의료 분야 특화 기초 모델의 변革적 잠재력

의료 분야에서 일반화된 기초 모델인 GPT-4와 같은 모델은 지난 2년 동안 크게 발전하여 이전에는 불가능했던 능력을 제공했습니다. 이러한 모델은 다양한 작업에 걸쳐 광범위한 작업에 적응할 수 있습니다. 그러나 의료 AI는 여전히 특정 작업을 위해 설계된 모델로 특징지어집니다. 예를 들어, 골절을 분석하기 위해 X레이를 훈련한 모델은 골절만 식별하고 종합적인 방사선학 보고서를 생성할 수 있는 능력이 없습니다. 미국 식품의약국(FDA)이 승인한 500개의 AI 모델 중 대부분은 하나 또는 두 개의 사용 사례에만 제한됩니다. 그러나 다양한 작업에 걸쳐 광범위하게 적용될 수 있는 기초 모델은 의료 응용 프로그램에서 변革적인 접근 방식을 설정하는 단계에 있습니다.

의료 응용 프로그램을 위한 기초 모델을 개발하려는 초기 시도가 있었지만, 이러한 광범위한 접근 방식은 아직 의료 AI에서 普遍적으로 사용되지 않고 있습니다. 이러한 느린 채택은 주로 대규모 및 다양한 의료 데이터 세트에 접근하는 문제와 모델이 다양한 유형의 의료 데이터에 대해 추론해야 하는 필요성에 기인합니다. 의료 실践은 본질적으로 다중 모달이며 이미지, 전자 건강 기록(EHR), 센서, 웨어러블, 유전학 등에서 정보를 포함합니다. 따라서 의료 기초 모델도 본질적으로 다중 모달이어야 합니다. 최근 다중 모달 아키텍처와 자기 지도 학습의 진행은 다양한 데이터 유형을 레이블이 없는 데이터로 처리할 수 있으므로 의료 기초 모델을 위한 길을 열어줍니다.

의료 분야에서 생성형 AI의 현재 상태

의료 분야는 전통적으로 기술을 채택하는 데 느렸습니다. 그러나 생성형 AI는 의료 분야에서 빠르게 채택되고 있습니다. HIMSS24에서 생성형 AI는 거의 모든 발표의 중심이었습니다.

의료 분야에서 생성형 AI의 첫 번째 사용 사례는 임상 문서화의 행정 부담을 완화하는 것입니다. 전통적으로 의사들은 환자 상호 작용과 치료 과정을 문서화하는 데 상당한 시간을 소요합니다(일일 2시간 이상). 이는 종종 의사들이 직접 환자 치료에 집중하는 것을 방해합니다.

GPT-4 또는 MedPalm-2와 같은 AI 모델은 환자 데이터와 의사-환자 상호 작용을 모니터링하여 진행 상황 보고서, 퇴원 요약 및 의사 참조서와 같은 주요 문서를 초안으로 작성하는 데 사용됩니다. 이러한 초안은 필수 정보를 정확하게 캡처하며, 의사 검토와 승인만 필요로 합니다. 이는 문서화 시간을 크게 줄여서 의사들이 환자 치료에 더 집중할 수 있도록 하며, 서비스 품질을 향상시키고 의사 탈진을 줄입니다.

그러나 의료 분야에서 기초 모델의 더广泛한 응용은 아직 완전히 실현되지 않았습니다. GPT-4와 같은 일반화된 기초 모델에는 몇 가지 제한이 있습니다. 따라서 의료 분야 특화 기초 모델이 필요합니다. 예를 들어, GPT-4는 의료 이미지를 분석하거나 종단 환자 데이터를 이해하는 기능이 없습니다. 또한, 2023년 12월까지 사용 가능한 데이터로만 훈련되었으므로 가장 최신의 의료 지식을 갖고 있지 않습니다. Google의 MedPalm-2는 의료 분야 특화 기초 모델을 구축하려는 첫 번째 시도입니다. 이는 의료 질의에 답변하고 의료 이미지를 추론하는 기능을 모두 갖추고 있습니다. 그러나 아직 의료 분야에서 AI의 전체 잠재력을 실현하지 못했습니다.

