brunch

브런치북 시력교정, 인공지능을 만나다 11화

라이킷 7 댓글

You can make anything
by writing

C.S.Lewis

계정을 잊어버리셨나요?

by 비앤빛 AI 연구소 Aug 16. 2019

의사처럼 예측하는 인공지능

비앤빛 인공지능 2 - 수술 후 예상시력을 맞춰라

당뇨병을 오래 앓아 온 환자가 다시 응급실을 통해 입원한 경우를 가정해봅시다. 눈부터 발까지 여러 합병증으로 고생하는 환자를 위해 주치의를 비롯한 각 과 의료진이 모여 치료 계획을 세웁니다. 이번에는 얼마나 입원을 해야 할지 의료진도 가족들도 걱정이 앞섭니다. 만일 이런 경우에

치료 결과를 미리 예측할 수 있다면 어떨까요?

치료에 앞서 입원기간이나 재입원 여부 등 예후를 미리 알 수 있다면요? 치료에 도움이 되는 것은 물론 가족들도 마냥 회복을 기다리기보다는 퇴원 후를 준비하며 계획을 세울 수 있을 것입니다.

마냥 먼 미래의 일만은 아닙니다. 2018년 1월, 구글은 환자의 진료기록을 딥러닝으로 분석해 치료 결과를 예측하는 인공지능을 발표했습니다. 캘리포니아주립대 샌프란시스코 대학병원과 시카고 대학병원에 24시간 이상 입원한 환자의 전자의무기록을 통째로 학습한 이 인공지능은 장기입원 여부, 입원환자 사망 위험도, 퇴원 후 30일 이내 재입원 확률, 퇴원 시 진단명까지 기존 인공지능보다 더 일찍, 높은 정확도로 예측할 수 있었습니다. 특히 장기입원과 재입원 가능성을 입원 시 이미 예측할 수 있을 정도였습니다.

이 연구가 놀라운 점은 혈액검사 결과처럼 수치화된 데이터뿐 아니라 정형화되지 않은 각 의료진의 전자의무기록도 분석했다는 점입니다. 진료 노트는 훌륭한 연구자료임에도 불구하고 자연어, 의학 약어 등은 기술적으로 처리하기 어려운 측면이 있었습니다.

이런 연구가 가능했던 것은 딥러닝 기술 덕분이었습니다. 딥러닝은 데이터를 사람이 분류하지 않고 무엇이 중요한 정보인지 스스로 파악하게 합니다. 이를 통해 복잡한 의료 데이터를 분석해 의학적인 통찰력이 필요한 결과를 낼 수 있었던 거죠.

헌데 반드시 딥러닝일 필요는 없습니다. 예측하려는 결과와 데이터에 따라 조금 덜 복잡한 머신러닝이 훨씬 효과적인 경우도 있으니까요. 중요한 것은 문제를 잘 정의하고 문제 해결에 가장 적합한 알고리즘을 찾는 것입니다.

수술결과를 예측하는 인공지능

얼마나 잘 보일까? 어디까지 보일까?

시력교정을 하기로 마음을 먹고 병원을 찾는 이들이 가장 궁금해하는 것입니다. 가장 궁금한 것은 가장 중요한 것일 수 있습니다. 그리고 가장 근본적인 것이기도 합니다. 의사들도 마찬가지입니다. 수술이 가능한 환자라면 수술 후 시력이 어디까지 나올 수 있을지 궁금합니다. 결국 시력교정의 핵심은 ‘잘 보이는 눈’을 만들어내는 것이니까요.

비앤빛의 두 번째 인공지능은 수술 후 예상 시력을 알려줍니다. 머신러닝을 활용해 우리는 수술 후 예상 시력의 범위를 알아낼 수 있었습니다.

이를 활용해 수술 전 환자들에게 수술 후 교정시력을 X축, 확률 분포를 Y축으로 한 그래프에서 95% 신뢰구간의 예측 시력을 보여줄 수 있습니다. 아래 이미지처럼 수술 후 개선될 것으로 보이는 시력의 범위를 그래프로 알려주는데요, 이 범위의 정점 즉 평균이 최종 교정시력이 되곤 합니다.

맞춤형 수술은 일반 레이저 수술보다 교정시력 범위가 조금 더 정교하게 나타납니다.

