“AI는 의사를 대체하는 게 아니라 보조’ 왜일까? (인디애나 의대 영상의학과 교수)

← 2026-09-03 목록으로

핵심 요약

인디애나 대학교 의과대학 조태호 교수는 치매 진행 전 조기 발견을 위해 뇌 영상(타우 단백질), 유전체(LD 블록·SWAT), 혈액 내 대사체(Circular SWAT) 등 방대한 생체 데이터를 AI 딥러닝 기법으로 전수 분석하는 연구를 진행하고 있습니다.
AI 판정 결과에 ‘불확실성’ 개념을 도입해 AI가 확신하지 못하는 판정을 전문의가 2차 검증하도록 한 결과, 조기 진단 정확도가 90.7%에서 95.5%로 대폭 향상되었습니다.
제프리 힌튼 교수의 ‘영상의학과 의사 소멸’ 예언과 달리, 고령화로 인한 의료 수요 급증과 의사 부족 문제를 해결하기 위해 의료 AI는 의사를 대체하기보다 진료 속도와 정확도를 보조하는 협력 도구로 정착하고 있습니다.

주요 내용

1. 알츠하이머 조기 진단 연구의 필요성과 AI의 역할

알츠하이머 질환의 특성: 치매는 발병 후 회복이 불가능하며, 현재 개발된 약제들은 중증으로 진행되기 전 조기에 투여해야 악화 속도를 늦추는 효과가 있습니다.
연구 목적: 환자에게 명확한 치매 증상이 발현되기 전에 유전체, 뇌 영상, 혈액 데이터 등을 활용해 알츠하이머를 조기에 진단하는 AI 모델을 구축하는 것입니다.

2. 뇌 영상 및 유전체·대사체 분석을 위한 AI 알고리즘 개발

뇌 영상(타우 단백질) 역추적: 딥러닝이 뇌 영상(PET 등)에서 알츠하이머 발병 가능성을 판단할 때 주목한 부위(히트맵)를 역추적하여, 기존에 알려진 치매 관련 부위와의 연관성 및 새로운 바이오마커 영역을 탐색했습니다.
유전체 분석 (SWAT 알고리즘):
- 과거의 통계적 전장유전체연관분석(GWAS)은 공통 변이 중심으로 일부 데이터만 확인했으나, AI를 통해 전체 유전체 데이터를 훑는 방식을 도입했습니다.
- 유전적으로 함께 묶여 유전되는 LD(연관불균형) 블록 단위로 유전체를 토큰화하고, 슬라이딩 윈도우 방식으로 유전체 전반을 탐색하는 SWAT(Sliding Window Association Test) 알고리즘을 개발했습니다.
대사체 분석 (Circular SWAT):
- 비용이 많이 드는 유전체 분석 대신 혈액 속 대사물질을 활용한 저비용 조기 진단을 목표로 연구를 진행했습니다.
- 순서가 없는 대사체 데이터를 테이블 형태의 윈도우로 분석할 수 없었던 한계를 극복하기 위해, ‘수건돌리기’처럼 데이터를 원형으로 연결해 순환하며 분석하는 ‘Circular SWAT’을 고안하여 80.8%의 정확도를 달성했습니다.
희귀 변이 연구 (AlphaGenome): 극소수 환자에게만 나타나는 희귀 유전 변이를 분석하기 위해 AI 툴(AlphaGenome)을 활용하여 알츠하이머 유전 요인을 추가 발굴하고 있습니다.

3. ‘정확한 AI’에서 ‘믿을 수 있는 AI’로: 불확실성 도입

의료 AI의 과신(Overconfidence) 문제: 생성형 AI나 딥러닝 모델은 틀린 결과도 높은 확신도를 가지고 제시하는 문제가 있습니다.
불확실성 감안 프로세스:
- AI가 진단 결과를 도출할 때 판정의 불확실성을 함께 계산하도록 설계했습니다.
- 5건 중 4건은 AI가 높은 확신도를 가지고 자동 판독하고, 확신이 낮은 나머지 1건(불확실한 판정)은 전문의가 직접 확인하도록 프로세스를 구성했습니다.
- 이를 통해 뇌 영상 타우 PET 691명 대상 검증에서 전체 판독 정확도가 90.7%에서 95.5%로 향상되었습니다.

