세 영역이 겹치는 자리
이 장이 첫 그림(Fig. 14.1)에서 그리는 것은 세 영역의 교집합이다. 인공지능, 의료영상, 약리학. 각각은 이미 성숙한 분야지만, 겹치는 자리에서 무엇이 가능해지는가가 이 장의 질문이다.
영상 쪽에서 쓰이는 세 가지 구조
- 합성곱 신경망(CNN) — 특징 추출과 분류에서의 성공으로 가장 널리 받아들여졌다.
- 트랜스포머와 어텐션 — 순서 의존적 진단 과제와 양식 간 데이터 통합을 뒷받침하기 시작했다. 합성곱 없이 전역 맥락을 모형화한다는 것이 비전 트랜스포머(ViT)의 요점이다. 이미지를 겹치지 않는 패치로 자르고, 각 패치를 선형 사영으로 토큰에 대응시킨 뒤, 클래스 토큰과 위치 부호화를 더해 여러 인코더 블록을 통과시킨다.
- 스파이킹 신경망(SNN) — 뇌의 처리 방식에서 착안한 구조로 신경영상학에 적용되었다. 시간적 영상 데이터를 다루면서 정확도는 높이고 에너지 소모는 줄인다.
메디컬 4.0은 의료 디지털화의 현 단계를 가리키는 말이다. AI를 사물인터넷, 로봇공학, 클라우드 컴퓨팅과 통합해 진단, 환자 감시, 개인 맞춤 진료를 강화한다. 이 생태계에서 AI 도구는 영상과 전자의무기록에서 지속적으로 학습하며 자동화와 지능적 의사결정을 뒷받침한다.
의료 영상 데이터는 흔히 이질적이고, 잡음이 섞여 있고, 불완전하다. 이 문제가 AI 모형의 신뢰성을 떨어뜨리고 예측에 불확실성을 만든다.
대응으로 제시되는 것이 데이터 학습 패러다임이다. 기계학습, 데이터 동화(data assimilation), 오차 보정을 결합해 실제 임상 환경에서 모형의 강건성을 높이려는 접근이다.
또 하나는 AutoML이다. 모형 선택, 하이퍼파라미터 조정, 배치를 자동화해 비전문가와 소규모 의료기관도 AI를 도입할 수 있게 한다. 다만 이 장은 9절에서 AutoML의 네 가지 문제를 따로 나열한다. 뒤에서 다시 나온다.
덧씌우기 — 영상에서 용량까지
표 14.1은 이 장이 다루는 다섯 과제를 정리한다. 종양 분할, 바이오마커 검출, 약–표적 상호작용, 약물 반응 모형화, PK/PD 층화. 앞의 둘은 영상 위에 무엇을 덧씌우는 일이고, 뒤의 셋은 영상에서 나온 수치가 영상을 떠나 분자와 처방으로 넘어가는 일이다.
앞의 두 단계에서 AI는 영상을 읽는다. 경계를 그리고 표지를 찾는다. 검증이 비교적 쉽다. 사람이 그린 정답과 대조하면 되기 때문이다. Dice 계수 같은 지표가 그래서 성립한다.
뒤의 세 단계에서 AI는 영상을 떠난 수치로 예측한다. 이 약이 이 표적에 붙을 것인가, 이 환자가 반응할 것인가, 용량을 얼마로 할 것인가. 여기서는 정답이 미래에 있다. 검증하려면 기다려야 한다.
이 장의 사례 다섯 개 가운데 앞의 하나(태아 뇌 분할)만 분할 과제이고 나머지 넷은 전부 뒤쪽 단계라는 점을, 뒤의 사례 표를 볼 때 함께 기억해 둘 필요가 있다.
3 종양 검출과 바이오마커
과거의 접근은 대개 수작업 분할에 의존했다. 노동집약적이고 임상 판단의 편차에 노출된다. 딥러닝, 특히 CNN이 MRI와 CT를 가로질러 더 일관되고 정확한 종양 위치 파악을 가능하게 했다.
