뇌 MRI 판독 AI Prima, 52개 진단 항목에서 평균 AUROC 0.920 기록

미시간대학교 연구팀이 뇌 MRI 영상을 분석해 진단과 판독 우선순위 결정을 보조하는 AI 시스템을 공개했다. 이 연구는 영상 분석을 앞당기고 의료진의 부담을 줄일 가능성을 보여준다. 다만 의사를 대신해 독립적으로 환자를 진단하는 상용 시스템으로 검증된 것은 아니다.

뇌 영상에 활용되는 MRI의 원리

자기공명영상(MRI)은 자기장과 고주파를 이용해 장기와 인체 조직의 상세한 2차원·3차원 영상을 만든다. MRI의 기초는 20세기 중반 발전한 핵자기공명(NMR) 연구에서 비롯되었다.

펠릭스 블로흐와 에드워드 퍼셀은 핵자기공명 연구로 1952년 노벨 물리학상을 받았다. 이후 폴 로터버가 공간적으로 변화하는 자기장, 즉 자기장 경사를 활용하면서 장기와 조직을 영상으로 표현하는 길이 열렸다. MRI는 CT와 달리 전리방사선을 사용하지 않는다. 다만 두 검사는 각각 적합한 용도와 제약이 있으므로 MRI가 모든 상황에서 더 나은 검사는 아니다.

MRI는 오늘날 널리 활용된다. 원문이 인용한 자료는 연간 전 세계 검사 건수를 약 1억 5,000만~2억 건으로 추정한다. 관련 시장 분석도 성장세를 다루며, 원문은 지역별 증가율로 3~6%를 제시한다. 다만 시장 매출 성장률과 실제 검사 건수 증가율은 구분해야 한다. MRI가 의료체계의 중요한 구성 요소라는 점은 분명하다.

뇌 MRI 판독이 어려운 이유

MRI 활용이 늘면서 판독 과정의 부담도 커지고 있다. 영상 해석에는 시간과 정밀한 판단이 필요하며, 의료 인력 부족 속에서 전문 판독 수요는 계속 증가한다.

대형병원은 많은 검사와 환자를 감당해야 하고, 작은 의료기관은 전문 판독 인력에 접근하기 어려울 수 있다. 원인은 다르지만 이미 부담이 큰 의료체계에서 판독이 지연되면 환자의 진료에도 영향을 줄 수 있다.

MRI 판독 지연의 임상적 위험

MRI로 평가하는 신경계 질환 중에는 신속한 대응이 필요한 경우가 있다. 적시에 영상을 판독하고 임상 상황에 맞게 판단하는 일은 치료 기회를 놓치지 않기 위해 중요하다.

뇌출혈과 뇌졸중은 긴급한 평가와 치료가 필요한 대표적인 질환이다. MRI가 진단에 활용될 수 있지만 영상 소견을 임상 정보와 함께 전문적으로 해석해야 한다. 실제 응급 영상검사의 선택과 치료는 환자 상태와 의료진의 판단에 따른다.

뇌의 영역

신경영상은 신경계 질환 환자를 평가하는 중요한 도구다. MRI 수요의 지속적인 증가는 의료체계에 부담을 주고 결과 보고까지 걸리는 시간을 늘리며, 의료진의 소진을 심화시킬 수 있다.

미시간 대학교, AI MRI 모델 개발

《Nature Biomedical Engineering》에 발표된 「의료체계 규모의 데이터로 신경영상 모델 학습하기¹」 연구는 MRI를 수초 내 분석하는 AI 모델을 소개한다. 이는 향후 진료를 지원할 가능성을 보여주지만, 연구 성능과 실제 임상 도입 효과는 구분해서 보아야 한다.

Prima: MRI 판독을 위한 시각-언어 AI 모델

연구진은 Prima를 의료영상 분야의 ChatGPT에 비유한다. 이 표현은 여러 영상과 임상 정보를 함께 다루는 폭넓은 지원 도구를 지향한다는 뜻이며, 의사의 판단을 대체한다는 의미는 아니다.