4. 제프리 힌튼의 예언과 실제 의료 현장의 현실

2016년 제프리 힌튼의 예언: 딥러닝의 대부 제프리 힌튼 교수는 2016년 “10년 내에 영상의학과 교수가 사라질 것이므로 더 이상 양성할 필요가 없다”고 주장했습니다.
현실의 결과: AI로 인해 해고되거나 대체된 영상의학과 의사는 없으며, 고령화로 인해 검사 건수가 폭증하여 오히려 의사의 업무량이 늘어났습니다.
인간 대체가 아닌 보조 및 공백 메우기:
- 선진국에서는 환자 회전율을 높이고 진료 기록을 요약·차트화해 주는 진료 보조 AI가 활발히 쓰이고 있습니다.
- 개발도상국(예: 우간다에서는 의사 1명이 정신질환자 20만 명을 담당해야 하는 상황)처럼 의료 인력이 절대적으로 부족한 곳에서는 의료 공백을 채우는 역할을 수행하고 있습니다.
- 의료 수가 책정, 제도적 승인, 책임 소재 문제 등으로 인해 현시점에서 AI가 인간 의사를 직접 대체하기는 어렵습니다.

핵심 데이터 / 비교표

AI 판정 불확실성 감안 시 정확도 비교 (뇌영상 타우 PET 691명 검증)

| 구분 | 불확실성 미반영 (기존 AI) | 불확실성 반영 (전문의 협업) | |—|—|—| | 판정 프로세스 | AI가 모든 케이스를 자체 확신도로 판정 | 5건 중 4건 AI 자동 판독 + 자신 없는 1건 전문의 검증 | | 최종 판독 정확도 | 90.7% | 95.5% (+4.8%p 향상) | | 특징 | 오류 발생 시 치명적인 의료 리스크 존재 | 오류 가능성이 높은 판정을 사전에 필터링 |

유전체·대사체 분석 기법 비교

타임스탬프별 핵심 포인트

| 시간 | 핵심 내용 | |—|—| | 00:00 | 제프리 힌튼 교수의 ‘영상의학과 소멸’ 예언과 실제 현장의 상반된 현실 소개 | | 00:48 | 조태호 교수 소개 및 인디애나 대학교 의과대학에서의 알츠하이머 조기 진단 연구 개요 | | 01:14 | 치매 조기 진단의 필요성: 회복 불가능한 질환 특성상 증상 발현 전 약물 투여 필수 | | 02:55 | 데이터 기반 의료 AI 접근법 (뇌 영상, 유전체, 혈액 대사체 등) | | 03:32 | 뇌 영상(타우 PET) 분석: 딥러닝 판단 근거를 히트맵으로 시각화 및 역추적 | | 05:57 | 유전체 분석의 AI 혁신: GWAS의 한계를 넘어선 ‘SWAT(슬라이딩 윈도우)’ 알고리즘 개발 | | 07:21 | LD(연관불균형) 블록 단위 토큰화 메커니즘과 주변 유전 변이 영향력 분석 | | 08:42 | 전장유전체분석(WGS) 전체 데이터를 훑어내는 트랜스포머 기반 유전체 AI 연구 | | 09:27 | 유전체 데이터를 24시간 탐색하는 AI 에이전트 개념 적용 | | 10:57 | 기존 GWAS 표와 SWAT 결과 비교: 뚜렷한 피크(Peak)를 통한 유전 변이 검출력 향상 | | 11:56 | 치매 발병 기전 연구를 위한 생물학적 발견 도구로서의 AI 가치 | | 13:19 | 고비용 유전체 검사 대신 저렴한 혈액 대사체를 활용한 ‘Circular SWAT’ 개발 (정확도 80.8%) | | 14:36 | 희귀 유전 변이(Rare Variant) 분석 도구 ‘알파게놈(AlphaGenome)’ 소개 | | 16:09 | AI의 답변 신뢰도 문제: 정확도를 넘어 ‘믿을 수 있는 AI’로의 전환 | | 16:42 | 의료 AI에 ‘틀릴 가능성(불확실성)’ 부여: 신뢰도 기준 2차 전문의 검증 도입 | | 17:56 | 불확실성 반영 결과 판독 정확도 90.7%에서 95.5%로 대폭 향상 | | 19:11 | 제프리 힌튼 예언 실패의 원인: 고령화로 인한 검사량 폭증과 의료 인력 부족 | | 20:28 | 의료 현장의 현실: AI는 의사를 대체하는 것이 아니라 보조(의료 기록 차트화 등) | | 20:40 | 개발도상국(우간다 사례) 등 의사가 부족한 지역에서의 AI 역할 | | 22:26 | 병원 현장에서 AI 도입 현황과 수가·제도적 한계로 인한 업무 분담 모호성 | | 23:47 | AI를 두려워하기보다 ‘질문하는 역량’과 ‘검증 단계’를 갖추어 활용해야 함 |

