바이오테크
AI, 귀중한 의료 진단 도구가 될 전망
Securities.io를 Google의 선호 소스에 추가
오래된 진단을 위한 새로운 도구
의학에서는 오랫동안 환자를 눈으로 관찰하는 일이 진단의 중요한 부분이었다. 귀 질환에서도 고막의 미세한 소견을 해석하려면 훈련과 경험이 필요하다.
급성 중이염 진단에서는 검사자의 숙련도가 중요하다. 이전 임상 연구에서는 진단 정확도가 의료 제공자 유형, 교육 수준, 검사 대상 아동의 연령에 따라 30%에서 84%까지 보고되었습니다. 이 수치는 서로 다른 조건의 연구 결과이므로 새로운 AI 도구와 단순 비교해서는 안 된다.
급성 중이염은 고막 뒤에 액체가 고이지만 급성 감염 소견은 없는 삼출성 중이염과 혼동될 수 있다. 삼출성 중이염에는 일반적으로 항생제가 도움이 되지 않는다. 따라서 두 상태를 잘못 구분하면 필요한 치료를 놓치거나 불필요한 항생제를 처방할 수 있다.
연구진은 스마트폰과 영상 분석 AI를 활용해 의료진의 진단을 돕는 도구를 개발했다. 정확한 판별은 불필요한 항생제 사용과 내성 발생 위험을 줄이는 데 기여할 수 있지만, 실제 처방 개선 효과는 임상 도입 과정에서 확인해야 한다.
“진단 부족은 부적절한 치료를 초래하고, 과잉 진단은 불필요한 항생제 치료를 야기하여 현재 사용 가능한 항생제의 효과를 저하시킬 수 있습니다. 우리의 도구는 정확한 진단을 내리고 올바른 치료를 안내하는 데 도움을 줍니다.”
알레한드로 호버먼 의학박사 — 피츠버그대학교 의과대학의 일반 소아과 분과 책임자이자 소아과 교수.
출처: UPMC
UPMC의 연구 소개는 어린이 약 70%가 첫돌 이전에 귀 감염을 경험한다고 설명한다. 이는 해당 소개가 인용한 추정치이며 지역과 질환 정의에 따라 달라질 수 있다.
AI 진단
호버먼 교수는 뉴욕대학교 탠던공과대학, 피츠버그의 Bosch 인공지능센터, 스웨덴 스톡홀름의 Dcipher Analytics 연구진 등과 함께 급성 중이염 판별 도구를 개발했다.
연구 결과는 JAMA Pediatrics에 “어린이 급성 중이염 진단을 위한 자동 분류기의 개발과 검증”이라는 제목으로 발표되었다.
이 도구는 스마트폰 카메라에 연결한 이경으로 촬영한 짧은 고막 영상을 분석한다. 적절한 장비와 영상 품질, 의료진의 해석이 필요하다.
연구진은 어린이 635명에게서 얻은 고막 영상 1,151개를 사용했다. 전문가의 진단을 기준으로 급성 중이염 여부를 분류하도록 두 가지 모델을 개발했다.
영상 921개는 모델 학습에, 나머지 230개는 내부 시험에 사용되었다. 이는 광범위한 외부 의료기관에서 검증이 완료되었다는 뜻은 아니다.
고막의 모양, 색, 위치와 투명도 등이 분석 대상이었으며, 특히 고막의 팽륭이 급성 중이염 판별과 밀접하게 관련되었다.
출처: UPMC
진단 성능과 한계
최종 심층 잔차·순환 신경망 모델의 민감도는 93.8%, 특이도는 93.5%였다. 원문의 9.38%는 오류다. 결정트리 방식 모델은 각각 93.7%와 93.3%였다. 민감도와 특이도는 서로 다른 지표이며, 오진이 전혀 없다는 의미는 아니다.
결과는 유망하지만 기존 의료진 연구의 정확도와 조사 조건이 다르므로 모든 의사보다 우수하다고 일반화할 수 없다. 대상 인구, 영상 품질 및 실제 진료 환경에서의 추가 검증이 중요하다.
촬영 영상을 보관하면 환자나 보호자에게 소견을 설명하고 의무기록과 교육에 활용할 수 있다. 이때 개인정보 보호와 적절한 보관 절차가 필요하다.