Prima는 MRI 촬영장비가 아니라 영상을 분석하는 시각-언어 모델(VLM)이다. 영상과 텍스트 정보를 결합하며, 계층적 영상 처리 구조를 통해 개별 영상뿐 아니라 전체 검사에 담긴 특징을 학습한다. 이러한 구조가 다양한 판독 과제에 적용될 수 있는지를 연구진이 평가했다.

Prima가 진단 보조 도구로 작동하는 방식

연구진의 목표는 의료영상 판독을 지원하는 신뢰할 만한 보조 도구를 만드는 것이다. Prima는 한 가지 질환만 찾는 대신 폭넓은 진단 항목을 다루도록 설계되었다.

기존의 많은 AI 모델은 병변 탐지나 특정 질환 위험 예측처럼 제한된 과제에 초점을 맞췄다. Prima는 더 폭넓은 실제 진료 데이터로 학습해 검사 전반의 정보를 활용한다. 이는 진단 지원과 업무 흐름 개선에 도움이 될 가능성을 보여주지만, 실제 의사와 동일한 추론 능력을 갖췄다는 증거는 아니다.

22만 건 이상의 MRI 검사로 학습

연구진은 대규모 MRI 데이터가 필요했다. 미시간대학교 의료체계의 디지털 영상 기록을 활용했으며, 논문은 22만 건 이상의 검사로 학습했다고 설명한다. 대학 발표는 전체 자료에 약 560만 개의 영상 시퀀스가 포함된다고 소개했다. 여기서 검사 건수는 연구 논문의 수가 아니라 환자에게 시행한 영상검사 기록의 수다.

연구진은 검사 영상과 판독 보고서, 병력 및 검사 의뢰 사유 같은 임상 맥락을 활용했다. 평가는 주요 신경계 질환을 아우르는 52개 영상의학적 진단 항목을 대상으로 이루어졌다.

AI가 감별 진단을 생성하는 방법

Prima는 학습한 MRI 특징과 영상·언어 간 관계를 활용해 가능한 진단을 제시한다. 단순히 매번 전체 영상 데이터베이스를 검색해 정답을 찾는 방식으로 이해해서는 안 된다. 이용 가능한 병력과 검사 의뢰 사유 등은 해석을 돕지만, 모든 의료기록을 자동으로 종합해 완전한 환자 파일을 만드는 시스템으로 검증된 것은 아니다.

AI를 활용한 응급도 및 판독 우선순위 분류

Prima는 신속한 검토가 필요한 소견을 식별하고 우선순위를 정하는 기능도 평가받았다. 긴급성이 의심되는 검사를 의료진에게 알리는 업무 흐름에 활용될 수 있다. 이는 대응 지연을 줄이기 위한 기능이지 모든 응급 상황을 놓치지 않거나 실제 생존율 향상이 이미 입증되었다는 뜻은 아니다.

적절한 전문의에게 알림을 전달하는 업무 흐름

모델은 영상 소견에 따라 어떤 세부 전문 분야의 검토가 필요한지 추천할 수 있다. 예를 들어 뇌졸중이 의심되면 뇌졸중 전문 신경과 의료진이나 상황에 따라 신경외과의 검토로 연결하는 방식이다. 실제 연락 대상과 응급 처치는 기관의 진료 절차 및 담당 의료진이 결정한다.

AI 모델의 성능 평가와 검증

연구팀은 1년간의 의료체계 전반 평가에서 MRI 검사 29,431건을 사용해 모델의 예측과 기준 진단을 비교했다. 이는 모든 환자에게 AI가 독립적으로 진단과 치료를 수행한 임상시험이라는 의미는 아니다.