- Gaze Assist — 준지도 모형으로 제한된 주석 데이터셋을 더 효과적으로 쓴다. 조직 대비가 낮고 태아의 움직임 때문에 분할이 까다로운 태아 MRI에서 특히 유용했다.
- TS-CNN — 계층적 어텐션 기제로 종양의 하위 구역을 구분한다. 치료 계획 수립과 예후 판정에 결정적이다.
- 비전 트랜스포머 — 유방촬영술 종양 분류에 적용되어 판별에 기여하는 영역에 대한 어텐션이 개선되었다는 보고가 있다.
- 설명가능 분할 — 유방촬영에서 국소 해상도를 유지하면서 의사결정을 뒷받침할 시각 단서를 준다.
- 이상 탐지와 생성 학습 — 정상적인 영상 양상을 학습한 뒤 악성을 시사할 수 있는 이탈을 표시한다.
다만 원문은 곧바로 단서를 단다. 이런 도구 상당수가 아직 학술기관이나 3차 의료기관에 갇혀 있다. 더 넓은 임상 채택에는 배치의 단순화, 인구집단 전반에 걸친 더 나은 검증, 그리고 일상적인 영상 소프트웨어와의 통합이 필요하다.
4–5 약–표적 상호작용과 그래프 신경망
합성곱과 순환의 결합
약물과 표적의 공간적 특징과 순차적 특징을 함께 포착한다. 비선형 관계와 결합 친화도 학습에 특히 효과적이었다. DeepH-DTA는 화합물과 단백질 서열에 합성곱 인코더를 적용해 코로나19 약물 재창출에 쓰였다.
위상 정보의 도입
분자와 단백질 서열을 그래프로 표현하고 교차 어텐션을 적용해 약물과 표적의 임베딩을 더 잘 정렬한다. 복잡한 약리학 지형에서 예측 정확도가 개선되었다.
설명가능 그래프 신경망
학습된 분자 상호작용을 해석해 어느 하위 구조나 경로가 약효에 가장 기여하는지 짚어낸다. SHAP으로 분자 하위 구조·경로·오믹스 특징의 기여도를 정량화하고, 돌출 지도와 어텐션 가중치 시각화로 어느 원자, 결합, 유전자 발현 노드가 영향력이 큰지 드러낸다.
이중 흐름 융합
약물의 분자 구조와 오믹스 수준의 세포 데이터를 각각 그래프로 처리한 뒤 어텐션 기반 융합 층에서 정렬한다. 세포주별 약물 민감도 예측에서 성능 개선을 보였다.
이 장이 5절 끝에서 구체적으로 짚는 대목이다.
시간적 어긋남. 영상과 바이오마커 측정이 서로 다른 시점에 수집되는 경우가 많아 동기적 통합이 어렵다. 양식의 결손. 모든 환자가 모든 검사를 받지는 않으므로 특징 집합이 불완전해진다. 해상도의 이질성. 복셀 수준의 영상 특징과 벌크 유전체 측정을 직접 표현 학습에 넣기 어렵다.
대응으로 대치(imputation) 전략, 교차 양식 트랜스포머, 양식별 인코더가 제안되지만 견고한 해법은 아직 제한적이다.
6 PK/PD 모형화와 환자 층화
약동학은 약물의 흡수·분포·대사·배설을 기술하고, 약력학은 약물이 몸에 미치는 효과를 바이오마커, 수용체 점유, 용량–반응 관계로 나타낸다. 둘을 결합한 PK/PD 모형은 전신 노출과 임상 효과를 이어 치료 결과를 더 온전하게 본다.
구획 모형이나 생리학 기반 접근 같은 전통적 PK 모형은 수학적으로 견고하지만 환자 반응의 실제 변이를 자주 놓친다. 최근 기계학습은 유전체, 동반질환, 치료 이력 같은 환자별 공변량을 모형화해 이 문제를 다룬다. 지도학습은 희소 표본에서 농도–시간 곡선을 추정해 잦은 채혈의 필요를 줄인다.
