의료 분야에서 생성 AI를 사용하는 5가지 방법

게시 됨: 2023-09-26

PwC는 2024년에 의료 비용이 7% 증가할 것으로 예측합니다. 이러한 증가는 주로 의료 종사자가 소진을 겪고 그에 따른 인력 부족, 지불자와 제공자 간의 분쟁, 인플레이션이 원인입니다. 과도한 운영 비용을 발생시키지 않고 효율적인 환자 치료를 보장하기 위해 업계에서는 의료 분야의 생성 AI와 같은 혁신적인 기술을 모색하고 있습니다.

Accenture는 AI를 통해 의료 서비스 제공자의 업무 시간 중 40%가 향상될 수 있다고 보고했으며, 최근 Forbes 기사에서는 이 기술이 미국 의료 부문의 연간 비용을 최소 2,000억 달러 절약할 수 있다고 제안했습니다.

헬스케어 분야의 제너레이티브 AI는 머신러닝 알고리즘을 사용해 환자 건강 기록, 의료 영상, 상담 오디오 녹음 등 비정형 데이터를 분석하고, 훈련받은 것과 유사한 새로운 콘텐츠를 생성한다.

이 기사에서는 당사의 생성 AI 개발 회사가 이 기술이 의료 기관을 어떻게 지원할 수 있는지 설명합니다.

의료 분야의 생성적 AI 사용 사례

  1. 의료 훈련 및 시뮬레이션 촉진
  2. 임상 진단에 도움
  3. 신약개발에 기여
  4. 관리 작업 자동화
  5. 합성 의료 데이터 생성

의료 교육 및 시뮬레이션 촉진

의료 분야의 생성적 AI는 다양한 건강 상태를 복제하는 현실적인 시뮬레이션을 제공할 수 있으므로 의과대학생과 전문가가 위험이 없고 통제된 환경에서 실습할 수 있습니다. AI는 다양한 질병을 가진 환자 모델을 생성하거나 수술이나 다른 의료 절차를 시뮬레이션하는 데 도움을 줄 수 있습니다.

기존 교육에는 사전 프로그래밍된 시나리오가 포함되어 있어 제한적이었습니다. 반면 AI는 신속하게 환자 사례를 생성하고 훈련생의 결정에 실시간으로 대응할 수 있습니다. 이는 더욱 도전적이고 진정한 학습 경험을 제공합니다.

실제 사례

미시간 대학교는 패혈증 치료를 시뮬레이션하기 위한 다양한 시나리오를 생성할 수 있는 의료 모델에 생성적 AI를 구축했습니다.

펜실베이니아 대학은 생성 AI 모델을 배포하여 코로나19의 확산을 시뮬레이션하고 다양한 개입을 테스트했습니다. 이는 연구자들이 사회적 거리두기 및 예방접종이 바이러스에 미치는 잠재적 영향을 평가하는 데 도움이 되었습니다.

임상 진단 지원

의료용 생성 AI가 진단에 어떻게 기여할 수 있는지는 다음과 같습니다.

  • 고품질의 의료 영상을 생성합니다 . 병원은 생성 AI 도구를 사용하여 기존 AI의 진단 능력을 향상시킬 수 있습니다. 이 기술은 품질이 낮은 스캔을 세부 묘사가 뛰어난 고해상도 의료 영상으로 변환하고, 이상 탐지 AI 알고리즘을 적용해 방사선 전문의에게 결과를 제시할 수 있습니다.
  • 질병 진단 . 연구자들은 의료 이미지, 실험실 테스트 및 기타 환자 데이터에 대한 생성 AI 모델을 훈련하여 다양한 건강 상태의 조기 발병을 감지하고 진단할 수 있습니다. 이러한 알고리즘은 피부암, 폐암, 숨겨진 골절, 알츠하이머병의 초기 징후, 당뇨병성 망막증 등을 찾아낼 수 있습니다. 또한 AI 모델은 특정 장애를 유발하고 질병 진행을 예측할 수 있는 바이오마커를 밝혀낼 수 있습니다.
  • 의학적 질문에 답변하기 . 진단사는 의학 서적에서 답을 찾는 대신 질문이 있는 경우 의료 분야의 생성 AI를 활용할 수 있습니다. AI 알고리즘은 대량의 데이터를 처리하고 빠르게 답변을 생성하여 의사의 귀중한 시간을 절약할 수 있습니다.

