감염병 재난 현황

감염병은 인류를 위협해 온 중요한 재난 중 하나다. 인류는 과학기술을 발전시키며 항생제, 백신 등을 개발하여 감염병 재난을 극복하기 위해 노력해왔지만, 늘 또다른 새로운 감염병이 등장하며 인류를 위협하고 있다 [[1]][[2]][[3]][[4]].

14세기 중엽 유럽에서 대유행했던 페스트의 파괴력은 대단했다. ‘페스트’는 1351년까지 유럽 전체 인구의 30~40%를 몰살시키면서 중세 유럽을 초토화시켰다. 16세기 약 천명의 스페인 원정대가 200만명 이상의 멕시코의 아즈텍 제국을 무너뜨리는 데는 ‘천연두’가 결정적인 역할을 하였고, 남미 안데스 고원의 잉카제국도 천연두 바이러스의 확산으로 몰락했다고 알려져 있다.

우리나라 역사에서도 감염병의 기록은 고대로부터 지속적으로 등장한다. [삼국사기]에는 고구려에서 3회, 백제 6회, 신라 18회의 전염병 발생을 기록하고 있다. [조선왕조실록]에는 1392년부터 1891년까지 500년 동안 1,000건 이상의 역병에 대한 기록이 있으며, 햇수로는 무려 160년이나 된다. 평균적으로 10년에 3번 이상 전염병이 유행한 셈이다.

전세계적인 교류와 이동이 많아진 20세기 들어와서는 그 파괴력이 더욱 커졌다. 1918년 3월 유럽과 미국에서 발생한 스페인독감(1918-1919, H1N1)은 전 세계적으로 4천만~1억 명의 사망자를 만들었으며, 1957~1958년 아시아 독감은 중국에서 시작되어 전 세계적으로 1,400만 명의 사망자를 발생시켰다. 10년 뒤에는 홍콩 독감(H3N2)이 전 세계적으로 140만 명의 사망자를 만들었고, 최근 전인류를 공포에 떨게하고 있는 코로나 바이러스 (COVID-19 )는 불과 3개월만에 300만명의 환자와 20만명의 사망자를 만들었다.

감염병 대응 체계

감염병에 대한 국가적 대응의 필요성을 인지하고 대응을 시작한 것은 1990년대 미국이었다. 1992년, 미국의학한림원(IOM)이 발간한 「Emerging Infections: Microbial Threats to Health in the United States」 보고서에서는 신종감염병 및 과거 감염병의 재출현 원인에 대해 분석 결과를 토대로 감염병 감시체계 확보, 감염병 연구 체계화, 백신·치료제개발 역량 확보, 보건인력교육 네 개 영역에 대한 개선안을 제시했다. 이를 계기로 미국에서는 1996년 6월 12일 신종 감염병의 감시·예방·대응을 위한 국가적 정책 수립을 시작했다 [[1]].

국제적인 차원에서는 세계보건기구의 2005년 국제보건규약(International Health Regulation, IHR ) 개정이 감염병의 감시 범위 확대와 더불어 국제적 협력을 시작하는 중요한 계기가 되었다. 1969년에 제정된 IHR에서는 3개 감염병(페스트, 콜레라, 황열)에 대한 집중적 감시만 하였으나, 2005년 개정을 통해 공중보건에 위협이 되는 모든 질병들을 대상으로 감시 적용 질병 범위를 확대하였고, 이를 WHO에 보고할 것을 의무화했다 [[1]]. 더불어 IHR의 주요 핵심 능력을 강화하고 진전시키고자 예방, 조기감지, 대응 분야로 구분된 국가별 위기대응에 대한 세부 측정지표(Joint External Evaluation, JEE)를 개발하여 국가별 대응 수준들을 평가하고 있다 [[3]].

우리나라도 2003년 상반기에 전 세계적으로 확산된 사스를 계기로 국가 차원의 감염병 대응을 시작하였다. 감염병 대응은 국가 핵심과제로 설정되어야 하고 감염병 관리를 위한 전문 운영체계 구축이 반드시 필요하다는 범정부적 인식하에서 검역법 개정(안)이 2003년 12월 29 일 국회 본회의를 통과하였고, 이에 따라 질병관리본부가 2004년 1월 17일자로 출범하였다.

이후 2003년 12월부터 시작되어 지속적으로 발생해온 고병원성 조류인플루엔자, 2009년 신종 인플루엔자를 겪으면서, 2010년 12월 30일자로 「전염병예방법」과 「기생충질환예방법」을 통합한 「감염병 예방 및 관리에 관한 법률」를 제정하고 법정 감염병의 분류체계와 대응체계를 개선하면서 국가차원의 대응체계를 체계화하기 시작하였다. 종합적이고 체계적인 감염병 예방 및 관리 계획 수립을 위해 5년 단위의 기본 계획도 준비하기 시작하였고, 2013년 8월에 제1차 “감염병의 예방 및 관리에 관한 기본계획 (2013~2017)”을 수립하여 공표하였다 [[3]].

2015년 중동호흡기증후군(M iddle East respiratory syndrome, MERS; 메르스)는 우리나라 국가 방역체계의 한계점과 문제점을 드러나게 하였고, 이를 계기로 국가 방역체계 개편방안을 마련하여 감염병 위기대비 및 대응체계를 강화하기 위한 노력들을 지속해오고 있다 [[2]].

범부처 감염병 대응 체계 R&D 동향

메르스 사태 이후, 정부는 ’16년 4월 범부처 감염병 연구개발추진위원회를 구성하고 제1차 국가감염병 위기대응기술개발추진전략(’12~’16) 수립 시행하였고, 이어 2차 추진전략(’17~’21)을 수립 시행하였다. 2차 추진전략 수립 시행 후, 감염병 분야 과학·기술적 성과는 국가 R&D 평균보다 우위에 있으나 방역현장에서의 실용화 성과가 부족하고 방역활동의 전주기적 대응에는 한계가 있다는 문제가 도출되었다. 중점기술 중에서도 현재 미수행되고 있는 영역이 다수 도출이 되어, 범부처 차원에서 감염병 유입차단과 현장대응에 초점을 둔 감염병 연구개발을 새롭게 기획 추진하게 되었다 [[5]].

7개 부처 합동 방역연계 범부처 감염병연구개발사업(Goverment-wide R&D Fund for Infectious Disease Research, GFID )(’18-’22)에서는 총 연구기간 5년을 목표로 감염병 유입차단, 현장대응, 확산방지에 활용될 수 있는 7대 중점분야 30개 과제를 도출하여 관련 연구를 진행하고 있다. 이 중에서도 특히 확산방지(소통) 분야에서는 ICT 기술을 활용한 1) 빅데이터 기반 감염병 위험도 평가도구 개발, 2) 의료기관과 보건소 등 현장과 정보교환 시스템구축, 3) 자가격리자 관리를 위한 어플리케이션 및 대체기기 개발, 4) 감염병 전파규모 및 확산예측 시스템 구축 등의 4가지 영역 연구개발을 진행하고 있다 [[5]].

특히 최근 신종 코로나 바이러스 팬더믹 환경 속에서 사전 예측 및 자동 경보, 초기 대응시 의료진 과부하 문제, 자동 판독 및 진단 보조 필요성, 비대면 확산 방지 기술의 필요성, 인포데믹 문제 해결 필요성 등이 나타나면서 국내외적으로 D.N.A(Data, Network, AI) ICT 기술을 활용한 새로운 감염병 대응 기술 R&D 시도들도 많아지고 있다는 점에 주목할 필요가 있다 [[6]][[7]][[8]][[9]][[10]][[11]][[12]][[13]].

D.N.A 기술을 활용한 감염병 대응 체계는 새로운 감염병 유행 예측을 보다 빨리 가능하게 할 수 있으며, 가짜 정보에 대한 발견과 신속한 정정 대응이 가능하도록 해서 인포데믹을 방지하며, 의료 영상 자동 진단과 진단 속도 개선을 가능케 하여 보다 신속한 감염병 진단과 처방이 가능토록 하며, AI 기반 신약 개발은 신약 후보 물질 발굴과 기존 약물의 적용 가능성을 최단시간내에 발견 가능하게 하며, 오픈 데이터들은 대량의 기초 데이터와 정보들을 보다 신속하게 공유/활용할 수 있는 기반을 제공한다. 이처럼 국가 감염병 방역체계 수립에 있어 D.N.A 기술을 적극 활용하는 것은 방역체계 고도화에 크게 기여할 것으로 기대된다 [[6]][[7]][[8]][[9]][[10]][[11]][[12]][[13]][[14]][[15]][[16]][[17]].

의료 인공지능의 기술적 이해

인공지능(Artificial Intelligence, AI) 기술은 최근 기계학습(machine learning)과 딥러닝(deep learning) 방법론의 고도화에 힘입어 컴퓨터비전 등의 과제에서 급격한 발전을 이루어왔으며, 의료 분야에서도 지난 수년간 흉부 및 유방 X-선 영상에서의 병변 자동판독 [[18]][[19]][[20]] 및 ECG 분석을 통한 심방세동 예측 [[21]] 등 다양한 의료 데이터 분석 문제에서 괄목할만한 성과를 보이며 주목을 받아왔다.

