대형 언어 모델(LLM)이 뇌졸중 환자 분석에서 신경과 전문의를 도울 수 있을까?

인공지능(AI)은 이번 십 년간 가장 큰 기술 혁신 중 하나입니다. ChatGPT의 출시로 AI가 특히 주류로 떠올랐으며, 그 적용 분야는 의료를 포함한 다양한 분야에 확대되었습니다. 특히 신경과 전문의들은 AI를 사용해 뇌졸중이 발생한 위치를 정확히 파악함으로써 큰 혜택을 받을 가능성이 높습니다, 최근 연구에 의해 밝혀졌듯이.

뇌졸중에 대해 말하자면, 이는 미국인들의 주요 사망 원인 중 하나이며, 미국에서는 40초마다 한 사람이 뇌졸중을 겪고, 3분 14초마다 한 사람이 뇌졸중으로 사망합니다. 사망 외에도 뇌졸중은 장기적인 장애를 초래할 수 있습니다. 따라서 뇌 내 뇌졸중 위치를 파악하면 장기적인 영향을 예측하는 데 도움이 되며, 그 영향은 개인의 이동성 저하부터 언어 및 말 능력 손상까지 다양하게 나타날 수 있습니다. 또한 AI는 환자의 예후를 판단하고 최적의 치료법을 결정하는 데 도움을 줄 수 있습니다.

일반적으로 뇌 스캔을 통해 뇌졸중으로 인한 조직 손상 부위인 병변의 위치를 찾을 수 있습니다. 그러나 모든 사람이 병변 검사를 위해 신경과 전문의에게 접근할 수 있는 것은 아닙니다.

이 격차를 해소하기 위해, 연구 저자이자 미국 신경학회 회원이자 브루클린에 있는 뉴욕주립대학 다운스테이트 보건과학대학의 정현 이(Jung-Hyun Lee) 박사는 “우리는 GPT-4가 개인의 건강 이력과 신경학적 검사를 기반으로 뇌졸중 후 뇌 병변을 정확히 찾아낼 수 있는지 여부를 확인하고자 했다”고 말했습니다.

연구에 참여한 다른 연구자들로는 뉴욕 링컨 메디컬 센터 내과 부서의 최은희 박사, 예일 공중보건대학 통계학부 및 Wu‑Tsai Institute의 컴퓨테이셔널 바이오인포매틱스 프로그램의 로버트 맥두걸 박사, 그리고 뉴욕주립대학 다운스테이트 보건과학대학 신경과와 킹스 카운티 병원 신경과의 윌리엄 W. 리튼 박사가 있습니다.

미국 신경학회 온라인 저널인 Neurology® Clinical Practice에 게재된 이 연구는 신경학적 검사와 건강 이력에서 추출한 텍스트를 처리하여 뇌 병변 위치를 식별하는 AI의 능력을 보여주었습니다.

이를 위해 연구팀은 대형 언어 모델(LLM)인 GPT-4를 사용했습니다. 이 생성 사전 학습 변환기는 방대한 데이터를 기반으로 학습되었으며, 텍스트 기반 질의에 대한 텍스트 응답을 생성하는 데 “놀라운 능력”을 보여주었습니다.

이 시도는 처음이 아니며, LLM의 기능은 이전에도 의사들이 제시한 자유형 질문에 답하는 데 탐색된 바 있습니다. 그러나 이전에 개발된 병변 위치 파악 소프트웨어는 범위가 제한적이었습니다. 이 연구의 목표는 임상 증상에 기반한 급성 뇌졸중 병변 위치 파악에서 GPT‑4의 능력을 평가함으로써, 향후 신경학 분야에서 AI가 임상 도구로서 수행할 수 있는 잠재적 역할을 보여주는 것입니다.

거대한 잠재력

이 연구에서 연구원들은 뇌졸중을 겪은 46건의 공개 사례의 건강 이력과 신경학적 신체 검사를 수집했습니다. 이 텍스트 데이터를 GPT‑4에 입력했습니다. Zero‑Shot Chain‑of‑Thought와 Text Classification 프롬프트 기법을 활용하여 모델에게 각 환자에 대해 세 가지 구체적인 질문에 답하도록 했으며, 이를 세 번 반복했습니다: 참가자가 단일 병변인지 다중 병변인지, 병변이 뇌의 어느 쪽에 위치했는지, 그리고 병변이 뇌의 어느 영역에 있는지.

