“생성형 AI 시장규모 지난해 2조 원 ··· 2032년 30조 원 이를 것”
“내재된 위험 고려해야 ··· 생성형 AI가 최종 의사 결정해서는 안 돼”
인공지능이 여러 산업 분야에서 급격한 변화를 이끌고 있는 가운데 헬스케어 분야 역시 생성형 AI(Generative AI)의 도움으로 빠르게 변화하고 있다. 한국바이오협회가 최근 발행한 ‘생성형 AI, 헬스케어 산업의 미래’라는 보고서는 AI 적용이 거스를 수 없는 흐름이라고 분석한다.
보고서에 따르면, 헬스케어 분야의 생성형 AI 시장규모는 2023년 18억 달러(약 2조 4782억 원)로 평가됐으나, 2032년 말까지 연평균 32.6%의 성장률로 221억 달러(약 30조 4272억 원)에 이를 전망이다.
전문가들은 생성형 AI 모델이 7가지 헬스케어 분야에서 큰 변화를 이끌어 낼 수 있다고 밝혔다.
①합성 데이터 생성 및 데이터 증강
생성형 AI 모델을 사용하여 생성되는 합성 데이터는 데이터 액세스와 환자 개인 정보 보호의 균형을 맞추기 위해 점점 더 유망해지는 솔루션이다. 생성형 AI 모델을 사용하면 연구 및 교육 목적으로 사실적이고 익명화된 환자 데이터를 생성하는 동시에 다양한 애플리케이션을 지원할 수 있다.
기본 데이터 분포를 학습해 전자 건강 기록(EHR) 데이터를 합성할 수 있어 우수한 성능을 제공하고, 사용 가능한 실제 환자 데이터의 양이 제한되어 있거나 개인 정보 보호 문제로 인해 데이터에 대한 액세스가 제한되는 경우 특히 유용할 수 있다.
다양한 특성과 매개변수를 가진 합성 데이터를 생성할 수 있는 기능을 통해 연구자와 임상의는 다양한 가설을 조사하고 테스트하여 새로운 발견을 할 수 있다.
②신약개발
생성형 AI 모델은 원하는 구조나 기능을 가진 새로운 소분자, 핵산 서열 및 단백질을 생성하는 데 사용되어 신약 개발에 활용된다. 성공적인 약물의 화학 구조를 분석하고 변이를 시뮬레이션할 수 있어 기존 약물 발견 방법보다 훨씬 빠른 속도로 잠재적인 약물 후보 생산이 가능하다.
기존 방법으로는 눈에 띄지 않았을 수 있는 약물을 식별하고, 신약 개발 과정에서 중요한 단계인 신약의 효능과 안전성을 예측, 특정 생물학적 과정을 식별해 약물 개발을 위한 새로운 표적을 정확히 찾아내 더 효과적인 치료법을 개발할 수 있다.
LMM(대규모 멀티모달 언어모델) 활용을 통해 복잡한 오믹스 데이터(유전체, 단백질체, 대사체 등)를 통합 및 해석해 질병에 대한 새로운 바이오마커를 발견하고, 표적 치료제의 개발을 촉진할 수 있다. 종양학에서 유전적 돌연변이와 발현 패턴을 분석패 암 치료 전략을 안내하는 것이 한 예다.
③의료 진단
생성형 AI는 의료 이미지(MRI, CT 스캔)를 생성하고 분석하는 데에 활용된다. 예를 들어, GAN(생성적 적대 신경망·Generative Adversarial Network)은 이미지 재구성, 합성, 분할, 등록 및 분류에 사용된다. 이미지 기반 진단을 위한 기계학습 모델을 훈련하거나 의료 데이터 세트를 보강하는 데 사용할 수 있는 합성 의료 이미지도 생성할 수 있다.
LLM(대규모 언어 모델)은 EHR 및 환자 기록을 정교한 방식으로 분석할 수 있고, 사용된 정보와 용어도 처리하고 이해할 수 있기 때문에 복잡한 의료 정보를 추출하고 해석할 수 있다. LLM은 EHR 내에서 여러 소스의 정보를 통합하고 분석할 수 있고 검사 결과, 의사 메모 및 의료 영상 보고서의 데이터를 상호 연결해 환자의 건강에 대한 더 전체적인 관점을 생성할 수 있다.
환자 케이스가 제시될 때, LLM은 설명된 증상을 기반으로 잠재적 진단 목록을 생성하고, 진단을 확인하기 위한 적절한 검사 및 치료 계획을 제안할 수 있는 것이다.
④임상 문서 및 의료 관리
LLM(대규모 언어 모델)을 사용해 환자 데이터 요약을 생성할 수 있다. 이는 많은 양의 데이터가 수집되고, 빠르고 정확하게 해석되어야 하는 의료 환경에서 특히 유용할 수 있다.
예를 들어, EHR에는 병력, 약물, 알레르기 및 실험실 결과와 같은 환자 데이터가 포함될 수 있는데 생성형 AI 모델은 이 데이터를 읽고, 핵심 사항을 이해하고, 간결한 요약을 생성하도록 훈련할 수 있다.
LMM(대형 멀티모달 모델)은 시간 경과에 따라 기록된 환자의 심박수와 연속 혈당 모니터링(CGM)을 통해 패혈증 또는 심장 질환과 같은 임상 악화의 초기 징후를 감지할 수 있고, 음성 패턴과 호흡 소리를 분석해 천식 또는 만성 폐쇄성 폐질환(COPD)과 같은 호흡기 질환을 발달 초기에 식별할 수 있다.