현재의 인공지능 기술은 세간의 오해와 달리 인간 수준의 범용적 사고기능의 구현을 추구하는 범용인공지능(Artificial General Intelligence, AGI) 보다는, 제한적인 조건의 과제에서 인간 수준의 (혹은 이를 뛰어넘는) 업무처리 능력을 확보하고자 하는 약인공지능(weak AI) 관점에서 더욱 활발히 기술개발이 이루어져 왔다. 최근에는 문자인식(Optical Character Recognition, OCR) [[22]][[23]] 및 안면인식(face recognition) [[24]] 등 과제에서 그 가능성을 입증하고 있다. 이러한 관점에서, 인공지능 기술은 인력에 대한 완전한 대체를 목적으로 한다기 보다는 인력의 업무효율을 극대화하는 증강지능(Augmented Intelligence)의 실현이 현실적 목표라고 할 수 있다. 대표적인 의료영상 의료인공지능 스타트업인 뷰노는 판독이 주업무인 영상의학 의사에게도 의료인공지능 기술은 골연령 판독과 같이 번거로운 작업의 효율을 높이면서도 (판독 시간 18~40% 감소) 판독 정확도를 향상 (전문의의 경우 63% → 73%로 상승) 시키는 데이 도움을 주는 것으로 발표했다 [[25]][[26]].

인공지능 기술의 대표적인 방법론인 기계학습/딥러닝의 기술적 목표는 현재 보유한 데이터에 대한 완전한 통계적 분석이 아니라, 미래에 확보하게 될 새로운 데이터에 대한 예측(prediction) 능력을 극대화하는 데에 있다 [[27]]. 특히 딥러닝 기술은 수십만~수백만 개의 파라미터(parameter)를 보유한 대단위의 모델링을 통해 고전적인 기계학습 기술로 구현하지 못했던 매우 고차원(high-dimensional)의 비선형적(non-linear)인 패턴인식(pattern recognition)을 가능하게 한다. 단, 그 수 많은 파라미터를 보유한 모델을 학습시키고 최적화(optimization)하기 위해서는 많은 수의 빅데이터를 학습 및 검증용 데이터로 활용할 수 있어야 한다. 학습 모델이 좋은 예측력 확보를 위해서는 모델의 강인성(robustness) 확보가 관건이며 이를 위한 최고의 방법은 양질의 빅데이터를 활용하는 것이지만, 오히려 이 점이 의료인공지능 개발의 병목 지점(bottleneck)이 되기도 한다. 왜냐하면 의료데이터는 데이터의 질적/형식 표준화, 개인 민감정보 보안, 제한된 수의 환자군 등의 문제로 대단위의 빅데이터를 확보하기 쉽지 않기 때문이다.

의료인공지능 기술의 이해에 있어 가장 유의해야 하는 바는 본 기술의 목표가 세련되고 신선한 인공지능 기술 개발에 있지 않고, “의료” 그 자체에 방점이 찍혀야 한다는 점이다 [[28]]. 통상적으로 알려지고 있는 인공지능 기술의 발전과 의료 데이터를 활용한 수 많은 연구들을 통해, 인공지능 기술이 의료분야에도 적용가능하다는 점은 충분히 증명해왔지만, 실제로 의료 인공지능 기술이 임상에 활용되고 환자들에 대한 진단 및 치료에 의미있는 개선을 가져온 예시는 여전히 찾아보기 어렵다.

의료인공지능 기술의 최종 목적이 환자가 진단을 잘 받도록 하고, 나아가 치료를 잘 받을 수 있도록 의료진을 돕는 것이라는 점을 잊지 말아야 할 것이다. 이와 동시에 의료인공지능 모델이 강인한 예측력을 확보했는지, 그 임상적 유효성은 어떠한지 엄밀하게 검증하는 노력이 필요하다 [[29]].

감염병 대응을 위한 의료 인공지능 기술의 필요성

전 세계적으로 신종 코로나 바이러스 팬더믹을 겪게 되면서, 새삼 의료 인프라의 중요성에 대해서 되새기는 계기가 되었다. 주로 다음과 같은 감염병 대응 과제에 많은 나라들의 의료 인프라 부족 문제가 드러났으며 그 요구가 증대되고 있다 [[30]].

1. 감염병의 예측 및 전파경로/현황 파악
2. 신종 감염병의 감별/정량 진단
3. 신종 감염병에 대한 치료법 개발
4. 기존 임상환경에의 감염병의 영향을 최소화(mitigation)

확산 방지를 위하여 감염병의 대응은 신속해야 하므로, 필연적으로 위 과제들은 공통적으로 신속성이 요구된다. 그러면서도 그 목표 달성을 위해 빅데이터 분석이 필요한 과제들이므로 인공지능 기술의 도움이 절실하다고 할 수 있다.

특히 감염병의 예측 및 전파경로/현황을 파악하는데 있어서 IoT 와 5G 등의 차세대 통신망을 활용하여 실시간으로 누적되는 데이터들을 처리하고 분석하는 기술이 필요하다 [[31]]. 대표적으로 ‘Worldometer’ [[32]] 나 US Centers for Disease Control and Prevention (CDC) 와 같은 각국의 질병관리기관에서 신종 코로나 바이러스의 감염 현황이 실시간으로 보고되고 있다. 이러한 데이터들의 실시간 획득과 분석을 통해 지역별로 감염병의 추세나 전파확산 경로 등의 현황을 신속히 파악하는 것뿐 아니라 미래의 상황에 대한 예측을 통해 정부나 기관에서 적절히 대응할 수 있도록 인공지능 기술을 활용하는 것이 필요하다.

신종 감염병의 진단 및 치료법 개발의 신속성은 재차 강조해도 지나치지 않다. 하지만 그 진단 및 치료법의 개발은 현재로서는 전문가로서도 어렵거나 답이 없는 문제를 풀어야 하는 경우가 많아 이 역시 인공지능의 도움이 필요한 영역이라 할 수 있다. 예컨대 신종 감염병과 기존의 알려진 감염병과의 감별진단과 같은 과제는 증상 등의 임상소견에 덧붙여 X-ray나 CT와 같은 영상소견을 포함하여도 전문가로서도 쉽지 않다 [[33]]. 환자의 X-ray나 CT상에서 눈에 보이지 않는 영상 표현형(phenotype)을 정의하고 분류할 수 있는 인공지능 모델을 통해 신종 코로나 바이러스로 인한 폐렴과 기존의 바이러스성 폐렴의 감별진단이 가능하다 [[34]]. 특히 치료제 개발은 현재로서는 답이 없는 문제를 푸는 것으로, 수많은 신약 후보 물질 중에서 가장 유용할 것으로 기대되는 것들을 인공지능을 통해 screening하는 기술로서 신종 감염병의 신약개발을 가속화하는데 일조할 수 있다 [[35]].

또한 의료인공지능 기술의 증강지능으로서의 활용 혹은, 단순한 작업의 대체 효용 측면을 적극 활용한다면 신종 감염병에 의한 의료 resource의 쏠림 현상을 최소화하여 기존의 의료전달체계와 임상 현장에 혼란을 주거나 마비가 되는 것을 방지할 수 있다 [[30]]. 나아가 지금과 같이 판데믹 상황에 의료 resource의 부족까지 겹친 상황에서는 신종 감염병 환자에 치료 효율을 증대시키기 위한 triage도 중요한 기술적 과제중의 하나로, 인공지능 기술을 이용한 환자의 예후 예측 모델을 통해 이를 실현할 수 있다 [[36]].

개요

최근 인공 지능 기술이 전 산업 분야에 걸쳐 다양하게 적용되고 활용되고 있는 것처럼, 감염병 재난 환경에 대해서도 다양하게 활용될 수 있는 많은 가능성들을 갖고 있다. 이러한 이유로, 전세계적으로 많은 기술 연구개발과 응용 서비스 개발이 진행되고 있다 [[89]].

OECD 보고서[[37]]에서는 [그림3]과 같이 COVID-19와의 싸움에 다양한 방역 단계별로 AI 활용이 도움이 될 수 있다고 분석하고 있고, Gartner의 보고서[[38]]에서도 유사하게 1) 조기 발견 및 전염병 분석 2) 격리 3) 심사 및 진단 4) 건강 관리 운영 5) 백신 연구 개발 분야에서 인공지능의 활용 가능성이 높다고 분석하고 있다.

중국 인공지능산업개발연합에서는 중국내 코로나 바이러스 대응을 위해 전염병 상황 모니터링 및 분석, 인력 및 재료 관리 및 제어, 물류 지원, 약물 연구 및 개발, 치료 및 생산 재개 등의 분야에서 인공지능을 활용한 자국내 사례 분석 결과 보고서를 공개하였다. 그리고 감염병 재난 상황이 인공지능 기술의 발전뿐 아니라 다양한 산업 자체를 강화시키는 인공지능의 역할이 확장되고 있다고 분석하고 있다 [[39]].