영상 바이오마커가 여기에 들어온다. CT로 측정한 종양 부피, PET으로 정량화한 대사 활성, MRI로 관찰한 기능적 변화가 PK 매개변수와 결합되어 용량 결정을 동적으로 알려 준다. 약력학 모형이 이 영상 특징을 종양 축소, 무진행 생존, 독성 위험 같은 치료 효과의 추정치로 옮긴다.
원문은 6절 끝에서 이렇게 적는다. “이 절은 방법론적 성숙도가 더 높은 PK 모형화에 무게를 둔다.”
이유도 함께 적혀 있다. 약력학 결과는 약동학 지표보다 잡음이 많고 표준화가 덜 되어 있어 재현성에 문제가 있다. 영상 품질의 편차, 조화된 바이오마커 규약의 부재, 인구집단 데이터의 차이가 폭넓은 채택을 가로막는다.
노출을 재는 일과 효과를 재는 일 사이의 이 비대칭은, 이 장 전체가 반복해서 부딪히는 문제이기도 하다.
설계, 최적화, 그리고 계산 기반
서열만 쓰는 표현은 생화학적 상호작용의 바탕에 있는 공간적·관계적 제약을 놓친다. 그래프 기반 접근이 이 한계를 다룬다. 분자를 원자–결합 그래프로, 단백질을 잔기 수준 네트워크로 표현한다. 구조 인식 GNN은 3차원 위상을 부호화해 임베딩을 다듬어 분자 도킹의 원리에 더 가까워진다.
여기에 영상 유래 바이오마커 — 종양 표현형이나 방사선체학 특징 — 를 조건으로 걸면 화학 탐색 공간을 바이오마커로 좁힐 수 있다. 생물학적 서명과 화학적 실현 가능성이 함께 후보 우선순위를 이끄는 파이프라인이 만들어진다.
데이터가 적을 때
희귀질환이나 자원이 부족한 의료 환경에서는 대규모 주석 데이터셋 확보 자체가 큰 제약이다. 퓨샷 학습은 메타 학습 전략으로 소수의 표지 사례에서 일반화하게 하고, 전이학습은 자연 이미지나 대규모 영상의학 데이터셋으로 사전학습한 모형을 제한된 임상 데이터에 미세조정하게 한다. 사전학습된 비전 트랜스포머를 유방 종괴 유방촬영 분류에 전이한 사례에서는 거의 완벽한 AUC를 달성해 CNN 기준선을 앞섰다는 보고가 있다.
9 네 가지 계산 패러다임
| 패러다임 | 이점 | 한계 | 쓰임새 |
|---|---|---|---|
| 엣지 컴퓨팅 | 기기에서 저지연 실시간 처리가 가능하다. 전송 지연이 줄고 프라이버시가 개선된다 | 하드웨어 제약과 기기 편차에 묶인다 | 기기 내 단층 영상 재구성 |
| 연합학습 | 데이터 프라이버시를 지키면서 다기관 학습을 지원한다 | 통신 부담이 크고 수렴이 느리다 | 여러 병원에 걸친 종양 분류 |
| AutoML | 비전문가를 위해 모형 선택과 튜닝을 자동화한다 | 도메인 지식의 안내가 없으면 성능이 떨어질 수 있다 | 소규모 병원의 분할 모형 탐색 |
| 생체 모방 최적화 | 확장 가능한 모형 튜닝으로 설명가능성을 높인다 | 수렴에 시간이 더 걸릴 수 있다 | 약물 시너지용 해석 가능 의사결정지원 설계 |
연합학습이 실제로 돌아간 곳
- FeTS 챌린지(Federated Tumor Segmentation) — MRI를 대상으로 연합 벤치마킹을 위해 설계된 다기관 뇌종양 데이터셋을 공개했다.
- 라드바우드 대학의료센터와 협력 기관들 — 기가픽셀 전슬라이드 영상을 중앙에 모으지 않고 연합 조직병리 분류 파이프라인을 시범 운영했다.
- GDSC와 CTRP 같은 약물유전체 데이터셋 — 각 기관이 자체 오믹스·영상 데이터를 보유한 채 약물 반응의 전역 예측 모형에 기여했다.