실제 사례

연구진은 GAN(Generative Adversarial Network) 모델을 실험하여 저품질 의료 스캔의 특징을 추출 및 강화하고 이를 고해상도 이미지로 변환했습니다. 이 접근 방식은 뇌 MRI 스캔, 피부경 검사, 망막 안저경 검사 및 심장 초음파 이미지에서 테스트되었으며, 이미지 향상 후 이상 탐지에 탁월한 정확도를 나타냈습니다.

또 다른 예로, Google의 AI 기반 Med-Palm 2는 MedQA 데이터세트로 교육을 받았으며 관련 의료 질문에 답변하면서 85%의 정확도를 달성했습니다. Google은 알고리즘에 여전히 개선이 필요하다는 점을 인정하지만 이는 진단 보조자로서 생성 AI의 강력한 시작입니다.

신약개발에 기여

의회예산처에 따르면 신약 개발 과정에는 실패한 약물도 포함해 평균 10억~20억 달러의 비용이 든다. 다행스럽게도 AI가 신약을 설계하고 선별하는 데 필요한 시간을 거의 절반으로 줄여 제약 업계의 연간 비용을 약 260억 달러 절감할 수 있다는 증거가 있습니다. 또한, 이 기술은 임상 시험과 관련된 비용을 연간 280억 달러 절감할 수 있습니다.

제약 회사는 의료 분야에 생성 AI를 배포하여 다음을 통해 약물 발견 속도를 높일 수 있습니다.

  • 연구원들이 나중에 실험실 환경에서 평가할 수 있는 원하는 특성을 가진 새로운 분자를 설계하고 생성합니다.
  • 신약후보물질과 단백질의 특성 예측
  • 비용 절감을 위해 컴퓨터 시뮬레이션에서 테스트할 수 있는 표적에 대한 결합 친화도가 높은 가상 화합물 생성
  • 신약의 분자구조 분석을 통한 신약의 부작용 예측

신약 발견에서 AI의 역할과 AI가 임상 시험을 촉진하는 방법에 대한 자세한 내용은 당사 블로그에서 확인할 수 있습니다.

실제 사례

생명공학 기업과 AI 스타트업 간의 전략적 파트너십의 증가는 생성 AI가 제약 산업을 장악한다는 초기 신호입니다.

최근 Recursion Pharmaceuticals는 캐나다 AI 스타트업 2곳을 8,800만 달러에 인수했습니다. 그 중 하나인 Valence는 생성적 AI 기능으로 잘 알려져 있으며 전통적인 약물 발견 방법으로는 충분하지 않은 작고 시끄러운 데이터 세트를 기반으로 약물 후보를 설계하는 작업을 수행할 것입니다.

또 다른 흥미로운 사례는 토론토 대학교에서 나왔습니다. 연구팀은 기존 단백질 구조의 이미지 표현을 연구한 후 새롭고 사실적인 단백질을 생성할 수 있는 생성 AI 시스템인 ProteinSGM을 구축했습니다. 이 도구는 빠른 속도로 단백질을 생산할 수 있으며, 또 다른 AI 모델인 OmegaFold를 배포하여 생성된 단백질의 잠재력을 평가합니다. 연구자들은 새로 생성된 서열의 대부분이 실제 단백질 구조로 접힌다고 보고했습니다.

관리 작업 자동화

이는 의료 분야에서 가장 눈에 띄는 생성 AI 사용 사례 중 하나입니다. 연구에 따르면 미국 의사의 탈진율은 무려 62%에 달했습니다. 이 질환을 앓고 있는 의사는 환자를 위험에 빠뜨리는 사건에 연루될 가능성이 더 높으며 알코올 남용 및 자살 충동에 더 취약합니다.

다행스럽게도 의료 분야의 생성적 AI는 행정 업무를 간소화하여 의사의 부담을 부분적으로 완화할 수 있습니다. HealthAffairs에 따르면 전체 의료 지출의 15~30%를 차지하는 관리 관련 비용을 동시에 줄일 수 있습니다. 생성 AI가 수행할 수 있는 작업은 다음과 같습니다.