본 보고서에서는 주요 감염병 방역 단계를 4단계로 구분하고, 각 방역 단계별로 적용 가능한 다양한 인공지능 기술의 활용 예들을 <그림4>와 같이 도출하였다.

이 장에서는 감염병 대응을 위한 인공지능 활용 사례 중 많은 연구개발이 진행되고 있거나 실제 활용도가 높았던 6가지 대표적인 사례들에 대해 보다 상세하게 분석해보았다.

자동 진단 보조

감염병 방역에서 가장 중요한 기술 중 하나는 바로 감염자에 대한 빠르고 정확한 진단이다. 바이러스성 감염병인 코로나19의 경우 실시간 역전사 중합효소 연쇄반응(Real time reverse transcription polymerase chain reaction: RT-PCR)이 표준적인 진단 검사 방법으로 활용되고 있지만, 결과 확인까지 약 6시간 이상이 소요되며, 고가의 전용 장비와 음압환경시설을 갖춰야 하므로 국가와 지역별에 따라 검사에 대한 접근성의 편차가 크다. 또한 감염 초기 잠복기 상태이거나 검체 채취 및 취급 과정의 문제로 인한 RT-PCR검사의 위음성 판정의 사례들이 보고되는 등, 검사 자체의 한계도 보고되고 있다 [[40]]. 이러한 DNA 기반 진단 검사 방법의 접근성과 오류 가능성을 보완하기 위해 다양한 연구와 노력들이 진행되어 왔으며, 그 중 인공지능 기반의 흉부 X-ray와 폐 CT영상 분석 기반 진단 보조 솔루션들이 대안으로 주목받고 있다.

코로나19 감염병의 대표적인 증상인 바이러스성 폐렴은 폐포 손상을 유발하며 손상의 범위나 심각도에 따라 X-ray나 CT등의 흉부 영상 검사로 감염 부위의 관찰이 가능하다. 특히 이번 코로나19 폐렴의 경우 특징적인 영상의학적 소견들을 나타내고 있으며, 간유리 음영(Ground-glass Opacity), 폐경화(Consolidation)의 소견이 양쪽 폐의 후측 주변부에 나타나는 특징을 가지고 있다 [[41]][[42]][[43]]. 또한 폐렴의 진행 경과에 따라 간유리 음영 대비 폐경화의 비율이 높아지다가 회복기에 폐경화 영역이 소멸되는 패턴을 보인다 [[44]]. 따라서 이러한 영상의학적 특징을 인공지능을 통해 학습시키면, 코로나19 폐렴 의심환자의 영상에서 폐렴 소견을 탐지하여 RT-PCR 검사를 통한 진단을 보완하는데 활용할 수 있다 [[45]][[46]]. 또한 감염 여부만을 판단할 수 있는 RT-PCR 검사에 반해 폐렴 소견을 보이는 영역의 범위를 정량화 함으로써 감염병의 중증도를 판단할 수 있으며, 연속적으로 촬영된 영상을 기반으로 치료에 대한 반응이나 질환의 경과도 객관적으로 관찰할 수 있다는 장점이 있다 [[47]]. 뿐만 아니라, 암환자와 같이 주기적인 영상 검사를 시행하거나[[48]] 코로나 감염병 외의 질환으로 시행한 영상 검사를 통해[[49]] 의심환자로 분류되고 RT-PCR을 통해 확진되는 사례가 보고되고 있어, 인공지능 기반 진단 보조 솔루션이 이러한 무증상 환자의 우연적 선별에도 도움을 줄 수 있다.

이러한 목적에 따라 코로나19 확진 환자 데이터를 활용하여 진단 및 정량화 모델을 개발하고자 하는 연구가 활발하게 진행되어 왔는데, 중국 우한의 의료진과 선전의 의료인공지능 기업의 협력 연구팀은 CT영상을 바탕으로 코로나19로 인한 폐렴과 일반적인 지역사회획득 폐렴을 구분하는 인공지능 모델 COVNet을 개발, 영상의학분야 최고권위 학술지인 Radiology에 발표하였다 [[50]]. 최근 뉴욕 사이나이의 아이칸 의과대학(Icahn School of Medicine at Mount Sinai)에서는 CT영상뿐 아니라 열과 기침 등의 증상 및 혈액검사 결과 등의 임상정보를 동시에 활용하여 CT영상만 학습한 인공지능의 정확도뿐 아니라, 흉부 영상 전문의의 판독 정확도를 뛰어 넘는 성능을 보이는 인공지능 모델을 개발하여 의학분야 최고권위 학술지 중 하나인 Nature Medicine에 발표하였다 [[51]].

이에 발맞추어 전세계 의료 인공지능 기업들도 코로19 폐렴의 진단 및 중증도 판단을 지원하는 솔루션들을 개발해 왔으며 [표 1], 국내에서는 뷰노가 흉부 X선 기반의 폐렴 탐지 솔루션과 흉부 CT기반의 폐렴 정량화 솔루션을 패키지 형태로 전세계에 무료 공개하여 200개 이상의 기관에서 활용되고 있다 [그림 5]. 그 밖에도 루닛과 메디컬아이피도 각각 자사의 인공지능 기반 흉부 X-Ray와 흉부 CT 영상 분석 솔루션을 무료 공개하여 주목을 받았다. <부록2>와 같이 이 밖에도 중국을 포함한 다양한 국가들에서 많은 시스템들이 개발되고 있다.

이러한 인공지능 기반 진단 보조 솔루션의 장점에도 불구하고 이를 임상에 현장에 적극적으로 활용하기에는 몇 가지 한계가 있다. 우선 감염병 의심환자의 영상의학 검사를 시행하기 위해서는 기존의 영상 진단검사 장비를 활용하게 되는데, 이때 필요한 검사 장비의 방역 조치 및 검사 후 소독, 검사실의 환기에 많은 인력과 시간 소요되어 선별 검사로서 운용의 효율성이 낮다. 따라서 방역 조치가 간편하며, 공간 운영의 유연성이 있는 이동형 진단 영상 장비와 인공지능 소프트웨어가 통합된 지능형 의료기기 개발의 필요성이 높아지고 있다.

또한 감염병 진단 보조를 위한 인공지능 솔루션의 정확도 검증을 위해 감염병 확산 초기부터 확진 환자의 데이터를 수집하고 공유할 수 있는 표준 체계 및 플랫폼 구축이 필요하다. 현재 논문으로 발표된 연구나 제공하고 있는 서비스는 제한된 숫자의 병원과 협력을 통해 확보된 소수의 확진 환자 데이터에 기반하여 개발 및 검증이 이루어지고 있다 (표2 참조). 따라서 인공지능 모델의 성능이 일반화되기 어렵고 영상 촬영의 프로토콜이 상이한 경우 성능이 보장되지 않을 가능성이 높다.

이번 코로나19 사태로 경험한 바와 같이, 치료제나 백신이 없는 신종 바이러스성 감염병의 대유행으로 인한 인명 및 경제적 손실을 최소화하기 위해서는 감염병의 유행 초기부터 진단 및 선별을 위한 다양한 기술이 총동원되어야 한다. 접근성이 높은 이동형 진단장비의 개발 및 대량의 데이터에 기반한 폭넓은 검증을 통해, 인공지능 기반의 영상 진단 기술은 향후에도 접근성이 높고 효율적인 진단 도구로 널리 활용될 것으로 기대된다.

원격 환자 모니터링 및 예후 예측

2020년에는 SARS-CoV-2의 범유행(Pandemic)처럼 신종 감염병이 다수의 환자를 발생시켜 재난 상황을 유발하는 사례는 2009년의 신종인플루엔자 범유행이 최근에 발생했었으며, 앞으로 점점 증가할 것으로 예측되고 있다.

특히 이번 코로나19의 범유행 사례에서 보면 다수의 국가에서 의료자원의 소진으로 인해 신종 감염병으로 인한 재난 상황이 발생하였다. 많은 국가에서 환자들은 진단을 받지 못하고 자택에 기거하거나, 진단이 되었다 하더라도 경증에서 중등도의 환자들은 의료기관이 아닌 자택 혹은 생활치료시설 같은 비 의료기관에서 격리되는 상황이 발생하게 되었다.

의료기관에 입원한 환자는 상태가 의료진에 의해서 감시되고, 필요시 처치가 이루어질 수 있으나, 자택이나 생활치료시설 같은 곳에 격리된 환자들의 경우는 적절한 감시가 이루어지기 어렵고, 이에 따라 상태가 악화되더라도 적기에 필요한 처치를 받기 어려운 것이 사실이다. 특히, 2020년에 유행중인 코로나19의 사례를 보면 폐렴이 심하게 진행되더라도 환자가 자각증상이 없는 경우 들이 다수 보고되고 있어, 비 의료기관에 격리되어 있는 환자의 상태를 평가하는 것이 필요할 것으로 생각된다.

원격 환자 모니터링의 개념은 과거부터 있어오던 개념이나, 전용장비가 아닌 IoT를 활용한 Smart Device들이 개발되기 시작하면서 조금 더 쉽게 접근할 수 있게 되었다.