52개 진단 항목의 평균 AUROC 0.920

옆으로 밀어 표를 확인하세요 →

발표 논문은 52개 진단 항목에 걸친 평균 진단 AUC를 0.920으로 보고한다. 원문의 표에 기재된 0.975 AUROC와 보도에서 언급한 최대 97.5%를 모든 진단의 평균 정확도로 해석하면 안 된다. AUROC는 여러 판정 기준에서 양성과 음성을 구별하는 능력을 요약한 지표이며, 특정 기준에서 정답을 맞힌 비율인 정확도와 다르다. 모델은 연구에서 비교한 AI 모델들보다 우수한 결과를 보였지만 모든 경쟁 제품보다 낫다고 일반화할 수는 없다.

모델이 수초 안에 분석 결과와 우선순위 정보를 제공하면 전문의가 중요한 검사를 더 빨리 확인하는 데 도움이 될 수 있다. 이는 판독 대기 시간을 줄일 가능성을 뜻한다. 의사가 영상을 읽는 데 본질적으로 며칠이 걸린다는 의미도, 실제 치료 지연이나 환자 예후 개선이 이미 확정적으로 입증되었다는 의미도 아니다.

AI 기반 MRI 판독의 잠재적 이점

이 기술은 촬영이 끝난 영상의 분석과 판독 우선순위 결정을 앞당길 수 있다. MRI 촬영 자체에 필요한 시간을 줄이는 기술과는 구분해야 한다. 인력 부족이 심한 환경에서도 의료진이 더 신속하게 환자를 평가하도록 돕는 것이 목표다.

의료진을 보조하는 AI의 가능성

Prima는 AI가 기존 의료 업무를 어떻게 지원할 수 있는지 보여주는 연구 사례다. 적절히 검증하고 도입한다면 의료진의 부담을 덜 수 있다. 다만 임상적 효과와 안전성을 확인하려면 다양한 기관과 환자 집단에서 추가 평가가 필요하다.

검토 가능한 감별진단

Prima는 가능한 진단과 이를 뒷받침하는 영상 영역을 제시하는 설명 가능성을 연구했다. 의료진은 이를 검토하고 다른 임상 정보와 비교할 수 있다. 설명이 제공된다는 이유만으로 결과가 정확하거나 모델의 모든 판단 과정이 완전히 드러나는 것은 아니다.

실제 적용 및 배포 전망

가장 직접적인 활용 분야는 뇌 MRI 판독 지원이다. 같은 접근법이 향후 유방촬영, 흉부 X선, 초음파 등으로 확장될 가능성도 있다. 그러나 각 검사에는 별도의 학습 데이터와 검증이 필요하며, 현재 모델이 이미 모든 영상 분야에서 임상적으로 검증되었다는 의미는 아니다.

규제 절차와 상용화 일정

원문은 향후 5년 이내 상용화 가능성을 제시하지만 이는 확정된 출시 일정이 아니다. 임상 성능과 안전성 검증, 규제 절차, 병원 시스템 통합 등이 필요하다. 연구 발표만으로 Prima의 의료기기 허가나 상용 도입이 이루어졌다고 볼 수 없다.

연구팀 및 기관 지원

이 연구는 미시간대학교 연구진이 수행했다. 신경외과 의사이자 미시간대학교 의과대학 조교수인 토드 홀런이 선임 저자로 참여했으며, 이웨이 뤼(Yiwei Lyu), 사미르 하라케(Samir Harake), 아사두르 초두리(Asadur Chowdury)가 공동 제1저자로 기여했다.

참여 연구진에는 비카스 굴라니, 수먀닐 바네르지, 레이철 골로고르스키, 스쉬안 류, 안나카타리나 마이스너, 악샤이 라오, 천후이 자오, 아킬 콘데푸디, 청 장, 신하이 허우, 루시케시 S. 조시, 폴커 노이슈멜팅, 아쇼크 스리니바산, 돈 클라인도르퍼, 브라이언 애시, 아디티아 판데이, 홍락 리 등이 포함된다. 연구는 미국 국립보건원(NIH) 산하 국립신경질환뇌졸중연구소(NINDS)의 지원을 받았다.

