[바이오세션] 헬스케어 분야 인공지능의 성장 기회

[바이오세션] 헬스케어 분야 인공지능의 성장 기회

 

 

 

◈ 목차

• 1.생성형 인공지능(Gen AI) 개요
• 2.분야별 Gen AI 활용
• 3.산업 및 규제 동행
• 4.Gen AI 성장 기회

 

  [요약]

 

□ 생성형 인공지능(Gen AI)은 헬스케어 분야 내에서 질병 진단, 치료 계획 수립, 환자 관리 등 의료 서비스의 혁신을 가져올 것으로 전망

□ 의료 분야에서 Gen AI는 약물 발견 및 개발, 의료 영상 분석, 디지털 트윈 및 합성 데이터 생성, 전자건강기록(EHR) 및 가상 어시스턴트 관리 등에 활용 가능

 

□ (기술 도입 및 성숙도) 향후 2~5년을 고려하면 예측 진료 분석, 임상 의사 결정 지원 시스템 및 의료 영상 분석 기술에 관한 관심도 증가 추세

 

[그림 2] 기술별 성숙도 및 채택 수준

 

                              출처 : 프로스트앤드설리번, Growth Opportunities of Generative AI For Healthcare, 2023.11, 국가생명공학정책연구센터 재가공

 

□ (규제) 다양한 국가 정부들은 AI 규제에 대해 광범위한 접근 방식 도입 검토

 

1. 생성형 인공지능(Gen AI) 개요

 

1) Gen AI 도입 배경

 

□ 생성형 인공지능(Gen AI)은 헬스케어 분야 내에서 질병 진단, 치료 계획 수립, 환자 관리 등 의료 서비스 혁신을 가져올 것으로 전망

○ 현재 2024년 글로벌 헬스케어 분야 인공지능 시장 규모는 2,090만 달러로 급격한 성장세를 보이는 추세

   - 2023년 시장규모는 1,450만 달러이며 2024년의 경우 2,090만 달러로 증가

   - 헬스케어 분야 인공지능 시장의 경우 연평균 성장률(CAGR)이 48.1%로 급속도로 성장하고 있으며, 2029년에는 1억 4840만 달러의 시장규모로 예측

   - 미국이 시장을 주도하고 있지만 아시아태평양 지역의 급속한 성장이 관찰됨

 

[그림 3] 글로벌 헬스케어 분야 인공지능 시장 규모

출처 : Markets and Markets, Artificial Intelligence(AI) in Healthcare Market by Offering(Hardware, Software, Services), Technology(Machine Learning, Natural Language Processing), Application(Medical Imaging & Diagnotics, Patient Data & Resk Analysis), End User & Region - Global Forecast to 2029, 2024.1, 국가생명공학정책연구센터 재가공

 

 

○ Gen AI 기술이 빠르게 발전하면서 의료 분야의 통합 가속화

   - (약물 개발) 가상 임상 시험, 방대한 환자 데이터 사용 사례를 통합하여 정밀 의학이 이루어질 것으로 예상

   - (환자 관리) 리마인더, 의료 제안 및 증상 추적과 같은 기능을 통해 환자 중심 경험을 제공

○ 의료기관은 Gen AI를 활용한 인프라 구축을 위하여 기업 전략을 고안중

   - 데이터 인프라 구축, 역량 강화를 위한 자원 할당, 협업 관계 구축, 산업 네트워크 통합 등이 이루어지고 있음

   - 다양한 데이터 유형을 수집, 보존, 감독할 수 있는 통합 데이터 프레임워크에 투자

   - 다양한 AI 애플리케이션을 수용하고 비즈니스 인텔리전스(BI) 요구 사항 충족하기 위한 노력이 필요

○ Gen AI는 제약 산업 가치 사슬 전반에 걸쳐 연간 600억-1,100억 달러의 가치 창출이 예상

 

[그림 4] 제약 및 의료 제품 산업 내 Gen AI 창출 가치

 