먼저 환자의 활력징후 및 산소포화도를 측정할 수 있는 장비들을 보면, 애플워치, 갤럭시워치등에 포함되어 있는 맥박수 확인기능은 광혈류측정기(PPG:Photoplethysomography)를 기반으로 하는 펄스옥시미터(Pulse oximetry)에서 맥박수만 확인하고 있으며, 환자의 심전도를 클라우드에 저장 분석 할 수 있는 S-patch Cardio 같은 Device도 개발되어 시장에 나와 있다. 또한 혈압과 체온을 측정하여 각종 클라우드에 기록을 할 수 있는 스마트 혈압계 및 체온계들도 시장에 다수 출시되어 있다.

이러한 장비들을 활용하게 되면 의료기관이 아닌 자택이나 생활치료시설 같은 비 의료기관에 격리되어 치료받는 환자의 상태를 모니터링 할 수 있다. 하지만, 다수의 환자를 동시에 모니터링 하는 것은 매우 지난하고 어려운 일이다. 의료기관의 중환자실의 경우에도 한대의 중앙 환자 감시장치를 통해서 동시에 감시가 가능한 환자수는 고작 30명 남짓하며, 이 경우도 설정된 임계값(Critical Value)를 벗어나서 경고가 울리지 않는 한 환자의 상태가 나빠지는 것을 발견하는 것은 매우 어렵다. 현실적으로, 한 장소에 모여 있는 환자도 아닌 다수의 장소에 개별로 격리되어 있는 수많은 환자의 상태를 실시간으로 모니터링 하는 것은 인공지능의 도움없이는 어려운 일이다.

이러한 다수 환자의 감시를 위해서는 인공지능에 의한 감시(Surveillance)가 필수적이라 할 수 있다. 환자가 착용하고 있는 각종 스마트디바이스에서 발생하는 이벤트들을 인공지능이 감시하고 필요시 이러한 이벤트들을 관리자에게 통보하거나, 응급의료체계(EMS: Emergency medical system)를 활성화시키는 등의 기능을 해야만 효율적으로 다수의 환자들의 안전을 도모할 수 있을 것이다.

여기에 활용할 수 있는 가능성이 높은 기술은 뷰노와 세종병원이 함께 개발하여 여러 기관에서 사용하고 있는 DEWS(DeepEWS)가 있다 [[112]][[113]]. 쉽게 측정할 수 있는 체온, 수축기혈압, 호흡수, 심박수 네가지 인자만을 사용해서 심정지예측을 하는 인공지능 기반의 Alert 시스템으로 자택 혹은 생활치료센터에서 격리되어 있는 환자들에게 적용하여, 환자의 상태가 급변하는 것을 예측하고 예방할 수 있을 것이다. 또한, PPG를 기반으로 하는 산소포화도 감시 또한 이번 코로나19 같은 폐렴을 유발하는 전염성 질환에서 환자의 상태를 감시할 수 있을 것이다.

국제적으로는 스위스 집중 치료 의학 협의(SGI/SSMI )의 후원으로 진행되고 있는 RISC-19-ICU 레지스트리에 현재 16개국 97개 센터가 참여하여 ICU에 있는 COVID-19 중환자들의 특성과 치료 과정에 대한 EHR 정보를 공유하는 작업을 진행하고 있다. 이를 통해 환자의 위험도를 계층화하고 AI/ML 기술을 이용해 합병증과 발생할 위험을 예측하고 예방할 수 있도록 하는 것을 목표로 하고 있다.

이번 코로나19유행에서 치료제 후보 군으로 큰 관심을 가지고 있는 Chloroquine 계열의 약물. 특히 Chloroquine phosphate 및 Hydroxychloroquine은 용량을 잘 조절하지 못하면, 부정맥을 유발할 수 있는 것으로 잘 알려있으며, 함께 사용하는 것이 검토되었던 Azithromycin의 경우도 QT 간격을 연장시켜 부정맥의 위험을 높이는 약물이다. 이 경우 발생되는 부정맥은 다형심실빈맥으로 최악의 경우 환자가 목숨을 잃을 수도 있다. 미국에서는 실제로 이 약물을 자가 투약한 환자가 사망하는 사례도 발생하였다. 이러한 부정맥을 유발할 위험이 있는 약물로 치료받는 환자들은 병원에 입원하여 심전도를 감시하에 투약하는 것이 안전하지만, 다수의 환자가 발생하여 모든 환자가 병원에 입원치료를 받을 수 없는 상황에서 외래 투약시에는 S-patch Cardio 같은 장비를 활용하여 심전도 감시를 하고, 필요시 응급의료체계를 자동활성화 시켜 구급대를 출동하게 하는 등의 조치를 취하는 것이 필요하다.

현재 유행중인 코로나19의 진단 및 치료에 도움을 줄 수 있는 기술 및 환자 상태의 급변을 감시할 수 있는 여러 기술들은 시장에 출시되어 있으나, 감염성 질환의 예후를 예측할 수 있는 기술은 아직 현장에 나와 있지 않다. 예후 예측을 위해 필요한 각종 데이터들을 수집해서 분석해야 우리가 아직까지 실체를 잘 알지 못하는 이러한 신종 감염병의 예후 인자들을 찾아낼 수 있을 것이다. 그러기 위해서는 환자유래의료데이터 (Patient Generated Health Data, PGHD)와 유전체 정보 (Genomic Data)를 아우를 수 있는 개인건강기록 (Personal Health Record, PHR)이 반드시 필요하다고 하겠다.

자가 진단 검사 및 음성 인식

코로나 바이러스 팬더믹과 같은 전염성과 치명률이 동시에 높은 감염병의 등장으로 의심 환자와 신규 환자에 대한 비대면 진료와 원격 진료, 그리고 AI를 통한 사전 스크리닝과 모니터링의 필요성이 커지고 있다. 미국, 일본, 영국 등 각국에서는 긴급하게 원격의료에 대한 규제를 완화시키면서 대응하고 있고, 의심 환자와 신규 환자를 효과적이고 안전하게 접촉하고 진단검사를 시행하는 방법과 절차 개발들을 개발하고 있다.

이러한 상황 속에서 주목받고 있는 것이 AI 기술을 기반으로 하는 대화형 인터페이스 기술과 음성 인식 기술이다. 대화형 인공지능 응용은 챗봇(chatbot) 및 이를 이용한 가상개인비서(VPA: Virtual Personal Assistants), 가상고객비서(VCA: Virtual Customer Assistants), 가상직원비서(VEA: Virtual Employee Assistants) 등으로 구성되며, 핵심기술로는 음성인식/음성합성/언어처리/상황인지 및 대응/감정인식/지식 베이스/대화 모델링 및 인터페이스 기술 등을 종합적으로 활용한다.

코로나 바이러스 팬더믹 상황에서 많은 국가들이 감염 상태에 대한 사전 문진과 가이드를 위해 핫라인 전화를 개설 운영하였었으나, 확진자 증가량에 비례하여 문의 전화가 폭증하고 대기 시간이 길어지고 연결이 끊기고 불가능해지는 등 다양한 전화 폭주로 인한 문제들이 발생하였다. 이러한 문제를 해결하기 위해 자동화된 대응을 위한 대화형 인터페이스 기술 활용이 늘어나고 있다 [[52]].

질병과 재난 예측, 감시

폭풍이나 홍수를 단지 몇 분만 빨리 예측할 수 있어도, 많은 사람들을 부상이나 사망의 위협으로부터 구할 수 있다. 하지만, 신종 코로나바이러스 (SARS-CoV-2) 등의 전염성 질환으로 인해 일어나는 여러 사회 경제적 파급 효과는 쉽게 가늠하기 어렵다.

현재 코로나바이러스 관련 모델은 크게 확진자, 사망자, 입원환자 등의 자료를 토대로 수학적으로 데이터의 특징을 잘 반영시키는 방법을 찾아내는 statistical model, 그리고 큰 질병이 생기는 경우에 사람들은 어떻게 행동하고, 질병은 어떤 방식으로 전달되는가를 연구하는 mechanistic model 두 가지로 나뉜다. 이 두 가지 모델링 방법은 서로 상호 보완적이며, 한 모델의 예상되는 결과가 다른 모델의 성능에 영향을 미치는지를 분석할 수 있다. 최근에는, 머신러닝을 이용한 시계열 예측 모델로 이런 두 가지 모델의 장점과 단점을 조합해서 여러 예측을 하고 환자 진료부터 정책 수립에까지 도움을 주려는 시도가 많아지고 있다.

다만, 인공지능을 이용한 질병, 특히 신종 코로나바이러스의 예측 모델에서 가장 주의해야 할 점은, 이 모델들을 설계하기 위해 여러 가지 수학적인 가정이 필요하고, 모든 모델은 적합한 데이터가 필요하며, 많은 경우 후향적 시험을 통해 검증이 되어야 하고, 그 후에도 실제 상황에서 전향적으로 사용하는 단계에서는 뚜렷한 한계가 있다는 점이다. 이 단원에서는 이런 한계점들과 극복 방안들을 알아보고자 한다.