생성형 AI는 진료 예약, 청구 처리, 환자 기록 관리와 같은 의료 분야의 일상적인 작업을 자동화하는 데에도 쓸 수 있다. 챗봇 또는 음성 비서를 통해 환자와 상호 작용해 약속 예약, 일정을 변경 또는 취소할 수 있고, 의사의 가용성, 환자가 선호하는 시간 및 예약의 긴급성과 같은 요소를 고려해 예약 프로세스를 최적화할 수 있다.
⑤맞춤형 의약품
환자의 유전자 구성, 생활 방식 및 병력을 분석해 환자가 다양한 치료에 어떻게 반응할지 예측할 수 있다. 이는 대규모 환자 정보 데이터 세트에 대해 AI를 훈련시켜 명확하지 않을 수 있는 패턴과 상관관계를 의사가 더 잘 식별할 수 있도록 돕는다.
예를 들어, AI는 특정 유전자 마커를 가진 환자가 특정 약물에 특히 잘 반응한다는 것을 알아차릴 수 있고, 정보를 사용하여 개별 환자의 필요에 맞는 맞춤형 치료 계획을 세울 수 있다.
이 접근법은 약물에 대한 환자의 반응에 영향을 미칠 수 있는 고유한 요인을 고려하기 때문에 더 효과적인 치료로 이어질 수 있다. AI의 예측을 기반으로 치료를 최적화할 수 있으므로 환자의 치료 결과도 개선될 수 있고, 정신 건강 분야, 특히 인지 행동 치료(CBT)를 위한 대화형 도구를 만드는 데에도 활용될 수 있다.
⑥의학교육 및 훈련
의학교육 및 훈련의 맥락에서 다양한 가상 환자 사례를 생성하는 데 사용할 수 있다. 의학교육에서 생성형 AI를 사용하는 주요 이점 중 하나는 안전하고 통제된 학습 환경을 조성할 수 있다는 것이다. 생성형 AI는 드물거나 복잡한 환자 사례를 생성할 수 있어 학생들이 임상 실습에서 자주 접하지 않을 수 있는 영역에 대한 경험과 지식을 얻을 수 있는 기회를 제공한다.
AI는 각 개인의 학습 속도와 스타일에 적응해 학습 요구 사항과 더 관련성이 높은 사례를 제시할 수 있고, 가상 환자 사례를 생성하는 것 외에도 의료 전문가와 환자 간의 대화를 시뮬레이션하는 데에도 사용할 수 있다.
이밖에도 비디오 데이터 분석을 통해 환자의 움직임을 분석하여 표적 재활 프로그램을 설계하고 환자의 진행 상황을 모니터링하는 데 도움을 줄 수 있고, 비디오 평가를 통해 행동 패턴을 평가하기 위해 정신과 평가에 사용할 수 있다.
⑦환자 교육
환자의 특정 상태, 증상 또는 질문에 따라 개인화된 교육 콘텐츠를 만드는 데 사용할 수 있다. 예를 들어, 당뇨병을 앓고 있는 환자가 있는 경우 AI는 혈당 수치, 식단, 운동 및 약물 관리에 대한 정보를 생성할 수 있다. 환자는 질문을 할 수 있고 AI는 응답을 생성하여 환자가 자신의 상태를 더 잘 이해하는 데 도움이 되는 대화를 생성할 수 있는 것이다.
생성형 AI는 다이어그램이나 인포그래픽과 같은 시각 자료를 만들어 환자가 복잡한 의료 개념을 이해하는 데 도움을 줄 수도 있다. 특정 약물이 신체에서 어떻게 작용하는지 보여주는 다이어그램을 생성할 수 있고, 환자를 위한 후속 교육 콘텐츠 및 알림을 만드는 데 사용하는 것이 한 예다.
환자에게 약을 복용하도록 상기시키는 이메일이나 문자 메시지를 생성하는 것과 함께 약을 복용하는 것이 중요한 이유에 대한 정보를 만들기도 한다. 생성형 AI는 여러 언어로 교육 콘텐츠를 생성할 수 있어 영어를 모국어로 사용하지 않는 환자가 의료 정보에 더 쉽게 접근할 수 있는 장점이 있다.
“생성형 AI가 최종 의사 결정자가 되어서는 안 돼”
한국바이오협회는 “생성형 AI에 내재된 위험을 고려하지 않고 생성형 AI의 가능성을 논의하는 것은 불가능하다”며, “이러한 위험은 모든 산업에서 상당하나, 특히 제약기업의 경우 복잡한 규제 환경, 지적재산권 침해, 데이터 프라이버시에 대한 우려가 더욱 높다”고 설명한다.
협회는 “생성형 AI는 정확한 답을 찾지 못할 경우, 방대한 학습 내용 중에 비슷한 부분만 묶어 잘못된 정보를 주는 환각(Hallucination) 현상이 발생하는 것이 최대 약점으로 꼽히고 있다”며, “이러한 종류의 위험은 생성형 AI 주변에 가드레일을 두는 것으로 완화될 수 있다. 제공자나 환자에게 배포하기 전에 사람이 검토하도록 하는 것이다. 핵심은 생성형 AI가 최종 의사 결정자가 되어서는 안 되며, 대신 사람의 의사결정을 가속화해야 한다”고 조언했다.