결론 및 시사점

의료 AI의 현실적 진화 방향: AI가 의사를 대체할 것이라는 초기의 비관적·극단적 전망과 달리, 실제 의료 현장에서는 폭증하는 진료 수요를 감당하기 위해 의사의 보조 도구로 발전하고 있습니다.
불확실성 제어의 중요성: 특히 생명과 직결된 의료 분야에서는 단순히 정확도를 높이는 것보다, AI가 자신의 한계(불확실성)를 인지하고 의심스러운 사례를 사람에게 토스하는 ‘인간-AI 협업 모델’이 필수적입니다.
데이터 분석 한계 극복: 방대하고 복잡한 생체 데이터(유전체, 대사체 등)를 AI로 토큰화하고 순환 탐색(SWAT)함으로써, 기존 통계 분석으로는 찾지 못했던 미지의 질환 기전을 규명할 수 있게 되었습니다.
사용자의 태도: AI 기술을 단순히 두려워할 것이 아니라, 올바른 질문을 던지고 할루시네이션 및 오류를 검증할 수 있는 시스템을 구축하여 업무 역량을 확장하는 도구로 활용해야 합니다.

추가 학습 키워드

타우 단백질 (Tau Protein): 알츠하이머 환자의 뇌세포 내에 비정상적으로 엉켜 축적되어 뇌세포 기능을 저하시키는 핵심 독성 바이오마커.
연관불균형 블록 (LD Block, Linkage Disequilibrium Block): 유전 시 개별적으로 분리되지 않고 하나의 묶음 단위로 함께 유전되는 DNA 염기서열 구간.
전장유전체연관분석 (GWAS, Genome-Wide Association Study): 다수의 인구 집단에서 특정 질병과 연관된 흔한 단일염기다형성(SNP) 변이를 통계적으로 찾아내는 연구 기법.
SWAT (Sliding Window Association Test): 유전체나 대사체 데이터를 창(Window) 형태로 순차 이동시키며 주변 데이터 간의 상호작용까지 종합 분석하는 딥러닝 알고리즘.
인공지능 불확실성 추정 (AI Uncertainty Estimation): AI가 예측 결과를 도출할 때 해당 예측값에 대한 확신도/불확실성을 수치화하여 고위험 판정을 인간 전문가에게 위임하도록 돕는 기술.

기본 정보

| 항목 | 내용 | |—|—| | 채널 | 티타임즈TV | | 카테고리 | 경제 | | 게시일 | 2026-09-03 | | 영상 길이 | 24:24 | | 처리 엔진 | gemini-3.8-flash | | 원본 영상 | YouTube에서 보기 |