입력 데이터 거버넌스

특별히 질병의 전파 예측을 하는 경우, 여러 기관에서 공유하고 있는 데이터를 모아서 써야 하는 경우가 많다. 이 경우 데이터를 통합 서버로 보내는 대신, 학습된 모델을 각 데이터가 있는 서버로 보내고, 학습된 결과를 받아서 모델을 업데이트 시키는 연합학습 (federated learning) 기법이 이용될 수 있다 (그림7) [[56]]. 이는 데이터의 프라이버시 문제를 해결하며, 동시에 각 센터의 데이터 거버넌스 문제도 다룰 수 있게 한다. 연합학습의 개발 초기에는 모델의 신뢰도 (받은 데이터로 모델이 올바로 학습되었는지 알기 어려움) 와 데이터의 전송 속도 (학습된 결과가 양이 방대할 경우 실시간 추적이 어려워짐) 가 문제가 되었지만, 데이터 표준화가 진행되고, 5G 네트워크 등의 고속 전송 등을 통해 기술적 문제들은 해결이 가능하다고 할 수 있다.

그리고, 유전체 데이터 표준화를 진행하는 GA4GH에서는 “Responsible Data Sharing to Respond to the COVID-19 Pandemic”이라는 제목으로 COVID-19 해결을 위한 다양한 연구활동에서 데이터 공유를 위한 전세계 연구자들의 공동 선언문을 작성하고 있는 중이다. 연합학습과 같은 기술적 대안과 더불어 연구 윤리 측면에서 고려해야 하는 점들을 제시하고 있다.

전향적 감시에 의한 질병의 컨트롤

현재 전 세계를 걸쳐서 가장 보편적으로 자리잡은 코로나바이러스 감염 방지 기법은 사회적 거리 두기 (social distancing) 이다. 대부분의 나라에서 경제 활동 규모와 인적, 물적 교류를 줄여가면서까지 이 방법을 쓰는 이유는, ‘커브를 낮춘다 (flattening the curve)’ 라고 하는, 단위 시간동안 신규 확진 환자의 발생률을 줄이는 것이, 현재 가용한 의료 시스템을 통해 환자의 회복을 제 때 도울 수 있다고 믿고 있기 때문이다 (그림8) [[62]]. 하지만 최근 도출된 사회적 거리 두기의 영향에 대한 역학 발표에 의하면, 질병 전파성 (R-naught; R0)과 질병의 치명률에 따라 이 사회적 거리 두기의 효과는 상당 부분 바뀔 수 있다.

현재의 코로나바이러스와 같은 정도의 전파성과 치명률을를 가지는 질환의 경우, 경우 사회적 거리 두기 하나만으로는, 상당한 시간이 지나서 조치를 완화했을 때 감염증이 다시 악화될 수 있기 때문에, 마스크 쓰기 등의 개인 위생, 광범위한 진단적 검사 시행, 그리고 개인의 프라이버시를 철저히 보호한다는 전제 하의 확진 환자의 이전 동태 파악을 통한 모든 방법이 유기적으로 결합되어야만 조절될 수 있다 [[63]]. 한국 이외의 국가들에서 이와 같은 시스템을 효과적으로 구축하는 데 도움을 줄 수 있다면, 향후 다른 종류의 감염병 확산에도 기여할 수 있다.

접촉자 추적 및 모니터링

역학조사(疫學調査, epidemiologic investigation)는 인구집단을 대상으로 특정한 질병이나 전염병의 발생 양상, 원인, 전파경로 등을 조사하는 것을 의미하며, 이를 통해 감염병의 종류와 원인, 발생 경로를 찾아내 대응할 수 있도록 하기 위한데 그 목적이 있다 [[92]].

감염병 재난 상황에서는 정밀하고 정확한 역학조사도 중요하지만, 신속한 역학조사가 더욱 필요하다. 역학 조사 후 적극적인 방역 조치 수행을 위해서는 감염원과 감염 의심 대상을 찾아내 격리 치료하는 것이 중요하다. 이를 위해서는 확진 환자의 동선별 접촉자 를 적극적으로 파악하여 감시조치를 시행하며, 밀접 접촉자를 찾아내 격리하는 것이 확산 방지에 효과적일 수 있다 [[92]].

그러나 수작업으로 접촉자 파악과 추적, 모니터링을 위해서는 많은 인력들이 필요하다는 문제가 있다. 이에 ICT 기술과 인공지능 기술을 이용해 동선별 접촉 가능자를 빠르게 분석해내고 격리 치료 모니터링을 유도하기 위한 다양한 접촉 추적 시스템을 우리나라를 비롯해 오스트리아, 중국, 이스라엘, 폴란드, 싱가포르 등 많은 국가에서 개발하여 사용하고 있다. 나아가 핫스팟 분석 및 알림, 포괄적 봉쇄, 영업정지, 공공장소 폐쇄, 자발적 사회적 거리두기 요청, 이동 제한 조치 등을 시행하고 관리하기 위해 기술들을 사용하고 있는데, 감염병은 주로 신체 접촉과 호흡기 비말로 전파되기 때문에 휴대폰 위치 추적을 통한 위치 데이터를 핵심 데이터로 활용하고 있다 [[93]]. 이외에도 신용카드 사용내역, CCTV, 안면인식, QR코드 등과 같은 다양한 접촉자 확인에 필요한 정보들을 취합 분석하기 위한 앱과 시스템, 그리고 빅데이터 분석과 AI 알고리즘들을 적용하고 있다 [[94]].

신약 개발

신약 개발의 경우, 보통 2~5년간의 후보 약물 발굴을 거치고, 그 이후로도 6년에서 15년간의 약물 개발 과정을 거쳐야 시장에 출시가 가능하다. 이러한 장기간의 후보 약물 검색 기간과 전임상 연구, 독성 연구가 필요하기에 많은 비용과 시간이 소모되기 때문에 AI를 이용한 다양한 신약 파이프라인 플랫폼 연구개발이 진행되고 있다 [[10]][[113]]. 이러한 기술은 약물 검색 기간과 전임상 연구 및 독성 연구 등의 시간을 단축시키기 위한 중요한 툴로서 사용된다.

신종 감염병인 COVID-19에 대응하기 위한 치료제의 개발을 위해, WHO 필두로 세계 곳곳에서 글로벌 기업을 비롯해 국가적 차원에서의 많은 투자와 연구개발이 진행되고 있다 [[6]][[35]][[113]]. 현재 2020년 6월 7일을 기준으로 7백만명의 감염자와 40만명의 사망자를 내고 있는 시점 [[114]] 에서 치료제나 백신이 공식적으로 개발되어 공급되기 전까지, 대부분의 국민들은 사회적 거리두기나 위생관리 개념에서의 수동적 감염 예방이 유일한 해결책이며, 이는 경제적, 사회적으로 상당한 피해를 가지고 온다. 따라서 한국을 비롯하여, 많은 국가들이 치료제를 찾기 위한 노력을 하고 있다.

현재 최적화된 치료제는 아니지만, 렘데시비르 [[115]][[116]][[117]], 클로로퀸과[[118]][[119]] 히드록시클로로퀸[[120]], 리토나비르/로피나비르[[121]][[122]] 그리고 리토나비르와 IFN-a[[123]]와의 병용치료 등이 COVID-19의 치료를 위한 후보 군으로 연구 중이다. 정확한 임상결과를 토대로 하여 치료제확보를 위한 생산가동이 집중적으로 이루어질 것으로 기대한다. 실험을 토대로 항 바이러스 효과를 확인하는 것이 가장 적합한 방법이지만, 바이러스를 배양하고, 바이러스에 감염된 FCWF-4세포 등에 다양한 치료제를 적용하여 항바이러스효과를 검증까지, 시간과 비용 그리고 기술적인 셋팅과 기전확인까지 빠른 시일 내로 검증하는데 어려움이 있다.

현재까지의 유행 상황을 해결하기 위해서 환자에게 효과가 있는 시판 중 약물을 확인하기 위하여 인공지능 (AI) 기술이 적용되고 있다. 특히 약물의 용도변경을 통한 치료방법은 새로운 약물에 대한 독성등이 이미 보고된 상태에서, 약물의 효능을 기대하는 방법으로, 시간과 비용을 상당히 단축할 수 있을 뿐만 아니라, 약물 생산 인프라가 갖추어져 있는 제약회사로 하여금 신속한 생산을 기대할 수 있다.

인공지능 (AI) 플렛폼의 성공적인 적용을 위하여 알고리즘을 ‘훈련’하기 위한 데이터의 정확도가 중요하다. 현재까지도 타겟이 되는 COVID-19에 대한 제한된 수준의 데이터가 현재 수준에서의 인공지능 플렛폼의 적용은 도전적인 성격이 높다. 현재 이러한 도전을 진행하고 있는 대표적인 인공지능 기반 플렛폼을 통해 COVID-19에 대한 치료제를 개발하고 있는 회사들이 있으며, 이들이 가진 인공지능 기술에 대하여 살펴 보았다.