                  출처 : McKinsey & Company, Generative AI in the pharmaceutical industry: Moving from hype to reality, 2024.1, 국가생명공학정책연구센터 재가공

 

□ 현재 의료 분야 Gen AI는 유니모달 접근 방식으로 정보를 제공하지만, 이후에는 멀티모달 접근 방식을 통해 적용 범위의 확장 및 발전이 이루어질 것으로 예상

○ 초기에는 주로 이미지, 텍스트, 음성 등 단일 데이터 유형에 초점을 맞춘 유니모달 접근 방식을 사용

   - 의료 영상 분석에서 X-ray, MRI 이미지 해석을 지원하여 환자에게 지침을 제공

   - 위 접근 방식은 컨볼루션 신경망(CNN)* 및 순환 신경망(RNN)**과 같은 일반적인 심층 신경망 알고리즘을 사용

      * 컨볼루션 신경망(Convolutional Neural Network, CNN): 이미지 분류 및 오브젝트 인식 작업에 대한 보다 확장 가능한 접근 방식을 제공하며, 행렬 곱셈의 원리를 비롯한 선형 대수학을 활용하여 이미지 내의 패턴을 식별하는 기법

     ** 순환 신경망(Recurrent Neural Network, RNN): 순차 데이터나 시계열 데이터를 이용하는 인공 신경망 유형으로, 언어 변환, 자연어 처리, 음성 인식, 이미지 캡션과 같은 순서 문제나 시간 문제에 흔히 사용됨

○ LLM 기술 발전으로 Gen AI의 활용이 급증할 것으로 예상

   - 의료 애플리케이션은 지도 학습(supervised learning) 접근 방식을 사용하여 전문가 주석이나 실측 자료를 바탕으로 통찰력과 의미 있는 연결을 도출하기 위한 데이터를 파생

   - 의료 데이터는 고차원적이고 복잡해서 유니모달 접근 방식은 효과적이기는 하지만 고비용, 노동 집약적, 오류 발생, 시간 소요가 있다는 점이 대두

   - 옴니채널 분석, 빅데이터 및 상호 운용성을 고려하여 의료 LLM은 약 100조 개의 파라미터 처리가 필요

   - 따라서 멀티모달 접근 방식의 LLM을 도입하면 전문가의 주석 없이도 다양한 형식의 방대한 데이터를 수집 및 처리하여 일관된 통찰력 도출이 가능

○ 미래에는 멀티모달 접근 방식으로 여러 출처의 데이터를 통합하고 분석

   - 웨어러블 센서의 광범위한 활용, 데이터 캡처 및 집계 기능 향상, 유전체 시퀀싱 및 관련 오믹스 기술의 비용 감소를 통해 멀티모달 접근 방식의 견고한 기반 구축

   - 환자의 전자 건강 기록(EHR), 의료 영상, 유전 정보 등 다양한 데이터 소스를 종합적으로 분석하여 보다 정확한 진단을 지원하고 개인화된 치료 계획을 제공

   - 다양한 출처의 방대한 데이터를 처리하여 의료 활동 전반(발견, 진단, 예후, 치료, 예방 포함)에 걸쳐 통찰력을 제공 가능

 

2) 성장 동인/저해 요인

 