이 구현들은 가능성과 함께 실무적 장애도 드러냈다. 비독립·비동일분포 데이터, 제각각인 영상 규약, 통신 부담이 재현성의 걸림돌로 남아 있다.
이 장에서 가장 구체적인 비판이다. 앞에서 AutoML을 ‘민주화’의 수단으로 소개한 뒤, 9절에서 네 가지를 나열한다.
첫째, 많은 AutoML 시스템이 블랙박스로 작동한다. 자동으로 고른 구조와 하이퍼파라미터를 해석하기 어려워 임상의의 신뢰와 규제 승인에 걸림돌이 된다. 둘째, 작거나 불균형한 데이터셋에서 과적합하기 쉽다. 의료에서 흔한 조건이다. 셋째, 순전히 정확도만 최적화하면서 보정(calibration), 인구집단 하위군 간 공정성, 분포 변화에 대한 강건성 같은 임상적으로 결정적인 요인을 무시할 수 있다. 넷째, 대규모 신경 구조 탐색의 계산 비용이 자원이 부족한 병원에는 감당하기 어렵다.
세 번째 항목이 특히 무겁다. 이 책의 여러 장이 정확도 수치를 인용해 왔는데, 정확도만 최적화한 모형이 위험할 수 있다는 것을 이 장이 명시한다.
다섯 개의 사례
| 사례 | 영상 · 데이터 | AI 방법 | 보고된 결과 |
|---|---|---|---|
| 태아 뇌 조직 분할 FeTA 챌린지 2022 |
다기관 MRI | 어텐션 기반 앙상블 CNN | 평균 Dice ≈ 0.87 · 관찰자 간 편차 감소 |
| 적응형 항암화학요법 대장암 · 베바시주맙 |
CT + PK 프로파일 | PK 유도 AI 용량 조정 | 이상반응 −15% · 무진행 생존 +6개월 |
| 결핵 치료 쿠아보데피스타트 |
영상의학 + 임상 데이터 | AI 최적화 PK/PD 용량 결정 | 간독성 −25% · 살균 활성 유지 |
| 뱀물림 관리 경구 유니티올 |
임상 + 위험 층화 데이터 | AI 기반 치료 일정 수립 | 정맥 투여 −40% · 치료 개시 −30분 |
| 알츠하이머 층화 | PET + 유전체 | 다중양식 AI (딥러닝 + 오믹스) | 인지 저하 단계 예측 정확도 82% · 기준선 대비 +12%p |
이 다섯 줄에는 표본 크기, 신뢰구간, 연구 설계가 적혀 있지 않다. “이상반응 15퍼센트 감소”가 몇 명을 대상으로 한 어떤 설계에서 나온 값인지 알 수 없다.
특히 확인이 필요한 것은 뱀물림 사례다. 본문은 이 사례가 “사망률의 유의한 감소에 기여했다”고 적는다. 그런데 인용된 문헌은 “건강한 케냐 성인을 대상으로 한 1상 공개표지 용량 증량 안전성 시험 및 약동학 분석”이다.
건강한 자원자를 대상으로 한 1상 안전성 시험은 사망률 감소를 보일 수 없다. 안전성과 약동학을 확인하는 단계이고, 애초에 뱀에 물린 환자가 참여하지 않는다. 표에 적힌 “정맥 투여 40퍼센트 감소, 치료 개시 30분 단축”도 이 인용문헌에서 직접 나온 값인지 확인이 필요하다.
이 지적은 나머지 네 사례를 부정하지 않는다. 다만 다섯 줄을 같은 무게로 읽으면 안 된다는 뜻이다.
설명가능 AI와 윤리
블랙박스와 신뢰
SHAP, LIME, 사례 기반 설명이 어느 영상 영역이나 분자 특징이 예측에 영향을 주는지 짚어낸다. 결정의 근거를 밝혀 임상의의 신뢰를 높이고 실제 배치를 뒷받침한다.