BenevolentAI [[124]]는 최근 COVID-19를 타겟으로 한 Baricitinib이 중요한 약물후보군임을 밝혔다. 영국에 본사가 있는 이 회사는 캠브리지대학과 함께 관련 빅데이터에 대한 분석 및 알고리즘을 개발하고 있으며, 특히 기존의 문헌을 토대로 하여 데이터마이닝과 데이터필터기술을 통해 좀더 정확한 데이터베이스구축을 수행한다 [125]. 고품질의 데이터베이스를 토대로 하여 심층신경망모델 및 symbolic AI를 적용하고 있고, 분자수준의 분석을 토대로 하여 기존의 약물의 리포지셔닝뿐만 아니라, 약물후보군을 도출할 수 있는 시스템을 가지고 있다 [[125]].

INNOPLEXUS는 Gunjan Bhardway 박사를 필두로 설립된 인공지능기반 플렛폼은 지닌 회사이다. 약 300명의 다분야 팀 전문가들로 구성된 이 팀은 독일 및 미국 등지에 회사가 있으며, 특허는 약 100여개, 분석을 위한 임상/생명관련 빅데이터는 약 300테라바이트에 육박한다 [[126]]. 약물 용도변경, 리드물질발굴, 치료타겟 식별 등에 대한 전문성 [[127]]을 가진 이 팀에서는 클로로퀸, 렘데시비르, 클라리트로마이신 단독 혹은 병용치료에 대한 조합을 환자의 데이터를 토대로 예측하였고, 더불어 in vitro 스크리닝을 통한 검증을 통해 가장 적합한 약물 후보군을 제안한 회사이다.

VantAI는 미국에 본사를 두고 있는 회사로서, 감염과정에서 확인되는 바이러스 유래 단백질과 이와 연관된 인간의 500개 이상의 단백질의 상호작용을 이해하기 위한 시스템생물학기반의 접근법을 가지고 있다 [[128]]. 현재 300개 정도의 리드 물질에 대한 결과를 도출 중이다. 이 밖에 영국의 Healx [[129]], 케나다의 Cyclica [[130]], 한국의 Deargen [[131]] 등이 COVID-19를 타겟으로 AI를 이용한 신약발굴 플렛폼으로 소개되고 있는 회사들이다.

현재까지 COVID-19에 대한 치료효과를 검증할 수 있는 방법으로 코로나바이러스와 코로나바이러스에 감염된 세포와의 상관관계에 초점이 맞추어져 있었다. 따라서, in vitro 실험에서 세포에 대한 독성, 그리고 바이러스의 증식 감소 등과 같이 간단한 결과들이 데이터베이스화 되어 머신러닝으로 적용되어 결과를 중심으로 적합한 치료제들이 발굴되는 형태를 띄고 있다. 특히, Baricitinib이 주목을 받는 것은 바이러스 감염기전의 차단과 함께, 바이러스감염에 의하여 사망에 이르게 하는 주요 병증인 사이토카인스톰을 제어할 수 있다는 점이며, 이는 항바이러스 및 항염증의 두 가지 목적을 달성할 수 있다. 다중목적 결과를 도출하기 위한 네트워크 분석의 중요성을 보여주고 있다 [[132]]. 인공지능 플렛폼의 대부분은 심층학습분석 및 symbolic AI 등을 활용한 자체적으로 최적화된 모델을 사용하고 있고, 적용되고 있는 데이터베이스의 양과 질이 높은 수준이 약물 후보군 발굴의 정확도를 높이고 있음을 제시하고 있다.

이 모든 결과들을 종합하여 보았을 때, 이번 COVID-19에서는 인공지능기반 감염병 신약의 개발은 임상현장에서 검증 중이며, 그 무한한 가능성을 확인하기 위한 도마 위에 서 있다. 하지만 최근 가능성이 있다고 보여지는 클로로퀸 등 일부 약물이 효과적인 결과를 보여주지 못하고 있다. 그 원인에 있어, 바이러스의 특성상, 변이가 다양하게 나타난다는 점, 새로운 클론에 대한 인체 감염 기전과 면역회피기전 그리고 병증의 다양한 변화와 같은 변수들이 존재한다는 점에서 머신러닝을 통한 학습과 예측을 어렵게 하고 있다. 이외에도 인체내 복잡한 면역 기전과 바이러스의 면역회피기전, 생물학적인 요소들에 대한 한정적인 정보들 또한 해결해야 하는 부분이다. 미국 MIT-IBM Watson AI lab에서 COVID-19 환자 중 패혈증으로 심각하게 영향을 받을 수 있는 환자에 대한 진단기술이 개발되었다 [[133]]. 이는 특정한 환자에서만 나타나는 과도한 면역반응을 이해할 수 있고, 그리고 이를 효과적으로 차단할 수 있는 약물을 확보한다는 점에서 지금 인공지능으로 개발중인 약물 또한 사람에 따라서 치료효과가 달라질 수 있음을 의미한다. 따라서 이번 환자들 가운데, 완치된 환자와 사망한 환자에 대한 면역반응에 대한 이해와 데이터베이스 확보가 추후 동일한 혹은 비슷한 감염성 바이러스 질환에 대한 열쇠가 될 수 있다.

국외 동향

ITU-T/WHO FG-AI4H

헬스케어 분야의 인공지능 관련 국제 표준 개발을 위해 WHO(세계보건기구, World Health Organization)와 ITU(국제전기통신연합, International Telecommunication Union)가 ITU-T 산하에 FG-AI4H(Focus Group on AI for Health)가 2018년 7월에 신설되어 현재까지 다양한 활동을 진행해 오고 있다 [[65]].

FG-AI4H 그룹은 2018년 9월 25일부터 27일까지 스위스 제네바 WHO 건물에서 첫 워크숍과 회의를 개최한 이후로 현재까지 총 8번의 공개 세미나와 대면 회의를 개최하여 왔다. 2020년에는 코로나 팬더믹의 영향으로 3월 회의를 취소하였고, 5월 회의는 온라인으로 개최하였다.

FG-AI4H는 WHO의 기본 철학처럼 선진국과 후진국을 모두 아우르는 의료 인공지능 분야 표준화 이슈들을 발굴하고 평가 체계를 만들려는 노력을 진행하여 왔다는 점에서 큰 의미를 갖는다고 할 수 있다.

FG-AI4H는 총 6개의 WG을 구성하여 문서 이슈들을 논의하고 있으며, 18개의 TG(Topic Group)로 확장하여 주제별 표준화 이슈 발굴을 위한 노력들도 진행하고 있다 [표6].

표 6 : FG-AI4H 의 주요 TG [[64]]

FG-AI4H의 주요 산출물 목표와 계획은 [그림10]과 같이 의료 분야에서 인공지능 기술을 활용하는데 필요한 윤리 고려사항, 규제 고려사항, 데이터와 평가 모델 등을 종합적으로 정의하고자 하고 있다.

41) https://extranet.itu.int/sites/itu-t/focusgroups/ai4h/docs/FGAI4H-I-029-R03.docx

FG-AI4H활동 중 감염병 대응과 관련된 활동들로는 다음과 같은 사항들이 진행되고 있다.

1) Outbreak detection (TG-Outbreak)

인공지능 기반의 감염병의 조기 탐지 및 발견 알고리즘 성능 평가를 위한 Topic Group. 독일 RKI(Robert Koch Institute) 에서 제안하여 구성된 TG로 감염병 탐지 알고리즘과 시스템들이 각 국가별로 개발되고 있는 상황에서, 객관적인 성능평가 모델을 만들고 이를 기반으로하는 평가 절차들을 만들고자 하는 것을 목적으로 한다.

또한 이를 위해 필요한 용어 정의, 탐지 알고리즘을 위한 감염병 이벤트에 대한 정의 방법, 성능 평가를 위한 레이블링되지 않은 감염병 케이스의 활용 방법, 벤치마킹에 필요한 메트릭스 유형, 성능 평가용 데이터 구성 방법, 감시 데이터의 종류와 유형 등과 같은 다양한 사항들에 대한 논의를 목적으로 하고 있다.

관련 문서: E-026, E-026-A01, I-018-A01, I-018-A02, I-018-A03

2) Symptom assessment (TG-Symptom)

저개발국가 및 개발도상국 국가에서는 의료인의 부족으로 의료 서비스에 대한 접근이 제약되는 상황에서 AI 기반 증상 평가 및 자가 진단을 하는 앱의 활용이 늘어나고 있다. TG-Symptom에서는 AI 기반 증상 평가 및 자가 진단용 응용들에 대한 표준화된 벤치마킹 체계를 만들어 보다 많은 사람들에게 의료 서비스를 이용할 수 있게 하는 것으로 목적으로 한다.

이를 위해 필요한 벤치마킹해야 할 주요 기능(중증도 분류, 다음 단계 조언, 감별 진단, 설명, 질문 흐름 등)의 범위와 종류 정의, 평가를 위한 점수와 메트릭스 체계, 용어와 온톨로지(SNOMED, ICD 등), 벤치마킹 모델, 증상 기반 의사 결정 지원을 위해 고려해야 할 요소들에 대한 논의를 목적으로 하고 있다.