  • 환자의 의료 기록에서 데이터를 추출하고 해당 건강 레지스트리를 채웁니다. Microsoft는 Epic의 EHR에 생성 AI를 통합할 계획입니다. 이 도구는 환자 메시지에 응답하는 등 다양한 관리 작업을 수행합니다.
  • 환자 상담 내용을 기록 및 요약하고, 이 정보를 해당 EHR 필드에 입력하고, 임상 문서를 생성합니다. Microsoft의 Nuance는 생성 AI 기술인 GPT-4를 임상 전사 소프트웨어에 통합했습니다. 의사들은 이미 베타 버전을 테스트할 수 있습니다.
  • 병력, 실험실 결과, 스캔 등과 같은 환자 정보를 분석하여 구조화된 건강 보고서를 생성합니다.
  • 치료 권장사항 생성
  • 의사의 질문에 답변
  • 환자의 요구와 의사의 가용성을 기반으로 예약 예약을 위한 최적의 시간 슬롯 찾기
  • 개인화된 약속 알림 및 후속 이메일 생성
  • 의료 보험 청구를 검토하고 어떤 청구가 거부될지 예측합니다.
  • 다양한 시술 및 방문에 대한 환자 피드백을 수집하고 분석하며 의료 제공을 개선하기 위한 실행 가능한 통찰력을 생성하기 위한 설문조사를 작성합니다.

실제 사례

의료 AI 스타트업 Navina는 의사가 행정 업무를 보다 효율적으로 처리하는 데 도움이 되는 생성 AI 도우미를 구축했습니다. 이 도구는 EHR, 보험 청구 및 스캔한 문서를 포함한 환자 데이터에 액세스하고, 상태 업데이트를 제공하고, 치료 옵션을 추천하고, 의사의 질문에 답변할 수 있습니다. 추천서 및 진행 상황 기록과 같은 구조화된 문서를 생성할 수도 있습니다.

Navina는 이미 4,400만 달러의 자금을 조달했는데, 이는 의료계의 높은 관심을 나타냅니다.

합성 의료 데이터 생성

의학 연구는 다양한 건강 상태에 대한 방대한 양의 데이터에 접근하는 데 의존합니다. 특히 희귀질환에 관한 데이터는 매우 부족합니다. 또한 이러한 데이터는 수집하는 데 비용이 많이 들고 데이터의 사용 및 공유에는 개인정보 보호법이 적용됩니다.

의학 분야의 생성적 AI는 실제 건강 데이터 세트를 강화할 수 있는 합성 데이터 샘플을 생성할 수 있으며, 의료 데이터는 특정 개인에게 속하지 않기 때문에 개인 정보 보호 규정의 적용을 받지 않습니다. 인공지능은 EHR 데이터, 스캔 등을 생성할 수 있습니다.

실제 사례

독일 연구자 팀은 임상 시험을 위한 합성 환자 데이터를 생성하기 위해 AI 기반 모델인 GANerAid를 구축했습니다. 이 모델은 GAN 접근 방식을 기반으로 하며 원래 훈련 데이터 세트의 크기가 제한되어 있어도 원하는 속성을 가진 의료 데이터를 생성할 수 있습니다.

또 다른 과학자 팀은 전자 건강 기록을 합성하기 위해 생성 AI를 실험했습니다. 연구자들은 제한적인 데이터 개인 정보 보호 규정과 병원 간에 환자 데이터를 효과적으로 공유할 수 없다는 점에 동기를 부여 받았습니다. 그들은 환자의 궤적을 현실적으로 나타내는 이질적인 혼합형 EHR 데이터(연속 값과 이산 값을 모두 포함함을 의미)를 파생할 수 있는 EHR-M-GAN 모델을 구축했습니다.

의료 분야에서 생성적 AI의 윤리적 고려 사항과 과제

기술 및 컨설팅 거대 기업이 계속해서 AI에 투자하고 있음에도 불구하고 Tesla CEO Elon Musk와 OpenAI CEO Sam Altman을 포함한 저명한 AI 전문가들이 기술과 관련된 위험에 대해 얼마나 경고하는지 볼 수도 있습니다. 그렇다면 생성 AI가 의료 분야에 어떤 과제를 안겨줄까요?