각 참가자의 뇌 스캔 결과와 GPT‑4 결과를 비교한 결과, 연구진은 소뇌와 척수의 병변을 제외하고는 결과가 꽤 만족스러웠다고 밝혔습니다.

GPT‑4는 대부분의 경우에서 뇌 병변 위치를 식별하는 데 높은 정확도를 보여주었으며, 특이도 87%(음성을 정확히 식별한 비율)와 민감도 74%(양성을 정확히 식별한 비율)를 달성했습니다. 또한 가장 영향을 받은 뇌 영역을 판단할 때는 특이도 94%와 민감도 85%를 기록했습니다.

연구는 또한 모델이 76%의 참가자에서 병변 수를, 83%에서 병변 위치를, 87%에서 특정 뇌 영역을 일관되게 식별했음을 발견했습니다. 그러나 각 참가자에 대해 세 번의 시도에서 세 가지 질문 모두에 대한 모델의 응답을 평가했을 때, 일관성이 크게 떨어져 GPT‑4는 41%의 참가자에게만 정확한 답변을 제공할 수 있었습니다.

이는 GPT와 같은 생성 사전 학습 변환기(LLM)가 “아직 임상에서 사용하기에 준비되지 않았다”는 것을 의미합니다. 그럼에도 불구하고, 이들은 뇌졸중 후 병변 위치를 식별하는 데 잠재력을 보여주며, 다양한 언어에 걸쳐 기능할 수 있는 능력 덕분에 의료 격차를 줄이는 데 기여할 수 있습니다.

이 연구는 특히 원격 의료 사용이 급증함에 따라 뇌졸중 치료에서 신경학적 전문성의 중요성이 커지고 있음을 강조합니다. 또한, 모델은 추가 영상 검사의 필요성이나 신경과 전문의 상담이 필요한지를 신속히 판단하는 데 도움을 줄 수 있습니다.

Lee에 따르면: 

“그들의 활용 가능성은 특히 여러 국가에서 신경학적 치료 접근성이 제한된 취약 지역의 의료 개선에 대한 큰 필요성 때문에 고무적입니다.”

특히 GPT‑4의 정확도는 제공되는 데이터의 품질에 좌우되며, 뇌졸중 환자 모두에게 의료 이력 및 신경 검사에 대한 상세 정보가 항상 제공되는 것은 아닙니다.

연구는 연구자들이 의료 훈련이나 파인튜닝이 없는 LLM과 작업해 왔음을 강조했습니다. 또한 비정형 사례 보고서들은 종종 충분히 상세한 건강 이력 및 신경학적 검사가 부족했습니다. 따라서 부정확성은 공개된 사례의 정보 부족, 논리적 오류 또는 기본 지식 기반의 공백에서 비롯되었습니다.

따라서 물류, 법적, 환자 안전 및 프라이버시, 정확성과 일관성 보장, 그리고 병원 워크플로와의 통합을 포함한 추가 연구가 필요합니다.

2023년이 인공지능의 돌파기였던 이유를 알아보려면 여기를 클릭하세요.

의료 분야에서 LLM의 중요성 및 활용 증가

이 연구는 뛰어난 결과를 보여주며, 의료 분야에서 LLM의 역할이 확대되고 있다는 또 다른 사례를 제시합니다. LLM은 다양한 방식으로 이 분야를 변화시키고 있습니다. 그 활용은 탐색 단계에서 점차 실용적인 사용으로 전환되어 현재 임상 연구와 환자 치료에 영향을 미치고 있습니다. 방대한 데이터를 처리하고 실시간 통찰을 제공하며 인간 수준의 품질과 전문 지식을 갖춘 텍스트를 생성하는 능력은 이 분야를 혁신하고 있습니다.

인터넷에서 수집한 텍스트, 이미지, 비디오 등 방대한 복합 데이터를 학습한 이 모델들은 의료를 포함한 다양한 분야에서 다목적으로 활용됩니다.