관련 문서: A-020, B-021, C-019, C-025, I-021-A01, I-021-A02

3) COVID-19 Ad-hoc group

최근 발생한 코로나 바이러스(COVID-19) 팬더믹은 5월13일 현재 213개국으로 확산되어 432만명의 확진자와 30만명의 사망자, 그리고 평균 6.8%에 이르는 높은 치사율을 보여주며 인류에게 큰 위협으로 다가오고 있다.

이런 상황에서 인공지능 등 디지털 기술을 활용한 빠른 대응은 인류 생존을 위한 주요 과제가 되고 있으며, 이번 5월 회의에서 제안된 COVID-19 건강 응급 상황 ad-hoc WG은 전염병 비상 사태의 전주기에서 인공지능을 어떻게 효과적으로 활용하며 대응할 것인가에 대한 관련 정보를 수집/분석/공유하며 협력하는 것을 목적으로 하고 있다.

단기적으로는 COVID-19 대응 사례와 경험 공유 체계를 구축하고 협업, 웨비나, 프로젝트 협력 등을 추진하는 것으로 목표로 하며, 중장기적으로는 전염병 예방 및 준비, 조기발생 대응 등 전염병 비상 사태 전주기에 인공지능과 디지털 기술 활용 프레임워크를 만드는 것으로 목표로 한다.

FG-AI4H에서는 이 밖에도 종합적인 의료 인공지능에 대한 표준화를 추진하고 있으며, 다양한 응용 사례들에 대한 통합적인 벤치마킹 및 성능평가 표준 체계를 만들기 위한 노력들을 진행하고 있어, 지속적인 관심과 대응 노력이 필요하다

HL7/FHIR

이기종 의료정보시스템간의 정보 교환을 표준 제정을 위해 설립된 HL7(Health Level 7)에서 좀더 손쉽게 시스템간 인터페이스를 할 수 있도록 웹서비스와 자원 기반으로 하는 RESTful 인터페이스 방식으로 만든 규격이 FHIR(Fast Healthcare Interoperability Resources) 표준이다. COVID-19 팬더믹 상황을 맞이하면서 다양한 HL7/FHIR 신규 프로파일들을 만들기 위한 그룹들이 제안되고 있으며, 관련 오픈소스 프로젝트들도 활발하게 진행되고 있다.

1) SANER (Sterational Awareness for Novel Epidemic Response: SANER)

SANER 프로젝트는 COVID-19 감염병 상황을 포함해 미래 공중 보건 환경에서의 의료 자원 현황과 시스템 현황 정보들을 실시간으로 파악하고 대응할 수 있도록 하기 위한 목적으로 추진되고 있다. HL7/FHIR 표준을 기반으로 재난 발생시 의료 시설, 중요 인프라 및 정부 대응 기관간에 자원 정보 교환에 필요한 상호호환성 확보를 목표로 하며, 이를 위한 오픈소스 개발 프로젝트를 함께 추진하고 있다.

• HL7 프로젝트 정의서 : https://confluence.hl7.org/display/PA/Situation+Awareness+for+Novel+Epidemic+Response+FHIR+IG
• 제안 국가: 미국
• Github : https://github.com/HL7/fhir-saner

42) https://ainq.com/thesanerproject/

2) COVID-19 Interoperability Project

COVID-19 상호호환성 프로젝트는 COVID-19 (이전의 '2019 소설 코로나 바이러스') 질환과 SARS-CoV-2 (심한 급성 호흡기 증후군 코로나 바이러스 2) 관련 증상, 선별, 검사실, 인구 통계 및 관련 자료를 HL7/FHIR 기반으로 교환할 수 있도록 상호 운용 가능한 사항들을 정의하는 것을 목표로 한다.

이 프로젝트는 COVID-19 Interoperability Alliance 활동의 일부로 연계하여 진행되고 있다.

• 연관 프로젝트: https://covid19ia.org/
• HL7 프로젝트 정의서: https://confluence.hl7.org/display/CR/COVID+19+FHIR+IG
• 제안국가: 미국
• Github: https://github.com/logicahealth/covid-19

이밖에도 다양한 HL7/FHIR 기반의 COVID-19 대응 프로젝트들은 관련 링크를 통해 정보를 확인해볼 수 있다. https://confluence.hl7.org/display/CR/COVID-19+Related+Projects

국내 표준화 동향

국내에서 감염병 대응을 포함해 의료 인공지능 관련 표준으로 아직 개발되거나 진행 중인 사항은 없으나, 빠르게 진행되고 있는 다양한 국제표준화 활동과 연계한 적극적인 대응 활동이 필요하다.

ETRI에서는 2019년 선제적 차원에서의 의료 인공지능 분야 표준화 항목 발굴과 전략 수립을 위해 관련 국내 전문가들과 함께 “ICT 융합 표준 프레임워크” – 스마트 헬스 분야 개발 작업을 진행하였다. 의료 인공지능 분야 중 인공지능 기반 의료기기와 인공지능 주치의라는 2개 분야에 대해 <표7>과 같이 총 5가지의 유즈 케이스를 도출하고, 관련 표준화 갭 분석 및 전략들을 도출하였다 [[66]].

의료진 감염 방지를 위한 비대면 의료 요구사항의 반영

최근의 감염병 재난 상황에서 가장 많이 요구되는 사항으로 원격 진료를 포함한 비대면 진료에 대한 요구사항이 있다. 이러한 추가적인 사항들에 대해서도 기존 시나리오를 활용하여 추가 분석하는 것이 가능하다. 예를 들어 인공지능 주치의 시스템 사례의 경우, <그림12>와 같이 노란색과 같은 부분이 비대면 진료와 원격진료를 지원하기 위한 요소가 될 수 있다.

자동 진단 보조 시스템의 경우는, <그림13>시나리오 분석에 비대면 지원에 필요한 요소를 파악하고 필요한 추가 요소를 반영하여 추가 분석할 수 있다.

의료기기와 비의료기기 구분에 따른 표준화 방향

감염병 대응을 위해 인공지능 기술을 활용한 응용과 서비스들은 크게 “의료기기”와 “비의료기기”로 구분할 수 있으며, 의료기기는 필수성능과 위험관리 규제 체계 하에서 엄격하게 관리가 되어야 하고, 이에 필요한 표준들이 개발되고 적용되어야 한다 [[64]]. 반면 비의료기기는 별도의 규제 없이 자유롭게 운용 가능할 수 있으며, 최소한의 성능과 상호호환성 측면의 고려만 필요하다. 그러므로 이런 제약과 특징을 고려한 표준화 전략 수립과 표준 개발 작업이 필요하다.

감염병 대응을 위한 인공지능 기반 의료기기와 관련하여 필수적으로 고려해야 할 표준화 주제들은 <그림14>와 같이 전체 생애주기의 관점 속에서 고려하는 것이 필요하며, “의료 인공지능 10대 표준화 동향 및 전망”에서 도출하였던 10가지 사항들을 중심으로 고찰해볼 수 있다 [[64]].

DL/ML 기술 연구 동향 및 이슈

ML과 AI는 <부록1>의 단계별 기술 적용 및 응용 사례 표와 같이 감염병 발생의 조기 예측부터 진단 기술 개발, 신약 개발까지 감염병 대응의 전 과정에 걸쳐 활용될 수 있는 가능성을 보였다 [[6]][[7]][[8]][[9]][[10]][[11]][[12]][[13]][[14]][[15]][[16]][[17]][[67]].

이번 보고서에서는 감염병 재난시 4가지 대응 단계별로 적용 가능한 인공지능 응용 범위와 사례들은 <그림15>과 같이 분류하였다. 그리고 감염병 재난 대응을 위한 인공지능 기술은 예측과 예방 단계로부터 치료/간호 지원 기술 연구개발 단계로 이어진 후, 다시 예측과 예방을 위한 기반 기술과 경험으로 활용되는 기술 발전 순환 구조가 만들어질 것으로 보인다.

주요 인공지능 기술들은 다양하게 융합되면서, <그림16>과 같이 주요 감염병 재난 대응을 위한 AI 응용들에 적용되고 활용되고 있다.

감염병 재난 대응 인공지능 기술과 관련해 종합적인 연구 분석이 이루어지기에는 아직 많은 시간이 부족한 상황이라 할 수 있다. 21세기 최대 팬더믹 상황 속에서 시급하게 여러 연구들이 시작되었고, 아직 연구가 진행중인 사항들도 많은 상황이다. 대표적인 동향 분석 사례들은 다음과 같으며, 앞으로도 지속적으로 연구 사례들이 발표되며, 관련 추가 분석들도 지속적으로 이루어질 것으로 예상된다 [[89]].

• (Mihaela) 논문에서는 1) 한정된 의료 자원 관리, 2) 개인화된 환자 관리 및 치료 계회 개발, 3) 정책 홍보 및 협업 장려, 4) 불확실성 이해와 계산 5) 신속한 임상 시험이라는 5가지 측면에서 인공지능 기술의 적용 사례들을 분석하였다 [[68]].
• (Joseph) 논문에서는 분자적(Molecular), 임상적(clinical), 사회적(societal) 관점으로 나누어 단백질 구조 분석, 신약 개발, 유전체 분석, 영상 진단 기술, 비침습형 질병 추적, 환자 예후 예측, 역학 모델링 및 전망, 위험 평가 등의 다양한 주제별 연구 동향들을 정리하였다 [[69]].
• (Feng) 연구에서는 AI 기반 비접촉 의료영상 워크플로우와 이미지 데이터 획득, 분할과 X-Ray와 CT 기반 진단 방법에 대한 다양한 연구들을 비롯해 학습에 필요한 공개 데이터셋의 개방까지도 다양하게 이루어졌다 [[70]].
• (Di) 연구에서는 인공지능 기반으로 COVID-19 검출방법 연구들에 대한 조사 분석을 하였다 [[71]].

