니다. 이는 2차원 영상(X선)과 고급 3차원 영상(MRI) 모두에 해당됩니다. 인공지능은 다양한 역할을 수행할 수 있습니다. 단순히 이미지를 확보하는 것뿐만 아니라 이미지 전처리도 가능합니다. 이를 통해 이미지의 특징을 선명하게 정리하여 AI 모델이 보다 효과적으로 작업할 수 있도록 지원합니다.
이것이 왜 중요할까요? 한 가지 이유는 방사선과 전문의의 공급이 실제로 줄어들고 있기 때문입니다. 이는 실질적인 고려사항입니다. 신규 방사선과 전문의의 수와 은퇴하는 의사 수, 그리고 해당 직종에 대한 수요 간의 균형은 변화하고 있습니다.
둘째, AI 모델은 피로감을 느끼지 않습니다. 이들은 1차 진단을 보조하여 특징들이 방사선과 의사에게 제시되어 승인받을 수 있도록 할 수 있습니다. 또한 그들의 결과가 항상 그대로 받아들여져야 하는 것도 아닙니다.
인공지능 모델은 사후 고등교육 평가에도 활용되어 중요한 특징이 누락되지 않도록 하거나 전반적인 치료 품질 향상을 위한 경고 신호를 제공할 수 있습니다. 장기적으로는 동일한 모델 기반 접근법이 적용 가능하기 때문에 디지털 병리학으로의 전환이 이루어질 것입니다. 해부병리학 분야에서 다양한 플랫폼을 통해 생성되는 이러한 디지털 슬라이드를 중심으로 기술적 융합이 시작될 것입니다.
다음 단계의 융합은 전자 의료 기록 및 기타 데이터 유형을 영상 데이터와 연결하는 것입니다. 전자 의료 기록을 예로 들어보겠습니다. 비소세포폐암 환자를 진료한다고 가정해 보죠. 영상 해석을 수행하는 동시에 분자 데이터를 포함한 의료 기록의 일부를 함께 활용할 것입니다. 이 두 가지의 통합은 정확도를 더욱 높여줄 것입니다.
지금 제가 진행 중인 작업은 단순히 영상 자체를 판독하는 것을 넘어, 환자가 참여할 수 있는 임상시험 치료법 선별 단계로 나아가고 있습니다. 다만 이 작업이 임상 의사 결정 지원 시스템은 아니라고 말씀드리며 여기서 멈추겠습니다.
사실 이는 AI가 의료 분야를 지속적으로 변화시킬 방식 때문에 매우 중요한 특징입니다. 마치 점묘화처럼 수많은 아주 작은 개구부 솔루션이 정교한 정밀도로 구현될 것입니다. 이들이 함께 모여 점점 더 많은 기능을 제공하기 시작하며, 특정 임상 팀의 의사 결정을 지원하고 그들이 중요한 특징을 놓치지 않도록 보장할 것입니다.
결국 데이터 유형 간 상호연결이 이루어지고, 이후 서로 다른 분야 간 상호연결이 이루어질 것입니다. 결정 구조의 융합이 이루어질 것입니다. 실제로 임상 데이터 소스, 즉 전자 의료 기록 데이터 소스의 활용도는 다소 감소할 것입니다. 더 스마트하고 지능적인 데이터 계층이 다양한 형태의 데이터를 통합할 수 있게 될 것입니다. 이러한 모델들이 환자 결과 예측과 개선을 위한 더 높은 수준의 품질, 생산성, 그리고 훨씬 더 정밀한 예측을 주도하기 시작할 것입니다.
나타샤 앨런
아주 좋습니다. 이제 ConcertAI에 대해 조금 이야기해 보죠. ConcertAI는 회사 내에서 AI를 어떻게 활용하고 있나요?
제프 엘턴
인공지능은 세 가지 다른 수준으로 생각할 수 있습니다. 우리는 자체 운영에 인공지능을 활용합니다. 기업으로서 수백 개의 의료 서비스 제공자와 협력하고 있습니다. 당사의 일부 임상 솔루션은 유럽, 미국, 일본에 위치한 1,400개 의료 기관에 도입되었습니다. 미국 내에서는 특정 암의 다양한 측면에 대해 수백 개의 기관과 협력하고 있습니다. 비록 암 분야에만 국한되지는 않지만, 우리는 암 치료에 매우 중점을 두고 있습니다.
우리는 기록의 구조화된 부분을 읽기 위해 인공지능(AI)과 자연어 처리 모델을 활용하고 있습니다. 여기에는 PDF 문서, 간호사나 의사의 기록 등 다양한 자료가 포함될 수 있습니다. AI를 통해 이러한 자료를 분석하여 접근 불가능하거나 판독 불가능한 데이터를 기계가 읽을 수 있는 형태로 변환함으로써 분석 작업을 수행할 수 있습니다.
우리는 품질 관리를 위해 AI 모델을 활용해 데이터를 분석합니다. 자연계에서 발견될 수 없는 값을 찾아내는 것이죠. 예를 들어, 인간의 체온이 화씨 131도로 기록되어서는 안 됩니다. 이는 불가능한 일이니까요. 실제로 이 방법을 품질 관리에 활용할 수 있습니다. 우리 운영에서는 AI와 자연어 처리 기술이 데이터 관리 및 처리 방식을 결정하는 데 중요한 역할을 합니다.