Microsoft (MSFT ) 가 지원하는 OpenAI가 2018년에 첫 번째 LLM인 GPT‑1을 출시하면서 처음 주목받기 시작했습니다. 공개 접근성과 편리한 사용성이 널리 채택되는 데 기여했으며, 이는 인간 피드백을 통한 강화 학습(RLHF)을 모델에 도입함으로써 이전 버전보다 더 신뢰성 있고 인간과 유사한 출력을 제공하게 되었습니다.

LLM 기반 챗봇 애플리케이션인 ChatGPT가 출시된 이후, Meta(Llama), Google(BARD), Amazon (AMZN ), 그리고 Salesforce가 지원하는 Anthropic(Claude) 등 여러 기술 기업들이 자체 LLM을 공개했습니다. 한편, OpenAI의 최신 버전인 GPT‑4는 미국 의학 면허 시험(USMLE) 합격 점수를 초과하는 등 향상된 능력을 보여주고 있습니다.

이와 같이 ChatGPT는 의료 분야에서도 능력을 입증했으며, LLM을 미세 조정하고 추가 학습을 제공함으로써 환자 치료를 개선할 수 있습니다. 인간과 같은 커뮤니케이션 능력 덕분에 GPT는 환자 만족도 향상과 최적의 임상 결과를 도출하는 데 상당히 효과적입니다.

방대한 데이터를 처리하는 것은 인간에게는 벅찰 수 있지만, LLM은 이를 짧은 시간에 손쉽게 수행합니다. 데이터 정리를 통해 효율적으로 활용할 수 있게 하며, 과거 데이터뿐만 아니라 실시간으로 들어오는 활력 징후와 환자 증상 등을 지속적으로 분석해 의료 전문가가 신속하고 실시간으로 의사결정을 내리는 데 크게 도움을 줍니다.

과학 문헌, 임상 시험, 치료 지침 및 의료 기록 등 방대한 데이터셋을 분석함으로써 LLM은 새로운 치료법을 발굴하고 효과적인 치료법을 개발하는 의료 연구를 가속화하고 있습니다. 또한 모델은 상관관계를 파악하고 패턴을 감지하여 질병에 대한 이해를 증진하고 의료 연구를 촉진합니다.

게다가 이러한 모델은 정확한 진단 및 개인 맞춤형 치료 계획 수립과 같은 임상 결정을 지원하는 귀중한 통찰을 제공하여 환자 치료를 개선합니다. 또한 LLM은 환자에게 이해하기 쉬운 정보를 제공함으로써 자신의 상태를 더 잘 이해하고 의료 여정에 적극 참여하도록 돕습니다.

AI가 다재다능한 이유를 알아보려면 여기를 클릭하세요.

의료 분야 혁신 주도

광범위한 혜택과 잠재력을 고려할 때, 의료 분야 생성 AI 시장은 2022년에 10억 달러 이상으로 평가되었으며, Generative AI Tracker에 따르면 2032년까지 220억 달러로 성장할 것으로 예상됩니다.

의료기기 분야에서 AI 활용에 관해, 심장학이 이 추세를 주도하고 있습니다, 2022년에 FDA가 승인한 AI 기반 의료기기의 57%가 심장학 분야에 속했으며, GlobalData에 따르면 이 추세는 앞으로도 지속될 것이며, 2019년부터 2024년까지 의료기기 기업의 AI 지출은 연평균 20.6% 성장할 것으로 예상됩니다.

앞으로는 AI와 3D 바이오프린팅을 결합하여 각 환자의 특정 요구에 맞춘 완전 기능성 장기를 제작하는 사례도 볼 수 있을 것입니다.

이러한 잠재력으로 인해 많은 주요 조직이 의료 산업을 위한 특화된 AI 기반 솔루션을 출시하고 있습니다. 예를 들어, 마이크로소프트는 Nuance Dragon Ambient eXperience(DAX)라는 특화 솔루션을 제공하며, 이는 임상의와 환자 간 대화를 캡처해 메모로 변환하고 전자 건강 기록(EHR)에 통합합니다.

구글은 이미 의료에 특화된 LLM인 MedLM을 Vertex AI 플랫폼을 통해 제공하고 있습니다. 이후 구글은 최신 연구를 기반으로 건강 AI 모델을 교육하여 의료 분야에 AI를 적용하고 있습니다. 파트너 조직은 이 모델을 활용해 간호사 업무 인계 절차를 간소화하고 임상의 문서 작성을 지원하는 솔루션을 구축했습니다.

