의료 분야의 인공 지능 : 과거, 현재, 미래 (Artificial intelligence in healthcare: past, present and future)

 

헬스케어 분야에 인공 지능 (Artificial Intelligence, AI)을 사용하는 동기를 검토하고 AI가 분석한 다양한 헬스케어 데이터를 제시하고 있으며, AI가 배포한 주요 질병 유형을 조사하였습니다. 그리고 AI 장치의 두 가지 주요 범주인 머신 러닝 (Machine Learning, ML) 및 자연어 처리 (Natural Language Processing, NLP)에 대해 설명하고, 헬스케어에서 AI 응용 프로그램의 현재 상태를 검토하여 AI시스템의 미래에 대한 논의를 하였습니다.

 

 

source: https://www.stevenson.edu/online/about-us/news/AI-transforming-healthcare-industry

 

AI는 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 목표로 합니다. 현재 의료 데이터의 가용성을 높이고 분석 기술을 빠르게 발전시킴으로써 의료에 대한 패러다임 전환을 가져오고 있습니다. 또한 다양한 유형의 의료 데이터 (구조화 및 비구조화)에 적용될 수 있으며 의사가 더 나은 임상 결정을 내리거나 건강 관리의 특정 기능 영역 (예 : 방사선과)에서 인간의 판단을 대체하도록 도울 수 있습니다.

 

성공적인 AI 시스템에는 클래식 지원 벡터 머신 및 신경망과 같은 구조화 된 데이터 (이미지, EP 데이터, 유전자 데이터)를 처리하기위한 ML 구성 요소와 구조화되지 않은 텍스트를 채굴하기위한 NLP 구성 요소가 있어야합니다. 그런 다음 시스템이 의료진이 질병 진단 및 치료 제안을 도울 수 있도록 하려면 의료 데이터를 통해 정교한 알고리즘을 훈련해야합니다.

 

ML의 경우 이미징, 유전자 및 전기생리(Electrophysiological, EP) 데이터와 같은 구조화 된 데이터를 분석하는 기술로 환자의 특성을 모으거나 질병 결과의 확률을 추론하려고 시도합니다. 가장 널리 사용되는 두 가지 고전 기술인 서포트 벡터 머신 (Support Vector Machine, SVM) 및 뉴럴 네트워크와 최신 딥 러닝 기술에 중점을 두고있습니다. NLP는 치료 준비 경보, 부작용 모니터링 등의 임상 의사 결정을 돕기 위해 서술 텍스트에서 유용한 정보를 추출하는 것을 목표로 합니다.

 

AI가 의료 분야에서 점점 풍부 해지면서 주로 암, 신경계 질환 및 심혈관 질환과 같은 질병 유형에 중점을 두고 연구되고 있습니다. AI 시스템의 강점인 이미징, 유전자 및 전기 생리(Electrophysiological, EP) 및 전자 의무 기록(Electronic Medical Record, EMR)에 대한 분석 절차를 개선하여 조기 진단을 수행할 수 있습니다. AI는 세 가지 주요 질병 외에도 다른 질병에도 적용되었습니다.

 

뇌졸중은 급성 사건을 가진 만성 질환으로 뇌졸중 관리는 일련의 임상 의사 결정 지점이있는 다소 복잡한 프로세스입니다. 뇌졸중 치료에서는 3 가지의 주요 범주로 조기 감지 및 진단, 치료, 결과 예측 및 예후 평가 영역이 있습니다. 현재까지의 뇌졸중 임상 연구는 뇌졸중의 지속적인 특성을 무시하면서 매우 제한된 임상 부분에만 집중했습니다. 하지만 뇌졸중 AI는 풍부한 정보로 많은 양의 데이터를 활용함으로써 훨씬 더 복잡하면서도 실제 임상 질문에 훨씬 근접한 연구를 돕고 뇌졸중 관리의 의사 결정을 향상시킬 수 있을 것으로 기대됩니다. 최근 연구원들은 이러한 방향으로 노력을 기울이고 있으며 유망한 초기 결과 또한 얻었습니다.

 

IBM Watson 시스템은 이 분야의 개척자로, 이 시스템에는 ML 및 NLP 모듈이 모두 포함되어 있으며 종양학에서 유망한 발전을 이루었습니다. 암 연구에서 Watson의 치료 권장 사항 중 99 %가 의사의 결정과 일치하였고 실제 임상 실무에 영향을 미치기 시작했습니다.

 

이렇게 AI 기술이 의료 연구에서 상당한 관심을 끌고 있지만 실제 구현은 사회적 규정, 데이터 교환의 문제로 많은 어려움에 직면해 있습니다. 현재 규정에는 AI 시스템의 안전성과 효능을 평가하기위한 표준이 없으며, AI 시스템이 제대로 작동하려면 임상 연구 데이터를 통해 지속적으로 교육을 받아야 합니다. 초기 교육 후 AI 시스템을 배포 한 후에는 시스템의 추가 개발 및 개선을 위해 데이터 공급을 계속하는 것이 중요한 문제가 될 것입니다.

 

개혁은 보건 서비스 지불 체계를 변경하는 것으로 시작합니다. 실제 AI 배치에 대한 여러 장애 요소를 극복할 수 있도록 끊임없는 연구가 필요할 것입니다.