누구의 영상으로 배웠나
대형 영상 저장소 상당수가 특정 민족, 성별, 지역의 환자에 치우쳐 있다. 밝은 피부색 인구에 주로 학습한 모형이 어두운 피부색 환자의 피부 영상에서 성능이 떨어질 수 있고, 성별이 불균형한 데이터셋은 암 검출 결과를 편향시킬 수 있다. 균형 잡힌 데이터셋 큐레이션, 공정성 인식 학습, 하위집단 검증 규약이 필요하다.
SaMD와 EU AI법
FDA와 EU가 의료기기 소프트웨어(SaMD) 프레임워크를 도입해 감사 가능성, 설명가능성, 윤리적 거버넌스를 요구한다. EU AI법은 많은 임상 AI 시스템을 “고위험”으로 분류해 시판 전 검증, 지속적 감시, 인간의 감독을 의무화한다.
책임 · 설명 · 공정
준수를 넘어 설명가능성이 공정성과 책임성을 함께 담아야 한다는 틀이다. 해석가능성에 편향 완화와 하위집단 형평을 결합한다. 편중된 데이터셋이 안전하지 않은 용량 권고를 낳을 수 있는 약물 반응 모형화에서 특히 중요하다.
다중양식 융합이 키우는 프라이버시 위험
전자의무기록, 영상, 약물 모형 데이터를 결합하면 예측력이 크게 오르지만 재식별 위험도 함께 오른다. 이질적 데이터를 교차 연결하면 민감한 환자 속성이 드러날 수 있다.
- 동형암호 — 복호화 없이 암호화된 데이터에서 직접 연산을 수행해 학습과 추론 내내 종단간 기밀성을 유지한다.
- 차분 프라이버시 — 학습 데이터나 출력에 신중히 조정된 잡음을 넣어 집계 결과에서 개인의 기여를 역추적할 수 없게 한다.
- 안전한 다자간 연산(SMPC) — 기관 간 공동 학습을 하면서 어느 쪽도 상대의 원자료에 접근하지 못하게 한다.
11.1 임상에서의 설명가능 AI
유방암 관련 림프부종
로지스틱 회귀와 콕스 비례위험 모형을 주로 쓴 예측 모형들이 체질량지수, 방사선치료, 항암화학요법, 액와 림프절 절제 같은 예측 변수를 넣어 17개 연구에서 AUC 0.680–0.908을 달성했다.
심혈관 위험 예측
전자의무기록을 이용한 설명가능 딥러닝 틀이다. 어텐션 기제와 사후 설명 도구를 결합해 어느 임상 특징이 예측을 이끌었는지 드러냈다. 의사의 신뢰를 높이고 규제 수용의 경로를 열었다.
결과 예측
아급성 뇌졸중 환자의 상지 재활 결과를 예측하는 설명가능 AI 틀이다. 가장 영향력 있는 임상 특징과 운동 과제를 짚어내 치료사에게 해석 가능한 지침을 제공했다.
림프부종 예측 모형에 대해 원문은 AUC 0.680–0.908이라는 성적을 적은 뒤 곧바로 체계적 문헌고찰의 결론을 인용한다.
“기존 모형 전부가 참가자 선정과 분석상의 한계 때문에 편향 위험이 높으며, 외부 검증을 거친 것은 23.5퍼센트뿐이다.”
17개 연구 중 넷만 외부 검증을 받았다는 뜻이다. AUC 0.908이라는 숫자와 ‘편향 위험이 높다’는 판정이 같은 문단에 있다. 이 책 전체를 통틀어 성능 수치와 그 수치의 신뢰도를 이렇게 나란히 적은 대목은 드물다.
다섯 갈래의 길
이 장의 논의는 간명하다. 트랜스포머 기반 모형(ViT)은 공간적 특징 학습에서 앞서고, 그래프 신경망은 이질적인 약리학 네트워크의 표현에서 뛰어나다. 그런데 일반화 가능성, 설명가능성, 규제 준수라는 한계는 여전하다. 실무 배치는 계산 자원의 가용성에도 달려 있으며, 연합·엣지 환경에서 특히 그렇다. 현재의 모형들은 민족, 연령대, 동반질환을 가로지르는 더 넓은 검증이 필요하다.
