Trend
우리의 삶은 어느 순간 AI의 발전으로 더 편리하고 진보된 삶을 살게 되었습니다. 안면인식, AI 면접, 자율주행 자동차처럼 많은 부분에서 기술의 혁신으로 편리함과 효율성을 얻게 되었습니다. IBM 에서 Watson 을 통해 AI의사 로 의료 시스템의 편리함과 효율성을 극대화하는 인공지능의 개발 스토리를 소개합니다.
의료현장에서 촬영한 X-ray, MRI, CT 등의 시각 데이터를 비교 분석해 의사의 진료를 도와주는 ‘진단 보조 기계’ 는 실제로 많이 사용하고 있습니다. 서울 강동구 천호보건지소에서는 국내 최초로 인공지능을 통한 망막·심혈관질환 진단 보조 기계를 도입했습니다.
그중 망막·심혈관질환 진단 보조 기계는 이미 식약처에서 혁신 의료기기로 인증을 받았습니다. 이를 통해 간단한 눈 검사를 통해 안질환 및 심뇌혈관질환의 위험도를 평가할 수 있습니다. 대사증후군과 만성질환의 합병증을 사전에 예방하고 조기 발견할 수 있도록 돕고 있죠.
그 외에도 식약처에서는 환자의 CT 영상과 생체정보를 인공지능 기술로 분석해 수면 무호흡증의 진단을 보조하는 ‘2등급 의료 영상검출·진단 보조 소프트웨어’ 제품을 혁신 의료기기로 선정하고 상용화를 지원하고 있습니다.
전 세계는 이미 기존 의료 기기나 치료법에 AI 기술과 바이오 기술, 나노 기술 등의 첨단 테크놀로지를 적용하는 것에 박차를 가하고 있습니다. 안전성과 유효성이 크게 개선된 의료기기를 개발하고 제품화하는 것을 업계나 정부 부서에서 지속적으로 지원하고 있죠.
하지만 의료기기의 특성상 잘못된 데이터로 인해서 AI의 오차가 발생하는 경우가 존재합니다. 이때문에 아직까지는 시기 상조라는 목소리도 무시할 수 없죠. 아래부터 소개할 IBM의 왓슨(watson) 사례가 대표적인 예시입니다.
IBM의 왓슨(watson)은 2005년 공개되었습니다. 2011년 미국의 유명 퀴즈쇼 ‘제퍼디’에서 그동안 출연한 챔피언 2명을 압도적인 점수 차이로 이기며 주목받게 되었죠. 2016년의 알파고와 이세돌의 바둑 대전처럼 기계가 인류를 초월하는 순간처럼 많은 사람들이 이 흥미로운 이야기에 관심을 보였습니다.
이런 성과에 IBM은 왓슨을 차차 금융, 법률, 의료 분야까지 적용할 것이라고 발표했습니다. 당시 왓슨은 1초에 책 수만 권 분량의 데이터를 처리할 만큼 뛰어난 성능을 가지고 있었죠.
왓슨을 잘 활용한다면 인류의 사망원인 중 높은 수치를 기록한 암을 극복할 수 있다는 기대감도 높았습니다. 실제로 미국의 어느 암 연구 센터는 왓슨을 설치해서 논문 7만 편을 한 달 만에 분석해 새로운 항암 유전자를 공략할 수 있는 단백질 요소를 찾기도 했습니다.
여기까지 왓슨은 의료계에 혁신을 가져다줄 AI 유망주였습니다. IBM은 암 퇴치에 도움이 되는 AI를 개발하기 위해 왓슨에 6,200만 달러를 투자했습니다. 하지만 2018년 5월 IBM은 왓슨의 의료사업을 실패한 사업이라고 공식적으로 규정하게 되었습니다. 오히려 의사의 진료에 방해가 되고 효율이 떨어져 버리는 딜레마가 발생했기 때문입니다.