이 도구는 일차진료 의료진의 판단을 보조하고 불필요한 항생제 처방을 줄이는 데 도움을 줄 가능성이 있다. 의료진의 진찰과 임상 판단을 대체하는 도구로 단정해서는 안 된다.
스마트폰과 이경을 이용한다는 점은 도입을 쉽게 할 수 있다. 다만 장비 호환성, 사용자 교육, 승인 및 실제 임상 검증이 신속한 보급의 전제다.
AI 진단 기업
의료 영상에는 환자와 촬영 조건에 따른 다양한 변이가 있어 자동 분석이 어렵다. 데이터 품질과 대표성은 AI 성능의 중요한 제한 요인이다.
신경망 등 영상 분석 기술의 발전으로 복잡한 패턴을 학습하는 능력이 개선되었다. 자율주행의 컴퓨터 비전도 같은 넓은 기술 분야에 속하지만, 의료 진단에는 별도의 검증이 필요하다.
의료진은 CT, MRI, 고막 영상 등에서 소견을 판별한다. AI는 특정 과제에서 유용할 수 있으나 도로 영상에서의 성공이 감염이나 종양 진단 능력을 자동으로 입증하지는 않는다. 성능은 질환과 데이터, 사용 환경별로 평가해야 한다.
여러 의료기기 기업이 영상 시스템에 AI를 도입하고 있다. 예로 GE Healthcare, Siemens Healthineers, Canon Medical, Philips 등이 있다. 이들은 사업이 다양하므로 AI 진단에만 투자하는 기업은 아니다.
더 전문화된 기업으로는 PathAI와 Viz.AI 등이 있지만, 기사 작성 당시에는 비상장 기업이었다. 아래에서는 상장 기업을 살펴본다. 이 기업들이 모두 앞서 소개한 중이염 연구에 참여했다는 뜻은 아니다.
1. Butterfly Network
BFLY 가격 차트
Butterfly Network는 휴대용 초음파 장치와 영상 관리·업무 흐름 소프트웨어를 개발한다. 소프트웨어 제품 중 하나는 “Compass”다. Compass 자체를 독립적으로 모든 질환을 진단하는 AI로 해석해서는 안 된다.
회사는 3세대 초음파 프로브를 2024년 iQ3라는 이름으로 출시했다. 회사의 2024년 2월 출시 발표에 따르면 iQ3는 이전 세대 대비 데이터 전송률이 두 배이고, iQ+ 대비 처리 성능도 두 배다. 장치는 기존 압전 결정 대신 반도체 기반 정전용량형 미세가공 초음파 변환기(CMUT)를 사용한다.
iQ3는 영상 성능과 사용 편의성 개선을 내세우며 새로운 3차원 영상 기능, 다중 평면 보기, 소프트웨어 연동과 빠른 시작 등을 제공한다. 가격은 구독료, 기능과 비교 대상에 따라 달라지므로 언제나 더 저렴하다고 할 수 없다.
지원 기능에는 영상 획득 보조, 일부 자동 측정 및 교육 도구가 있다. 기능별 승인 범위와 사용 조건을 확인해야 한다.
회사는 싱가포르, 인도네시아, 필리핀 등 아시아 시장과 수의학 분야의 확대를 추진했다. 휴대성은 현장 사용에 유리할 수 있으나 시장 진입이 매출 성장을 보장하지는 않는다.
2. Enlitic (ENL.AX)
Enlitic은 의료 영상의 메타데이터와 설명을 표준화하는 AI 기반 기술을 개발했다. 이는 DICOM 같은 영상 표준을 대체하기보다 서로 다른 시스템에서 정보의 일관성을 높이는 접근이다. 표준화와 질병 진단은 구분해야 한다.
회사의 기술은 컴퓨터 비전과 자연어 처리를 활용해 CT, MRI, X선 영상의 신체 부위, 방향, 조영제 사용, 절편 두께 등 관련 정보를 분석하고 정리한다.
출처: Enlitic
일관된 표기는 영상 검색, 시스템 간 연동, 자동화와 AI 개발을 지원할 수 있다. 다만 라벨의 정확성과 각 기관의 업무 흐름을 검증해야 한다.
표준화된 데이터는 연구나 다른 AI 개발에도 활용될 수 있다. 병원이나 영상센터의 데이터 활용에는 비식별화뿐 아니라 동의, 개인정보 보호와 관련 법적 요건도 충족되어야 하며 수익화가 자동으로 허용되는 것은 아니다.