그런 다음 그 수준 이상에서는 실제로 SaaS(Software as a Service) 계층에서 매우 특화된 AI 모델과 솔루션을 개발하기 시작합니다. 저희는 일련의 분석 솔루션을 보유하고 있습니다. '전이 상태'라는 개념이 있는데, 이는 환자가 암 치료 과정에서 어느 단계에 있는지 측정합니다. 전자 의료 기록에서는 일반적으로 최초 진단 시점에만 이루어집니다. 저희 AI 모델은 환자 기록을 분석하여 언제든지 해당 상태를 평가할 수 있습니다. 비소세포폐암은 별도의 ICD 코드가 없습니다. 저희 모델을 통해 기록을 분석하여 비소세포폐암인지 소세포폐암인지 판별할 수 있습니다. 이는 상당히 복잡한 예측 과정입니다.
이것이 바로 저희가 추구하는 분석 환경입니다. 임상 시험 설계 도구를 통해 최소한의 부담과 편향으로 견고하게 임상 연구를 설계할 수 있도록 보장합니다. 앞서 논의한 바와 같이, 치료 적격성 환자 식별부터 방사선 영상 해석 솔루션인 TeraRecon 솔루션에 이르기까지 모든 분야에 AI 솔루션을 활용하고 있습니다.
또한 소프트웨어 및 의료기기 솔루션도 배포할 AI 머신러닝 레이어를 출시하는 과정에 있습니다. 이는 의료기관 및 기타 제3자가 자체 모델과 아키텍처를 통합할 수 있도록 허용하는 개방형 아키텍처가 될 것입니다.
우리는 방대한 양의 다양한 유형 데이터를 서로 다른 의사 결정권자들에게 제공하려 노력하고 있습니다. 이를 통해 이전에는 불가능했던 방식으로 그들의 업무 효율성과 효과성을 높이는 데 기여하는 체계적인 조율을 수행합니다. 생물의학 혁신 기업 및 의료 서비스 제공자와 긴밀히 협력하며, 우리는 두 생태계 사이에 자리 잡고 있습니다. 현재 150개의 AI 모델이 생산 환경에서 활발히 운영 중입니다.
나타샤 앨런
와, 정말 대단하네요. 마지막으로 한 가지 질문이 있습니다. 만약 어떤 기업이 운영에 인공지능을 도입하려고 한다면, 그들에게 해줄 조언이나 팁이 있을까요?
제프 엘턴
데이터 관리 – 데이터 준비와 기업 데이터의 접근성은 주요 장애물 중 하나입니다. 솔직히 말해, 저희 데이터 사이언스 팀을 살펴보면, 모델 개발을 본격적으로 시작하기 전에 데이터 준비 작업이 전체 업무의 약 70%를 차지합니다.
인공지능을 고려하고 기업에 지능을 도입하기 시작한 많은 조직들은 데이터 수집과 체계화에 관심을 가질 것입니다. 역사적으로 대규모 기업 애플리케이션은 데이터를 기능별로 정렬된 인프라 조각들에 가두어 왔습니다. 반면 인공지능과 머신러닝은 명확히 구분되지 않는 방식으로 기능을 조율하는 지능을 활용하는 데 초점을 맞추고 있습니다. 첫 번째 단계는 바로 그 기초적인 수준에서 기존 데이터 아키텍처를 극복하는 것입니다.
다음 단계는 거버넌스입니다. 개발 중인 모델의 유형, 배포 위치, 사용 목적, 워크플로 구성, 결과 유효성 판단 기준 등을 고려해야 합니다. 모델 개발과 배포부터 출시 및 감독에 이르기까지 항상 원활하고 체계적인 의사결정 프로세스를 구축해야 합니다.
마지막 단계는 역동적인 업무 흐름을 예측하고 수용하는 것입니다. 지능과 조율을 연결하여 새로운 효율성과 더 지능적인 업무 방식을 모색하는 것이죠. 기존에 순차적이었던 운영 방식이 달라질 수 있음을 발견하게 될 것입니다. 저희 개인적인 견해로는 AI에 엄청난 가치를 봅니다. 우리 조직 내에서 그 가치를 확인하고 있으며, 고객 기반에 제공할 수 있는 역량에서도 그 가치를 확인하고 있습니다.
나타샤 앨런
정말 놀랍네요. 정말 감사드립니다. 시간을 내어 함께 이 내용을 살펴봐 주셔서 – 의료 분야에서 AI가 어떻게 활용되고 활용될 수 있는지 논의해 주시고 – 그 혜택과 개선이 필요한 부분들까지 설명해 주셔서 정말 감사합니다. 여러분의 시간에 깊이 감사드립니다. 참석해 주신 모든 분들께 감사드리며, 다음에 또 뵙겠습니다.
폴리 앤 라드너의 혁신적 기술 인사이트 팟캐스트는 오늘날 비즈니스, 규제 및 과학 환경을 형성하는 광범위한 혁신에 초점을 맞춥니다. 인공지능부터 유전체학에 이르기까지 다양한 분야에서 활동하는 게스트 연사들과의 대화를 통해, 이러한 변화의 법적 함의뿐만 아니라 일상생활에 미칠 영향까지 탐구합니다.
