Jin Keun Seo (서진근), Professor Emeritus
School of Mathematics and Computing (Computational Science and Engineering)
Yonsei University
Deep Learning for Medical Image Analysis
Haeeun Han
의료영상분야에서 딥러닝
2017년 1월 2일 서진근
최근 수년간 딥러닝기술의 획기적인 개선은 고성능 GPU 컴퓨팅과 빅데이터의 분석/활용 기술의 급속한 발전, 그리고 구글, 페이스북, IBM 등의 적극적인 투자 때문인 듯하다. 의료영상 판독에서 딥러닝 기술은 Training data가 쌓여감에 따라 정확도가 급속히 향상되어가고 있어, 전 세계적으로 많은 인공지능기업들이 의료분야에 사업화를 시도하고 있다. 구글은 딥러닝 기술을 당뇨성 망박변증 진단에 적용하였고, IBM은 인공지능 왓슨을 암 치료에 활용했고, 애플은 헬스케어 휴대용기기와 기존의 의료시스템의 통합을 통해 지능형 의료서비스를 제공하려 하며, 삼성메디슨도 딥러닝 기술을 초음파영상의 판독에 접목하려 시도하고 있다.
딥러닝에 관한 수많은 언론보도와 논문에도 불구하고, 의료현장에서는 컴퓨터 자동 진단 시스템(Computer Aided Diagnosis)처럼 아주 제한적인 비즈니스 활용에만 그칠 것이라 판단하는 의사가 많다. 이러한 불신은 지난 20년간 세계적인 과학자나 공학자들의 수많은 연구 결과들이 실제 의료현장에서 비즈니스 모델로 성공한 사례가 극히 드물기 때문이다. 의료영상기술은 1970-80년대에 CT, MRI, 초음파의 사업화와 함께 급속한 발전을 하였으나, 2000년 이후부터는 여타의 순수기초 학문처럼 연구자체에만 열중한 나머지 (의료현장에서의 여러 제한조건을 정확히 이해하지 못한 채) 현학적인 논문위주로 성장하는 바람에 대부분 결과가 사업화로 연결되지 못했다. 1990년대 잠깐 각광을 받은 인공지능이 급격히 열기가 식은 이유는 실전적인 개발능력을 갖추지 못한 채 연구논문과 코딩에만 집중했기 때문이다. 학문적인 신뢰를 얻기 위해서라도 실전적인 연구는 필수적이며, 이를 통해 학문적인 연구가 국내 의료산업의 발전에 기여함을 보여주어야 한다.
인간이 퓨마를 100m 경주에서 이길 수 없듯이, 의료현장에서 딥러닝은 극복하기 어려운 한계를 가지고 있다. 기계학습에 필요한 Training Data는 여러 의사들의 판독에 의해 수집되며, 기계학습능력은 다수의 판독을 반영하는 training data를 기반으로 형성되기에 근본적으로 소수의 전문의에 의해서만 발견되는 병은 무시되어진다. (※ 물론, 이러한 소수 명의의 판독을 스마트하게 반영하는 알고리즘을 데이터의 지능적인 관리를 통해 만들 수는 있지만, 일관성을 갖추기는 근본적으로 어렵다.) 따라서, 인공지능은 의료진의 시간과 노력을 절감하는 수단은 될 수 있지만, 숙련된 전문의를 대체하는데 한계가 있다.