물론, 인공지능 연구 이전에도 수술 후 교정시력 예측은 가능했습니다. 지난 25년간 쌓인 비앤빛의 시력교정 결과 평균도 있고, 의사마다 그간의 경험이 토대가 되어 검사결과를 바탕으로 예측할 수도 있습니다. 하지만 우리는 일괄적인 평균이나 경험에 기반한 추론이 아니라 객관적인 근거를 찾고 싶었습니다. ‘수술 후 예상 시력은 1.2’라고 똑같은 결론을 내리더라도 경험적으로 판단하는 것과 어떤 이유로 그런 결과가 나왔는지 과학적으로 설명할 수 있는 것은 다르니까요.

그것을 설명해주는 것이 비앤빛의 두 번째 인공지능입니다. 이 인공지능은 첫 번째 인공지능을 연구한 자료와 크게 다르지 않습니다. 근시와 난시 정도, 동공 크기 등 다양한 검진 데이터와 나이와 성별 등 인구통계적 데이터, 수술 방법을 한 세트로 수술 후 시력을 예측하는 연구를 진행했습니다. 19,920명의 데이터 중에서 52개 변수를 분석한 결과, 수술 후 시력을 아주 높은 정확도로 예측할 수 있었습니다.

뿐만 아니라 어떤 이유로 그런 가능성을 예측했는지 알 수 있었습니다. 수술 후 시력 1.2가 되는데 관여하는 인자는 저마다 다르다는 것도 확인할 수 있었습니다. 수술의 종류와 동공 크기, 근시값, 난시값, 각막 곡률 등 다양한 인자가 수술 결과에 영향을 미치고 있었습니다. 경험적으로 예상 시력에 도달하도록 수술을 해 온 의사들도 미처 모르던 요소를 인공지능 연구로 밝혀낸 것입니다. 무엇이 잘 보이는, 혹은 잘 안 보이는 결과를 예측하게 하는지 설명 가능한 인공지능(explainable AI)인 것이지요.

두 번째 인공지능의 한계와 의미

수술 후 예상 시력에 영향을 미치는 변수를 알게 되었다고 수술방법이나 과정이 달라지지는 않습니다. 하지만 수술 전 환자와 더 많은 정보를 공유할 수 있습니다.

이제 우리는 수술 후 예상시력이 1.0이 안 될 것 같은 환자에게 이렇게 말할 수 있습니다.

“각막곡률이 평균적인 경우와 달라서 수술 후 시력이 1.0이 안 될 수도 있습니다. 다른 분들보다 재교정 확률이 높아요. 그럼에도 수술하시겠습니까?

재교정은 환자는 물론 의사에게도 부담입니다. 어떤 경우에도 의사들은 최선을 다하겠지만, 재교정 가능성을 안고도 수술을 할지 안 할지는 환자가 판단할 수 있어야 합니다. 인공지능이 의사의 판단을 돕는 지원 시스템(CDSS)이 되는 것은 물론 환자의 결정까지도 도울 수 있게 된 것이지요.

이 연구를 진행하는데 가장 큰 어려움도 데이터였습니다. 데이터의 양은 충분했으나 다만 대부분의 데이터가 수술결과가 1.2라는 것이 문제였습니다. 일반적으로 인공지능 연구에서 결과가 이렇게 한쪽으로 쏠린 경우 예측 성능을 높이기가 매우 어렵습니다. 이 부분을 보완하기 위해 불확실성에 관한 연구를 추가했는데 아직 개선해야 하는 부분이 많은 것이 사실입니다. 예측 성능을 더 높이기 위해 우리는 다양한 기법들이 적용해 연구를 지속하고 있습니다.

의료 인공지능 연구가 어려운 이유 중 하나는 다른 분야에 비해 에러, 즉 오판단이 극도로 작아야 하기 때문입니다. 게임이나 온라인 상거래와 같은 마케팅 분야에서는 10명 중에 7~8명만 맞춰도 홈런이라고 합니다. 하지만 의료에서는 10명 중 9명을 맞춰도 오진율이 10%나 되는 셈입니다. 다른 분야에 비해 기준이 높고 엄격하기에 데이터도 모으고 알고리즘을 개선하는 작업을 지속하고 있습니다.

어느 분야든, 아직 인공지능이 현업에 실제적인 도움을 줄 정도로 구현된 것은 많지 않습니다. 데이터부터 정책과 윤리적인 부분까지 제약이 많은 것이 현실입니다. 하지만 사람이 할 수 없는 수준의 성과를 내는 경우도 하나둘 나오고 있습니다. 의료 분야에서도 앞으로 인공지능으로 할 수 있는 일이 점점 많아지리라 우리는 예상합니다.