지난 몇 년간 왓슨의 성과는 기대에 미치지 못했습니다. 큰 기대와는 달리 많은 의료 기관에서 왓슨이 암 치료에 큰 도움을 주지 못했기 때문입니다. 왓슨이 제시한 치료법은 일부 암에서는 의사와 일치율이 높았지만, 일부는 상당히 다른 것으로 나타나 실제 의료 현장에서 의사를 대신할 수 있는지에 대해 의문이 제기되고 있습니다. 더구나 다양한 의료 업무에 투입할 수 있는 의사와는 달리 AI 의사가 투입될 수 있는 작업은 질병의 진단이나 치료법 제시처럼 매우 제한적이기 때문에 의사를 대체한다는 것은 당장에 현실성이 떨어지는 이야기입니다. 결국 많은 병원에서 왓슨 프로젝트를 취소하거나 줄이는 등 구조조정에 나서고 있습니다.
이런 시행착오를 겪는 이유는 인공지능의 기술 수준이 아직 기대에 미치지 못할 뿐 아니라 실제 의료 현장에 알맞게 적용하는 노하우가 부족하기 때문일 것입니다. IBM 왓슨 역시 이런 과정을 겪으면서 문제점을 보완하고 서비스 품질을 높이고 있으며 많은 연구자가 의료 현장에서 실질적 도움을 줄 수 있는 인공지능 적용 방식을 고민하고 있습니다. 예를 들어 질병 진단을 위한 의료 이미지 개선 및 판독이 그런 사례입니다.
CT나 MRI 이미지를 판독하는 인공지능은 이미 많은 연구가 진행됐습니다. 다만 의사를 대체하기보다 의사의 정확한 진단을 돕고 혹시 모를 실수를 방지하는 쪽으로 발전할 것으로 예상됩니다. 여기에 한 걸음 더 나아가 일부 연구자들은 인공지능을 통해 의료용 이미지의 품질을 높일 수 있다고 생각하고 있습니다. 스위스 취리히 연방 공과대학 및 취리히 대학 과학자들은 광음향(Optoacoustics) 이미지 기술에 딥러닝 기반의 인공지능을 접목해 비용을 절감할 수 있는 방법을 개발했습니다.
광음향은 짧은 파장의 레이저를 조직에 쏜 다음 그 에너지가 조직에 흡수되면서 나오는 음파를 다시 이미지로 바꾸는 기술입니다. 기존의 CT나 MRI와는 달리 조영제 같은 약물 없이도 혈관이나 조직의 변화를 실시간으로 파악할 수 있으며 정교한 3차원 이미지를 얻으면서도 방사선 노출이 없다는 점이 큰 장점이지만, 고품질의 이미지를 얻기 위해서는 매우 많은 수의 센서가 필요해 가격이 올라간다는 점이 보급을 가로막는 단점이었습니다.
연구팀은 적은 수의 센서로 얻어진 광음향 이미지를 더 높은 품질로 개선하는 딥러닝 기술을 개발했습니다. 같은 대상을 32/128/512개의 센서로 촬영한 후 이를 학습시켜 32/128 센서 이미지를 더 고품질의 이미지로 복원한 것입니다. 저해상도 사진을 고해상도 사진으로 바꾸는 인공지능과 같은 방식입니다. 연구 결과 딥러닝 기반 인공지능이 이미지의 품질을 상당히 높일 수 있는 것으로 나타났습니다.(사진) 이를 통해서 저렴한 광음향 이미지 기기 개발이나 혹은 기존의 광음향 이미지의 품질 개선이 가능할 것으로 기대됩니다. 이 연구는 저널(Nature Machine Intelligence)에 발표됐습니다.
다른 여러 분야와 마찬가지로 의료 부분에서 인공지능 적용은 이제 걸음마 단계입니다. 아직 최적의 방법이 무엇인지 아무도 알지 못합니다. 하지만 인공지능의 학습하는 것처럼 시행착오를 통해 많은 것을 배우고 개선할 수 있습니다. 인공지능이 의료 현장에 가져올 변화는 사람을 대체하는 것이 아니라 의료진과 환자를 도와 최적의 의료 서비스를 제공하는 것이어야 합니다.
고든 정 칼럼니스트 jjy0501@naver.com