“암 관련 데이터가 너무 복잡했고 잘못된 진단, 의사의 개인적 표현 등으로 오염된 데이터가 왓슨의 성능을 높이는 것을 방해했다.” 뉴욕타임즈가 왓슨의 실패 원인을 분석한 결과입니다.
실제 왓슨과 함께한 플로리다 주피터 병원의 의사는 “왓슨은 완전히 실패했다”라고 평가했습니다.
나라마다 조금씩 다른 임상 데이터를 제대로 배우고, 또 실무에 적용하지 못한 점도 또 다른 왓슨의 성장 실패 원인으로 꼽혔습니다. 빠르게 변화하는 학계의 논문을 분석하고 기술을 주입하는 것에 많은 시간이 걸린 것도 원인으로 작용했죠.
일례로, 왓슨은 심각한 출혈이 있는 암 환자에게 오히려 출혈을 악화 시킬 수 있는 약물의 사용을 추천했습니다. 의료 분야에서 AI가 일으킬 수 있는 가장 치명적인 오류였죠. 이외에도 왓슨은 환자의 생명을 위협할 수도 있는 치료 제안 사례가 있었습니다. 결국 완전 상용화가 될 경우 극도의 효율성을 보일 수 있지만, 잘못된 데이터로 인해 사람을 죽일 수도 있는 위험한 판단이라는 결론을 내리게 되었죠.
정리하자면 동양, 서양, 나이별, 민족별로 다른 암 데이터를 완전하게 숙지하지 못했으며, 시간의 변화에 따른 암 저널, 학술을 빠르게 받아들이지 못하게 되며 실패하게 되었습니다.
국내에서는 왓슨이 건강보험의 현실을 반영하지 못해 높은 비용의 항생제를 과잉진료하는 해프닝도 있었습니다. 의사들은 도저히 이 결과를 진료에 반영할 수 없었죠.
건양대병원 혈액종양내과 최종권 교수는 “왓슨이 권고한 치료제가 국내에 있다 쳐도 급여 혜택을 받을 수 없거나 특정 암 치료에만 사용이 허가됐을 경우에는 왓슨의 권고를 따를 수 없다”라고 지적했습니다. 의료계에 혁신을 가져다줄 것이라고 믿었던 왓슨은 결국 정제되지 않은 데이터로 인해 실패한 사업으로 전락할 수밖에 없었습니다.
결국 업계에서는 AI의사란 기대는 점차 줄어들며 ‘AI 의료보조도구’ 정도로 인식되고 있습니다.
왓슨을 사용하고 있는 한 대학병원 교수는 “환자를 진료하는 의사는 왓슨에 반하는 결정을 내릴 때마다 고민해야 하며, 병원은 왓슨과 관련 어떤 수가* 도 받지 못하면서 IBM에 매년 꼬박꼬박 고가의 로열티를 지급해야 하는 상황이 지속돼 왓슨의 미래를 장담할 수 없다”라고 지적했습니다.
*수가 : 의료기관이 건강보험이 적용되는 의료서비스를 제공하고 환자와 건강보험공단으로부터 받는 총액)을 정하여 사용량과 가격에 의해 진료비를 지불하는 제도
결국 완결성 있는 데이터에 대한 목소리, 수요가 옵션이 아닌 필수가 될 수밖에 없는 상황이 연출되고 있습니다. AI를 개발하는 기술도 중요하지만 그것을 구성하는 데이터의 수준도 중요합니다.
일부 전문가들은 왓슨이 학습한 데이터의 퀄리티가 조금 더 높았더라면 어땠을까 생각합니다. 실현 가능한 AI를 구성하는 것은 AI를 뒷받침하는 정제된 데이터라는 점에 주목해야 합니다. 결국 완결성 있는 데이터는 옵션이 아닌 필수가 되었습니다.
정확한 AI를 만드는 것은 다양한 데이터와 똑똑한 알고리즘이라는 사실에 목소리를 기울일 필요가 있습니다. 데이터헌트 역시 휴먼인더루프 기술 등을 이용해서 완결성 높은 데이터를 위해 끊임없이 개발 노력할 것입니다.