의료 기초 모델 구축

의료 기초 모델을 구축하는 과정은 공공 및 사적 출처에서 파생된 데이터로 시작합니다. 이는 바이오 뱅크, 실험 데이터 및 환자 기록을 포함합니다. 이 모델은 다양한 데이터 유형을 처리하고 결합하여 복잡한 의료 작업을 수행할 수 있습니다.

또한, 새로운 상황에 대해 추론하고 의료적으로 정확한 언어로 출력을 표현할 수 있습니다. 이는 관찰 데이터에 기반하여 치료 추천을 제공할 때 의료 개념과 임상 데이터 간의 인과 관계를 추론하고 사용하는 기능을 포함합니다. 예를 들어, 최근 심한 흉부 외상과 저하되는 동맥 산소 수준에도 불구하고 증가된 산소 공급에도 불구하고 급성 호흡곤란 증후군을 예측할 수 있습니다.

또한, 모델은 지식 그래프 또는 데이터베이스와 같은 리소스에서 컨텍스트 정보에 접근하여 최신 의료 지식을 얻을 수 있습니다. 이는 모델의 추론을 강화하고 모델의 조언이 의학의 최신 발전에 반映되도록 합니다.

의료 기초 모델의 응용 및 영향

의료 기초 모델의 잠재적인 사용 사례는 광범위합니다. 진단에서 이러한 모델은 인간 분석에 대한 의존도를 줄일 수 있습니다. 치료 계획을 세우는 데 모델은 환자의 전체 의료 기록, 유전적 세부 사항 및 생활 방식을 고려하여 개인화된 치료 전략을 도출하는 데 도움을 줄 수 있습니다. 다른 응용 사례에는 다음이 포함됩니다:

• 기반 방사선학 보고서: 의료 기초 모델은 디지털 방사선학을 변革하여 방사선과를 지원하는 다재다능한 보조 도구를 생성할 수 있습니다. 이는 보고서 초안을 자동화하고 작업량을 줄일 수 있습니다. 또한, 환자 전체 기록을 통합할 수 있습니다. 예를 들어, 방사선과는 모델에 대해 다음과 같이 질의할 수 있습니다. “마지막 스캔 이후 종양 크기에는 어떤 변화가 있었는가?”
• 병상 임상 의사 결정 지원: 임상 지식을 활용하여 모델은 명확한 자유 텍스트 설명과 데이터 요약을 제공할 수 있으며, 의료 직원을 환자에게 즉각적인 위험에 대해 경고하고 다음 단계를 제안할 수 있습니다. 예를 들어, 모델은 “경고: 이 환자는 쇼크에 빠질 위험이 있습니다”라는 경고를 발행하고 관련 데이터 요약 및 체크리스트에 대한 링크를 제공할 수 있습니다.
• 신약 개발: 특정 표적에 강하게 결합하는 단백질을 설계하는 것은 신약 개발의 기초입니다. 초기 모델인 RFdiffusion는 기본 입력(예: 결합 대상)으로 단백질을 생성하기 시작했습니다. 이러한 초기 모델을 기반으로 의료 분야 특화 기초 모델은 언어와 단백질 서열을 모두 이해하도록 훈련될 수 있습니다. 이는 단백질 설계를 위한 텍스트 기반 인터페이스를 제공할 수 있으며, 새로운 약물 개발을 가속화할 수 있습니다.

도전

의료 분야 특화 기초 모델을 구축하는 것이 궁극적인 목표이며, 최근의 발전은 이를 더 실현 가능하게 만들었습니다. 그러나 다양한 의료 개념에 걸쳐 추론할 수 있는 단일 모델을 개발하는 데는 여전히重大한 도전이 있습니다.

