데이터3법

[WMD 2021] 2021년 세계측정의 날: 전문가 강연(KAIST 바이오및뇌공학과 예종철 교수)

2016년 알파고와 이세돌의 대결은 전 세계에 큰 충격을 주며 인공지능 시대의 개막을 알렸습니다. 당시 연구 현장에 있던 전문가들조차 인공지능이 보여준 압도적인 성능에 놀라움을 금치 못했으며, 이는 의료 분야에서도 새로운 연구의 흐름을 만들어내는 결정적인 계기가 되었습니다. 특히 저선량 CT 영상의 노이즈 제거 기술에 딥러닝을 적용하면서 인공지능의 강력한 파급력이 실질적으로 입증되었습니다. 기존의 고전적인 방식보다 월등히 뛰어난 성능을 보인 인공지능 기술은 불과 2년 만에 글로벌 기업에서 상용화 제품으로 출시될 정도로 의료 현장의 판도를 빠르게 바꾸어 놓았습니다. 현재 의료 인공지능은 단순한 연구 수준을 넘어 진단, 영상 분할, 정합 등 의료 전반의 핵심적인 영역에서 활약하고 있습니다. 안저 영상을 통한 안질환 진단이나 피부암 판독 분야에서는 이미 숙련된 인간 전문가와 대등하거나 오히려 더 높은 정확도를 보여주는 사례가 잇따라 보고되고 있습니다. 한때 인공지능이 의사를 완전히 대체할 것이라는 급진적인 전망도 있었으나, 현재는 의료계 내에서도 인공지능이 의사의 지능을 보완하고 돕는 '증강 지능(Augmented Intelligence)'으로서 자리를 잡아가고 있습니다. 이제 인공지능 활용 능력은 의료진의 필수적인 역량 중 하나로 평가받고 있습니다. 딥러닝이 의료 분야에서 이처럼 비약적인 발전을 이룰 수 있었던 핵심 요인은 특징(Feature) 추출의 자동화에 있습니다. 과거의 기계 학습은 전문가가 직접 데이터에서 유의미한 특징들을 찾아내고 가공하는 과정이 필수적이었으나, 딥러닝은 데이터만 입력하면 알고리즘이 스스로 최적의 정보를 추출하여 분류까지 수행합니다. 이러한 특성 덕분에 데이터와 연산 도구만 있다면 과거보다 적은 노하우로도 고성능의 모델을 개발할 수 있는 환경이 조성되었습니다. 이는 수많은 의료 AI 스타트업이 탄생하고 이미징, 신약 개발, 유전체 분석 등 다양한 영역에서 혁신적인 성과가 쏟아지는 원동력이 되었습니다. 하지만 인공지능의 성능이 향상될수록 '가비지 인, 가비지 아웃(Garbage In, Garbage Out)'이라는 데이터의 원칙은 더욱 중요해지고 있습니다. 정제되지 않았거나 편향된 데이터를 학습할 경우, 인공지능은 아무리 고도화되어도 잘못된 결과를 도출할 수밖에 없습니다. 자연어 처리 모델에서 발생했던 인종차별이나 성차별적인 편향성 이슈는 데이터의 품질이 인공지능의 윤리와 성능에 얼마나 큰 영향을 미치는지 보여줍니다. 의료 분야에서도 마찬가지로 특정 목적에 편중된 데이터만을 학습한 모델은 실제 임상 현장에서 환자의 상태를 오판할 위험이 크기에 학습 데이터의 신뢰성 확보가 무엇보다 중요합니다. 대한민국은 2020년 데이터 3법 공포를 통해 가명 처리된 의료 데이터를 과학적 연구에 활용할 수 있는 법적 토대를 마련하며 의료 AI 강국으로의 도약을 준비하고 있습니다. 이를 바탕으로 정부와 기업은 범국가적인 '보건의료 빅데이터 플랫폼'을 구축하여 파편화된 병원 데이터를 통합하고 연구자들이 안전하게 활용할 수 있는 환경을 조성하고 있습니다. 단순히 데이터의 양을 늘리는 단계를 넘어, 국가 표준에 따라 정제되고 표준화된 양질의 데이터를 확보하는 체계를 갖추는 것만이 미래 정밀 의료를 실현하고 의료 인공지능의 경쟁력을 높이는 근본적인 해법이 될 것입니다.