  • 편견 . AI 모델의 성능은 훈련된 데이터 세트만큼 좋습니다. 데이터가 대상 모집단을 공정하게 대표하지 않는 경우 대표성이 낮은 그룹에 대한 편견의 여지가 남게 됩니다. 방대한 양의 환자 기록 데이터에 대해 훈련된 생성 AI 도구로서 존재하는 모든 편견을 상속받으며 이를 근절하는 것은커녕 탐지하기도 어려울 것입니다.
  • 규제가 부족합니다 . AI가 상당한 윤리적 우려를 제기하고 있음에도 불구하고 이 기술의 사용을 규제하는 공식 규정은 아직 없습니다. 미국과 EU는 관련 정책을 공식화하기 위해 노력하고 있지만 가까운 시일 내에 이루어지지 않을 것입니다.
  • 정확성 문제 . AI는 실수를 저지르며 의료 분야에서는 그러한 실수의 대가가 상당히 높습니다. 예를 들어 LLM(대규모 언어 모델)은 환각을 일으킬 수 있습니다. 이는 실제로는 잘못된 구문상 가능한 결과를 생성할 수 있음을 의미합니다. 의료 기관은 오류를 허용할 시기와 AI 모델이 결론을 설명하도록 요구할 시기를 결정해야 합니다. 예를 들어, 생성 AI가 암 진단을 지원하는 데 사용되는 경우 의사는 권장 사항을 정당화할 수 없다면 그러한 도구를 채택하지 않을 것입니다.
  • 책임 . 최종 건강 결과에 대한 책임은 누구에게 있습니까? 의사인가, AI 공급업체인가, AI 개발자인가, 아니면 또 다른 당사자인가? 책임감이 부족하면 동기 부여와 성과에 부정적인 영향을 미칠 수 있습니다.

생성적 AI로 의료 업무를 강화할 준비가 되셨나요?

생성적 AI 알고리즘은 점점 더 강력해지고 있습니다. 스탠포드 의과대학의 임상 교수인 로버트 펄(Robert Pearl)은 다음과 같이 말했습니다.

“ChatGPT는 6개월에서 1년마다 성능이 두 배로 증가합니다. 5년 후에는 지금보다 30배 더 강력해질 것입니다. 10년 후에는 1,000배 더 강력해질 것입니다. 오늘날 존재하는 것은 장난감과 같습니다. 차세대 도구에는 1조 개의 매개변수가 있을 것으로 추정되는데, 이는 흥미롭게도 인간 두뇌의 대략적인 연결 수입니다.”

AI는 강력한 아군이 될 수 있지만, 잘못 사용하면 심각한 피해를 입힐 수 있습니다. 의료 기관은 이 기술에 주의해서 접근해야 합니다. 의료용 AI 기반 솔루션 배포를 고려하고 있다면 시작하는 데 도움이 되는 세 가지 팁이 있습니다.

  • 데이터를 준비하세요 . 사전 학습되고 준비된 AI 모델을 선택하기로 결정한 경우에도 고품질이어야 하며 대상 모집단을 대표해야 하는 독점 데이터 세트에서 해당 모델을 재교육하고 싶을 수도 있습니다. 의료 데이터를 항상 안전하게 유지하고 환자의 개인정보를 보호하세요. 알고리즘이 훈련된 데이터 세트를 공개하는 것은 알고리즘이 잘 수행되는 부분과 실패할 수 있는 부분을 이해하는 데 도움이 되므로 유용합니다.
  • AI 모델을 제어하세요 . 조직에서 책임 있는 AI 개념을 육성하세요. 도구를 언제, 어떻게 사용하는지, 최종 결과에 대한 책임을 지는 사람이 누구인지 사람들이 확실히 알도록 하세요. 더 민감한 애플리케이션으로 확장하기 전에 영향이 제한된 사용 사례에서 생성 AI 모델을 테스트하세요. 앞서 언급했듯이 생성 AI는 실수를 할 수 있습니다. 작은 실패율이 허용되는 곳과 이를 감당할 수 없는 곳을 결정하십시오. 예를 들어 관리 애플리케이션에서는 98%의 정확도로 충분하지만 진단 및 환자 대면 실무에서는 허용되지 않습니다. 병원의 의료 분야에서 생성 AI 사용을 관리할 프레임워크를 고안하세요.
  • 직원들이 기술을 받아들이고 사용할 수 있도록 도와주세요 . AI는 특히 규제가 심한 의료 부문에서 여전히 인간의 지도가 필요합니다. Human-in-the-loop는 기술이 성공하기 위한 필수 요소로 남아 있습니다. 의료 및 행정 직원이 AI 모델을 감독할 것으로 예상되므로 병원은 이 작업을 위한 인력 교육에 집중해야 합니다. 반면에 직원들은 이제 AI가 일상의 일부가 되었기 때문에 여유 시간을 활용하여 가치를 창출할 수 있도록 일상 생활을 재창조할 수 있어야 합니다.

생성 AI의 이점을 활용하고 싶지만 진행 방법을 모르시나요? 우리에게 전화를 걸어주세요! 우리는 귀하의 데이터를 준비하고, 도구를 구현하고, 이를 귀하의 운영에 통합하도록 도와드립니다.

원본은 2023년 9월 6일 https://itrexgroup.com 에 게시되었습니다 .