현재까지의 검토만으로 아직 AI 예측 결과를 완벽하게 신뢰할 수 없거나 의료 현장에서 안심하고 사용할 수 없다는 한계점이 많다는 결론들도 도출되고 있다 [[87]]. UNGP와 세계 보건기구 (WHO), 몬트리얼 대학 등이 공동 발표한 논문에서도 COVID-19 대응을 위한 다양한 AI 응용 연구 결과들을 분석했지만 아주 소수만 “완성도"를 달성하고 있다고 결론을 맺은바 있다 [[68]]. 또다른 연구에서도 AI 시스템이 아직 예비 단계에 있을 뿐이란 평가도 내리고 있다 [[72]]. 현재 공개 데이터 세트에는 AI 알고리즘의 훈련 및 테스트를위한 이미지 수가 매우 제한되어 있으며 데이터 세트의 품질이 충분하지 않다는 점은 주목할 필요가 있고[[70]], 많은 진단 도구들이 중국에서 개발되었고 병원에서 활용되고 있다고는 하지만 객관적으로 검증된 결과가 나오지 않았다며, AI 시스템 완성도 한계에 있다는 지적도 있다 [[73]]

각 감염병 재난 단계별로 주요 AI 응용들에 대한 기술 난이도와 제품화 수준, 시장 가능성과 국내 경쟁력은 <그림17>과 같이 요약해볼 수 있다. 이때 각 지표별 수준은 낮음(1)으로부터 높음(5)의 숫자로 수치화하여 표시하였다.

이러한 분석 프레임워크를 기반으로 나아가 주요 응용별 기술 개발 전략과 향후 발전 방향에 대한 다양한 분석을 해볼 수 있을 것으로 예상된다.

앞으로도 유사한 신종 감염병들이 지속적으로 등장할 것으로 예상되는 상황에서 이러한 한계와 문제점을 극복하면서 AI 기술을 활용하여 감염병 대응을 지원할 수 있도록 하기 위해서는 다음과 같은 사항들을 고려한 연구 개발 추진이 필요하다.

첫째, 데이터의 개방과 활용 정책의 중요성이다. 긴급한 감염병 재난 상황에서 신속 대응에 필요한 인공지능 시스템의 모델링과 학습, 개발을 위해서는 양질의 데이터가 공개되고 자유롭게 활용될 수 있는 체계가 만들어져야 한다. 이를 위해서는 인류가 공동으로 활용할 수 있는 데이터 개방 정책과 글로벌 협력 체계가 필요하다. 더불어 데이터의 부족 문제와 데이터 과잉 문제를 해결할 수 있는 방법들도 함께 고민되고 마련되어야 할 것이다.

둘째, 의료 영상 및 환자 이력을 포함하는 익명화된 임상 데이터를 공유하는 개방형 글로벌 저장소(open global repositories)를 만드는 것이 필요하다. 기관별/지역별/국가별 데이터를 통합하고 활용할 수 있도록 저장소는 설계되어야 할 것이다. 더불어 손쉽게 데이터를 공유 활용할 수 있도록 하기 위해 공유활용을 위한 임상 프로토콜과 데이터 공유 아키텍처 설계가 필요하고, 데이터 거버넌스 프레임워크도 함께 만들어져야 할 것이다.

셋째, 의료 데이터 활용에 대한 규제 요구 사항들과 개인 정보 보호 메커니즘도 반드시 적용되어야 한다. 특히, 임상 응용 분야의 AI는 테스트 데이터 세트에서의 성능뿐만 아니라 실제 임상 워크 플로에 통합 될 때의 효과와 안전성도 입증해야 한다. 나아가 개발된 모든 AI 응용 프로그램은 윤리 원칙을 준수하고 인권 침해의 요소가 없는지 충분한 고려와 평가가 이루어져야 할 것이다.

넷째, 한국은 코로나19 재난 위기 상황 속에서도 다양한 정보통신 기술을 이용한 혁신적인 감염병 재난 대응 사례들을 선보였다 [[91]]. 이러한 사례와 경험들에 인공지능 기술들을 적용할 수 있는 기회들을 보다 많이 만들고, 이런 경험들을 국제적으로 알리면서 동시에 국제 협력할 수 있는 체계를 만드는 것이 필요하다.

넷째, 다양한 국가들의 상황들을 고려한 연구들도 필요하다. 최신 기기와 최고급 기술만이 아닌, 아프리카와 저개발 도상국들의 상황을 고려한 제한된 자원과 기술을 사용하는 적정기술 응용에 대한 고려들도 필요하다.

오픈 데이터와 오픈 사이언스 관련 이슈

코로나 바이러스 재난 상황에서 특히 돋보였던 특징 중 하나는 다양한 오픈 데이터셋의 등장이었다. 개인/회사/지역/정부기관까지 다양한 주체들이 적극적으로 나서서 데이터셋을 만들고 공개하였고, 뒤를 이어 그 오픈 데이터셋을 이용한 또다른 오픈 서비스가 등장하는 식의 개방형 순환구조가 만들어졌다.

오픈 데이터 활동은 오래전부터 이루어졌던 사항이지만, 감염병 재난 상황에서 긴급하게 진행되는 오픈 데이터 활동이 더욱 중요한 것은, 미지의 신종 바이러스에 빠르게 공동 대응하기 위해서는 발빠른 데이터와 경험의 공유가 필수적이기 때문이다. 특히 AI 기술을 활용해 새로운 알고리즘과 아키텍처를 개발하고 훈련시키기 위해서는 양질의 데이터 공유가 더더욱 필수적이다. WHO에서도 신속한 데이터 공유는 공중 보건 활동의 기초라는 사실을 강조하며 연구 논문과 함께 온라인 데이터 세트 공유를 권장하였고, 이를 위한 공유 활용 절차도 제안하고 있다 [[74]][[75]].

표준화 이슈

의료 인공지능 분야와 감염병 대응 인공지능 기술 분야는 아직 초기 단계로 앞으로도 많은 연구 개발이 필요한 분야이다. <부록1>의 표와 같이 주요 단계별로 적용할 수 있는 다양한 인공지능 기술과 응용 가능성들이 있으며, 앞으로 감염병 재난이 빈번해질수록 인공지능 기술의 필요성과 신규 응용들은 계속 늘어날 것이다.

이를 위해서는 우선 첫번째로, <부록1>의 주요 방역 단계(탐지, 예방, 대응, 회복)별로 예상되는 인공지능 응용 사례들을 살피고, 개별 응용 활성화에 필요한 완성도 부족, 신뢰성 부재, 데이터 호환성 및 재활용성 부재, 학습 데이터 부족 등과 같은 다양한 현황 이슈와 문제점들을 해결하기 위한 국내/국제 표준화 체계를 만들어야 할 것이다.

두번째로 2장의 대표적인 의료 인공지능 사례를 살피며 도출되었던 응용별 이슈들을 좀더 체계화하고 대응 표준화 방안을 수립하는 것이 필요하다.

셋째, 국내 ICT 기술을 이용한 K-방역 사례들에 대해 국제 표준화 연계 활동들을 적극적으로 지원하는 것이 필요하다. 3장에서 정리한 것과 같이 현재 ITU-T/WHO의 FG-AI4H 활동, DICOM에서의 의료 인공지능 데이터 교환 표준화, HL7/FHIR의 공중 보건 환경에서의 감염병 대응을 위한 의료정보 상호 교환 프로젝트, 미국의 기본 코드 표준화, 중국의 대응 사례 분석 및 국제 표준화 대응 활동들이 다양하게 벌어지고 있다. 이러한 활동들에 효과적이고 선제적으로 대응할 수 있도록 하는 체계가 필요하다.

넷째, 감염병 대응과 관련한 전략 수립을 위해 표준 프레임워크 추가 작업이 필요하다. ETRI에서 작업한 스마트 헬스 ICT 융합 표준 프레임워크의 내용을 인공지능 기반 감염병 대응 표준화 전략 수립에 적극 활용할 필요가 있으며, 비대면 진료를 비롯하여 미래지향적인 추가 시나리오 발굴과 표준 프레임워크 후속 작업을 하는 것이 필요하다.

마지막으로 다섯째, 감염병 재난 상황에 인류가 인공지능 기술 기반으로 공동 대응하기 위해서는 데이터의 개방과 공유, 활용을 위한 오픈 데이터 활동의 장려, 정부 공공 데이터를 기반으로 하는 오픈 리서치 및 오픈 사이언스의 장려, 그리고 이를 위해 필요한 표준화 체계 수립 활동이 필요하다.