지난 달 구글은 모델에 새로운 기능을 추가하고 Chest X-ray용 MedLM을 출시하여 방사선학의 방식을 변화시켰습니다. 이 아이디어는 생성 AI가 다양한 사용 사례에 대해 흉부 X‑ray를 분류하는 데 도움을 주어 의료 조직을 지원하는 것입니다.

하지만 이것이 전부는 아닙니다. 구글 리서치는 Fitbit과 협력해 개인 건강을 위한 대형 언어 모델을 개발하고 있으며, 이 모델은 Fitbit 모바일 앱에서 웰니스 기능을 지원하고 개인의 건강 및 피트니스 목표에 맞춘 맞춤형 코칭을 제공하도록 작업 중입니다.

아마존 웹 서비스(AWS)도 HealthScribe를 제공하는데, 이는 상담 대화를 분석해 평가, 현병력, 치료 계획 등과 같은 섹션의 요약 임상 메모를 생성합니다. 조직은 이러한 메모를 임상 애플리케이션에 통합해 환자 방문을 보다 효율적으로 요약할 수 있습니다.

올해 초, 의료 기술 기업인 Siemens Healthineers (SHL.SW ) 는 인도 과학 연구소(IISc)와 협력하여 AI 기반 정밀 의학을 위한 Siemens Healthineers (SHL.DE ) ‑Computational Data Sciences(CDS) 협업 연구소를 설립했습니다. 이 연구소는 신경영상 데이터에서 병변을 정확히 분할하는 오픈소스 AI 도구 개발에 중점을 두어, 신경학 관련 질병의 보다 정확한 진단과 임상 효과 분석에 기여합니다.

이는 의료 분야에서 AI 트렌드가 성장하고 있는 시작에 불과합니다. 인공지능의 역할은 훨씬 더 커질 것으로 예상됩니다. 현재는 수술 중 실시간으로 환자 맞춤형 3D 모델을 생성하는 데 사용되고 있으며, 앞으로는 인터랙티브한 의료 경험을 제공해 환자 교육 및 참여를 혁신할 것입니다. 심지어 유전체 편집 분야에서도 AI는 복잡한 유전 데이터를 분석하는 것을 넘어, 고도로 맞춤화된 유전자 편집을 위한 보다 정확한 유전자‑질병 연관성 예측을 제공할 것으로 기대됩니다.

AI 기반 몰입형 가상현실 치료 세션은 정신 건강 치료에 활용되는 또 다른 방법이며, 나노봇은 AI를 활용해 다양한 의료 상태를 조기에 식별하고 대응할 수 있습니다.

하지만 의료 분야에서 LLM을 적용하는 데는 우려도 존재합니다. 개인정보 보호, 투명성 및 보안과 같은 윤리적 문제에 대해 연구자, 의료 전문가 및 의료 기관이 신경 써야 합니다. 또한 이러한 모델은 책임 소재가 부족해 잘못된 정보가 퍼질 위험이 있으며, 기존 편향을 재현하는 한계도 내포하고 있습니다.

전 세계 정부는 AI가 제기하는 문제를 해결하기 위해 노력하고 있습니다. 유럽은 이미 AI에 대한 법적 프레임워크를 마련했으며, 영국 보건사회복지부는 AI를 활용한 의료기기 개발에 사용되는 데이터의 투명성을 향상시킬 계획입니다.

AI와 신경과학의 성장하는 시너지에 대해 알아보려면 여기를 클릭하세요.

결론

LLM은 이미 의료 산업에서 활용도가 증가하고 있으며, 앞으로도 채택 및 영향 측면에서 더욱 성장할 것으로 예상됩니다. 그러나 이러한 모델은 책임감 있게 사용되어야 하며, 근본적인 데이터는 어떠한 내재적 편향이나 잘못된 정보 없이 최고 품질이어야 정확한 결과와 더 나은 환자 결과를 제공할 수 있습니다.

인공지능 투자에 대해 모두 알아보려면 여기를 클릭하세요.