• 다중 모달리티 데이터 매핑: 모델은 다양한 데이터 모달리티(예: EHR 데이터, 의료 이미지 데이터, 유전학 데이터)에 대해 훈련되어야 합니다. 이러한 모달리티 간의 상호 작용을 정확하게 매핑하는 고신뢰성 데이터를 구하는 것은 어려운 작업입니다. 또한, 세포 동역학에서 분자 구조 및 유전체 간의 상호 작용까지 다양한 생물학적 모달리티를 표현하는 것은 복잡합니다. 인간 데이터에 대한 최적의 훈련은 불가능하며 비윤리적이므로, 연구자들은 예측력이 낮은 동물 모델 또는 세포 라인에 의존해야 하며, 이는 실험실 측정을 전체 유기체의 복잡한 작동으로 번역하는 데 도전을 제기합니다.
• 검증 및 확인: 의료 기초 모델은 그들의 다재다능성으로 인해 검증하기가 어렵습니다. 전통적으로 AI 모델은 특정 작업(예: MRI로 특정 유형의 암 진단)에 대해 검증됩니다. 그러나 기초 모델은 새로운, 보이지 않는 작업을 수행할 수 있으므로 모든 가능한 실패 모드를 예상하기가 어렵습니다. 이러한 모델은 테스트 및 승인된 사용 사례에 대한 자세한 설명과 오프-레이블 사용에 대한 경고를 발행해야 합니다. 또한, 다양한 입력 및 출력을 처리할 수 있으므로, 정확성을 보장하기 위해 다학제적인 패널이 필요할 수 있습니다.
• 사회적 편향: 이러한 모델은 데이터가 특정 그룹을 대표하지 않거나 편향된 상관관계를 포함하는 경우 편향을 계속할 수 있습니다. 이러한 편향을 해결하는 것은 특히 모델의 규모가 증가하여 문제를 심화시킬 수 있으므로 중요합니다.

향후 방향

의료 분야에서 생성형 AI는 이미 임상 문서화의 행정 부담을 줄임으로써 의료 분야를 재정의하기 시작했습니다. 그러나 생성형 AI의 전체 잠재력은 앞으로 있습니다. 의료 기초 모델의 미래는 변혁적입니다. 진단이 더 빠르고 정확해지고, 치료 계획이 환자의 유전적 프로파일에 맞게 세부적으로 조정되고, 새로운 약물이 몇 개월이 아닌 몇 년이 아닌 기간에 개발될 수 있는 의료 시스템을 상상해 보십시오.

의료 분야 특화 AI 모델을 생성하는 것은 특히 의료 및 임상 데이터를 통합하는 데 도전을 제기합니다. 그러나 이러한 장애물은 기술자, 임상 의사, 정책 입안자 간의 협력적인 노력으로 해결될 수 있습니다. 함께 일함으로써, 우리는 다양한 이해 관계자(전자 건강 기록, 이미지 회사, 병리학 연구소, 제공자)를 데이터를 통합하고 의료 분야 내의 복잡한 다중 모달 상호 작용을 처리할 수 있는 AI 모델 아키텍처를 구축하는 상업적 프레임워크를 만들 수 있습니다.

또한, 이러한 발전이 책임감 있게 사용되고 공평하게 사용되도록 명확한 윤리적 지침과 강력한 규제 프레임워크가 필요합니다. 높은 수준의 검증 및 공평성을 유지함으로써, 의료 공동체는 환자와 의료 종사자 모두의 신뢰를 구축하고 수용도를 촉진할 수 있습니다.

의료 기초 모델의 잠재력을 완전히 실현하기 위한 여정은 흥미로운 전방입니다. 이 혁신적인 정신을 받아들이면, 의료 분야는 현재의 도전을 극복하는 것뿐만 아니라 의학을 변革할 수 있을 것입니다. 우리는 의료 분야에서 AI의 약속이全球적으로 삶을 개선하는 새로운 시대를 맞이하는 가운데 있습니다.