신경영상 AI의 미래 개발

연구진은 아직 초기 평가 단계임을 인정하면서도 결과가 유망하다고 설명한다. 향후 더 상세한 환자 정보와 전자의무기록을 결합해 모델의 판단을 개선하고 개인별 임상 맥락을 더 잘 반영하는 것이 목표다. 이를 위해서는 개인정보 보호와 데이터 관리도 함께 고려해야 한다.

AI/헬스케어 통합에 투자하기

의료영상에 AI를 결합하려는 움직임은 투자 측면에서도 주목받는다. 종합 의료기기 제조업체뿐 아니라 판독 지원과 업무 효율 개선에 집중한 소프트웨어 플랫폼이 성장하고 있다. 다음은 이 분야에 사업 기반을 둔 상장기업의 사례이며, Prima 연구팀과 직접적인 상업적 관계가 있다는 뜻은 아니다.

RadNet (RDNT)

RadNet (RDNT )은 미국에서 수백 개 영상센터를 운영하는 대형 외래 진단영상 서비스 기업이다. 1981년 설립된 이 회사는 영상의학 서비스와 자회사 DeepHealth의 AI 소프트웨어를 결합한 수직통합형 사업 구조를 발전시켜 왔다.

RadNet은 AI를 부가 기능으로만 취급하지 않고 영상 업무 흐름에 통합하고 있다. 인수와 자체 개발을 통해 유방암, 폐결절, 신경계 이상 등의 탐지·평가를 보조하는 도구를 구축해 왔다. 각 도구의 적용 범위와 성능은 별도로 확인해야 한다.

DeepHealth의 확대는 중요한 변화였다. 이 사업부는 FDA의 허가·승인을 받은 특정 알고리즘을 영상 네트워크에 적용하는 데 주력한다. RadNet은 영상 서비스 매출과 진단 지원 소프트웨어를 결합할 수 있지만, 이러한 규제 지위가 모든 기능이나 Prima 같은 별도 연구 모델에 적용되는 것은 아니다.

영상 서비스와 소프트웨어를 함께 운영하면 실제 임상 데이터를 바탕으로 도구를 개선하고 자체 센터에서 활용 효과를 평가할 수 있다. 이는 처리량과 판독 품질을 높일 가능성이 있지만, 데이터 접근만으로 경쟁 우위나 임상 성과가 보장되지는 않는다.

AI 기반 영상 플랫폼 확장

RadNet은 제휴와 인수를 통해 AI 포트폴리오를 넓히며 영상의학 세부 분야에 진단 보조 도구를 적용하고 있다. 검사량과 보상 체계가 변화하는 가운데 AI 기반 우선순위 분류와 탐지가 업무 부담을 줄이고 수익성을 개선할 가능성이 있다. 실제 효과는 도입 비용과 임상 활용도 등에 달려 있다.

AI 의료영상 분야의 사업 성과에 투자하려는 관점에서 RadNet은 종합 의료기술 기업보다 영상의학 자동화에 집중된 사례다. 다만 주식 투자에는 경쟁, 규제, 부채와 비용, 보험수가 및 기술 도입 위험도 함께 따른다.

최신 RadNet (RDNT) 뉴스 및 실적

AI를 활용한 뇌 영상 판독: 결론

Prima 연구는 환자와 의료진을 지원하는 신경영상 AI의 가능성을 보여준다. 일관된 분석과 긴급 소견의 신속한 검토를 돕는 도구가 될 수 있지만, 임상 판단을 대체하거나 언제나 최고 수준의 진료를 보장하는 시스템으로 받아들여서는 안 된다.

추가 검증을 거쳐 안전하게 도입한다면 업무 부담이 큰 의료진을 지원하고 더 효율적인 의료체계에 기여할 수 있다. 앞으로는 다양한 환경에서의 성능, 오류 관리와 실제 환자 진료에 미치는 효과를 확인하는 것이 중요하다.

다른 AI 기술의 발전은 여기에서 살펴보세요.

참고문헌

^{1. Lyu, Y., Harake, S., Chowdury, A. et al. Learning neuroimaging models from health system-scale data. Nat. Biomed. Eng (2026). https://doi.org/10.1038/s41551-025-01608-0}