최근 많은 이들이 인공지능에 의한 기계학습에 대해 지대한 관심을 가지고 있다. 단순히 여러 가지 학습을 통해 대화상대를 찾는다던가, 인터넷 세상에 펼쳐진 검색어를 바탕으로 유투브에서처럼 세대별 광고를 만든다던지 특정 시간 내에 편의점에서 판매되는 물건에 따라 재고량을 파악해 생산하는 작업과 같은 편의성이 넘치는 수많은 일을 하고 있다. 

AI에 대한 머신러닝이라는 개념은 이미 1960년대부터 수많은 소설이나 영화에서 보여줬다. 아이작 아시노프의 로보시리즈, 스탠리 큐브릭의 영화 2001년 스페이스 오디세이. 그리고 해리슨 포드 주역의 블레이드 런너 등 인공지능을 가진 존재에 대한 고찰과 두려움 그리고 그의 대한 인간을 대처하는 노동시장의 변화에 대해 논해 오곤 했다. 

하지만 이런 SF적인 표현은 머신러닝에 대한 근본적인 방향이라기보다는 보다 나은 존재에 대한 두려움에서 시작되었다고 볼 수 있다. 즉 2010년대 중반이 되기 전까지 사람들에게 머신러닝이라는 건 볼 수 없는 미지적인 존재로 여겨졌고 전문 인력이 아니면 해당 내용에 대해서 국내에서는 잘 알 수 있는 분야는 아니었다.

1990년대부터 개념 정립
현재는 재판의 판결이나 공장에서의 제품 불량 판독과 같은 작업에 시범적으로 적용해 연구하고 있을 정도로 상당부분이 발전했다. AI 머신러닝은 두 가지 체계로 이루어진다. 단순하게 이야기 하자면 인공신경망이라고 불리는 데이터를 분류 작업해서 과정을 도출해 내는 알고리즘과 데이터를 모으는 작업이다.

이미 AI 머신러닝은 사실 미국이나 유럽에서 1990년대부터 개념이 정립되기 시작했다. 특히 의생물학계에서 인공 신경망이라던지 혹은 게놈 프로젝트라던 지 관련 연구는 상당부분 이루어졌다. 또 2000년대 초반에는 NIH에서 BLAST라고 불리는 AI 머신러닝 엔진으로 특정 DNA 파편에 대한 각 생물 및 인간의 염색체에서 어떤 역할을 하는지를 찾아내는 작업을 의대 대학원 과정에 적용시킬 정도였다. 

따라서 실제 그 개념이나 적용은 의생물학 분야에서 30년 전부터 광범위에게 사용되었다고 볼 수 있다. 하지만 그 것에 비례하여 의학적 진단을 대신할 수 있을 것이냐에 관한 부분은 언제나 관련 분야의 과학자들에게 상당한 도전에 하나였다.

지금은 지원이 상당부분 이루어져 다른 연구소에서 진행하고 있는 암진단 시뮬레이션인 IBM의 Watson프로젝트는 우리에게 가장 잘 알려져있다. IBM에서 개발한 인공지능인 Watson은 여러 가지 차트 데이터를 분석해 암에 관련된 진단을 할 수 있도록 하는 것이었다. 

암진단 시뮬레이션 IBM의 Watson프로젝트
그중에서 MRI나 X-ray 사진을 통해 암의 크기 및 사이즈 그리고 혈액에서 검출되는 여러 가지 호르몬이나 면역세포의 숫자를 통해 의사가 진단하는 것처럼 정밀하게 환자가 암 환자인지, 암 환자일 경우 얼마만큼 암의 상태가 어떠했는지를 판독하는 것이다. 

2017년 기준으로 의사와의 정밀도 판단 여부를 확인하였을 때 목표치는 85%의 정확성이었으나 실 판독률은 18%로 이지선다의 선택보다도 정밀하지 못했다. 이는 생명을 담보로 하는 의료현장에서 사용하기 어려운 수준으로 증명됐다.

물론 암이라는 질환이 많은 국가에서 사망 원인의 1위를 차지하는 질환이고 그만큼 진단에 대한 수요가 많은 건 사실이다. 암이라는 자체도 신체 각 기관에서 기능을 하지 못하는 세포들이 무한 증식으로 인해 발생하는 병이기에 기관마다 암이라는 경향성도 다르건 사실이다. 하지만 이에 반해 미국에서 연구비를 제일 많이 받는 질환 중에 하나 역시 암이라는 것을 보면 일견 의학계를 모르는 사람들은 축적된 데이터가 굉장히 많은 상황에서 왜 그런지 이해할 수 없을 가능성도 있다. 

암에 대한 데이터 자체가 전 세계적으로 많은 건 사실이다. 그러나 이런 데이터를 머신런닝에 사용한다는 것은 조금 다른 이야기다. Watson의 암판독이 실패한 것은 진료 데이터의 숫자도 그렇지만 병원마다 통일된 진단 차트 체계를 가진 것도 아니라서 병원의 진료 데이터를 머신러닝에 맞게 가공하는 작업 자체가 워낙 방대하다 보니 변수를 줄이기 위해 동일한 진단 차트 시스템을 가진 병원끼리 연계하거나 아니면 시스템 자체를 통합해야 하는데 이는 절대 불가능한 작업으로 볼 수 있다. 

AI 진단 가장 빨리 발전할 것
실제 국내 병원에서 조차 차트 시스템을 통합하는 데 어려움을 가지고 있고 시스템 자체도 프로그래머 친화적으로 만들어져 있을 정도이다. 그리고 환자에 대한 데이터 및 진단에 대한 병원에 속해 있는 의사의 판단은 해당 병원이 가진 노하우이며 환자 데이터의 무단 유출은 환자가 동의하지 않는 이상 불법이기에 데이터 확보에 어려움이 반드시 발생할 수밖에 없다. 

이뿐만 아니라 의사와 프로그래머 사이에 발생하는 데이터의 선별 및 가공에 따른 각자의 차이 및 이해도에 따라 머신러닝의 방향성이 달라지는 데 둘을 융합해 타협점을 찾을 수 있는 전문 인력의 부족함 역시 해당 프로젝트를 어렵게 할 수밖에 없었다.

이런 문제점이 들어난 Watson에 의한 암진단은 현장에서 적용하기는 어려움이 발생했다. 다만 이런 문제점으로 인해 프로젝트가 중단되거나 아예 폐기되는 사태까지는 가지 않았지만 데이터 수집의 방향성에 대한 부분은 반드시 수정해야 할 상황이다. 

그러나 쥐가 고양이한테 살아남기 위해 목걸이를 거는 행위를 하는 것처럼 머신러닝의 의한 AI 진료가 항 후 의료계의 방향이 되는 건 맞지만 전 세계적으로 시스템 통합 및 진단 기법 노하우에 대한 공유는 의료계의 상황이 바뀌지 않는 이상 쉽지 않을 것이다. 

그나마 국가의료보험에 의한 의료체계를 갖춰 의료자체의 행위가 이익을 내는 구조가 아닌 대학병원이 많은 한국, 중국, 영국 및 캐나다와 같은 나라는 어느 정도 통합의 여지가 있을 수 있겠지만 미국과 같이 영업 이익 및 병원이 가진 의료 데이터를 자산으로 삼는 곳은 지적재산권을 고정하여 통합 자체를 거부할 수도 있다. 

아마 차후 암에 대한 AI 진단이 가장 빨리 발전할 것이라고 믿고는 있지만 위의 산적된 문제를 해결하지 않는 이상 발전의 속도는 더딜 수밖에 없을 것이다.

김 위 겸임교수 다른기사 보기