원문이 제시하는 다섯 우선순위
- 데이터 표준화와 상호운용성 — 영상 형식, 바이오마커 보고, 약리 데이터셋에 대한 공유 규약을 세워 파편화를 줄이고 재현성을 높인다.
- 편향 완화와 포용적 데이터셋 — 민족, 성별, 동반질환에 걸쳐 대표성을 넓혀 형평한 AI 성능을 확보하고 건강 격차를 최소화한다.
- 규제 샌드박스 — 새 AI 모형이 윤리적·법적 틀을 지키면서 실제 조건에서 평가받을 수 있는 통제된 시험대를 마련한다.
- 학제 간 협력 — 임상의, 약리학자, 컴퓨터과학자, 정책 입안자의 협력을 강화해 임상적으로 유의미하고 신뢰할 수 있는 모형 설계를 보장한다.
- 확장 가능한 프라이버시 보존 인프라 — 연합학습, 차분 프라이버시, 동형암호를 다중양식 파이프라인에 통합해 혁신과 환자 기밀성의 균형을 맞춘다.
이 장이 남기는 것
이 장의 기여는 영상을 처방의 근거로 놓은 것이다. CT의 종양 부피, PET의 대사 활성, MRI의 기능 변화가 PK 매개변수와 결합해 용량 결정을 동적으로 바꾼다.
표 14.1의 다섯 과제 중 앞의 둘은 영상을 읽고, 뒤의 셋은 영상을 떠난 수치로 예측한다. 앞쪽은 사람이 그린 정답과 대조할 수 있고, 뒤쪽은 정답이 미래에 있다. 검증의 성격이 다르다.
9절의 AutoML 비판이 이 장에서 가장 실무적인 대목이다. 보정, 하위군 공정성, 분포 변화에 대한 강건성을 무시한 채 정확도만 올린 모형은 학습에서는 잘 돌고 현실에서는 실패한다.
림프부종 모형의 AUC 0.680–0.908과 “전부 편향 위험 높음, 외부 검증 23.5퍼센트”가 같은 문단에 있다. 이 책에서 드문 서술 방식이다.
이 장은 넓다. 열세 개 절에 걸쳐 영상 처리, 약–표적 예측, PK/PD, 연합학습, AutoML, 설명가능 AI, 규제까지 훑는다. 그만큼 각 항목은 얕다. 지도를 그리는 글이지 파고드는 글이 아니다.
그런데 이 장에는 앞선 열세 장과 구별되는 태도가 있다. 자기가 소개한 것을 스스로 되받아 친다. 2절에서 AutoML을 ‘민주화의 수단’으로 소개해 놓고 9절에서 네 가지 문제를 나열한다. 6절은 PK에 무게를 둔 이유가 PD 쪽이 잡음이 많고 표준화가 덜 되었기 때문이라고 스스로 적는다. 11.1절은 AUC 0.908 옆에 ‘전부 편향 위험 높음’을 붙인다. 이런 되짚기가 한 장 안에 세 번 나오는 경우는 이 책에서 흔치 않다.
그렇다고 이 장이 모든 곳에서 엄격한 것은 아니다. 10절의 사례 다섯 개는 표본 크기도 신뢰구간도 설계도 없이 숫자만 적혀 있고, 뱀물림 사례는 건강한 자원자 1상 시험을 인용하면서 ‘사망률 감소’를 말한다. 같은 장 안에서 11.1절은 외부 검증 비율까지 따지는데 10절은 그러지 않는다.
그래서 이 장을 읽는 법은 이렇다. 9절과 11절을 이 장의 기준으로 삼고, 10절을 그 기준으로 되읽는 것. 저자들이 스스로 세운 잣대를 자기 사례 표에 대 보면 어느 줄이 더 검증되었고 어느 줄이 덜 검증되었는지가 드러난다. 좋은 리뷰가 독자에게 남기는 것은 결론이 아니라 잣대다.