성장 동인	1-2년	3-4년	5-6년
고비용 의료 데이터 기업은 의료기관 내에서 환자 데이터 이용을 위해서는 특별 허가 또는 라이센스 구매가 필요 Gen AI를 이용하면 데이터 조달 요구사항을 충족하는 분석, 통찰력, 보고서, 사용 사례 및 합성 데이터 생성이 가능	높음	높음	높음
대량 생성 데이터 시장 확장 정기적으로 데이터를 수집하는 웨어러블, 소형 모듈, 원격 모니터링, 모바일 앱, 소형 사물인터넷(IoT) 장치 증가로 대량 데이터 처리 요구 증가 Gen AI 이용하여 대량 데이터를 수집, 입력, 처리가 가능하며 의료 동향 분석 제공 가능	높음	높음	높음
임상 운영 및 관리 부담 임상 워크플로우 최적화, 임상 관리 감소, 공급망 관리 및 추적, 의료 재정 관리 등 임상 운영의 격차를 해소하여 비임상 작업 수행을 통해 의료 전문가의 적시 목표 달성과 환자 결과 개선에 도움	높음	높음	보통
임상 의사 결정 지원을 위한 이미징 애플리케이션의 확장성 의료 전문가에게 분석적 통찰력을 제공하고 환자에게 포괄적인 설명 제공 520개 이상의 FDA 승인 AI 의료 알고리즘 중 방사선학 분야가 400개 이상으로 타 분야에 비해 활용이 높음. 나머지 중 다수는 의료 영상과 관련성 존재 ※ 의료 전문가들은 Gen AI가 생성한 컨텐츠를 사용 전 교정 및 검수 필요	보통	보통	보통

 

저해 요인	1-2년	3-4년	5-6년
개인 정보 보호 및 보안 의료 데이터는 환자 기밀 정보가 포함되어 개인 정보 보호와 안전 문제 발생 위험이 있으므로 보호가 요구됨 기술 개발자는 데이터를 안전하게 교환할 수 있는 수단을 제공해야 함 규제 기관은 Gen AI 혁신과 환자 데이터 보안의 균형을 맞추기 위한 거버넌스 고안 필요	높음	보통	낮음
편향 가능성 Gen AI 모델의 성공 여부는 학습 데이터 품질에 달려있음 기계학습(ML) 엔지니어와 의료 전문가는 모델 프레임워크에서 왜곡된 데이터 회피 필요 기업은 Gen AI 알고리즘에 일반적인 편향 가능성을 숙지하여 Gen AI 모델 개발 방법 결정	보통	보통	낮음
환각(Hallucination) 가능성 Gen AI의 환각 가능성을 주지하여 모델 훈련 필요 환각을 통해 오진, 잘못된 예약 일정, 잘못된 약물 치료 등의 문제를 일으킬 가능성이 있으므로 엄격한 테스트 및 검증된 접근 방식 요구	보통	보통	낮음

 

 

 

 

 

2. 분야별 Gen AI 활용

 

□ 의료 분야에서 Gen AI는 약물 발견 및 개발, 의료 영상 분석, 디지털 트윈 및 합성 데이터 생성, 전자건강기록(EHR) 및 가상 어시스턴트 관리 등에 활용 가능

○ 제약회사, 의료기술 산업, 의료 서비스 제공, 서비스 운영, 보험사, 정부 보건 기구별 Gen AI 활용 사례

   - (제약회사) 신속한 의약품 발굴 및 설계, 전략화를 통한 임상 연구 수행, 맞춤형 진료 및 AI 오믹스 분석

   - (의료기술 기업) Gen AI 활용 통합 제조 및 제품 설계, 진단 영상 분석, 자동화를 통한 공급망 리스크 식별 및 프로세스 개선

   - (의료 서비스 제공) 개인별 평가 및 맞춤형 헬스케어, 임상 문서 자동화, 의료 영상 분석, EHR 시스템의 상호 운용

   - (서비스 운영) 임상 및 합성 데이터 생성, 재고 모니터링 및 보충, 데이터 공유, 하이브리드 클라우드 컴퓨팅(HCC)

   - (보험사) 예측 알고리즘 활용한 예방적 건강 관리, 자동화를 통한 청구 처리 간소화

   - (정부 보건 기구) 데이터 분석을 통한 지역사회 건강 모니터링, 자동화를 통한 자원의 분배 및 효율적 활용

 

○ 응용 분야별 Gen AI 활용 사례

   - (약물 발견 및 개발) 약물 후보 물질 특성 예측, 신규 분자 구조 생성 및 기존 분자 최적화를 통해 안전성과 효능 향상

   - (의료 영상 분석) 고품질 이미지 생성, 누락 및 손상 데이터 재구성, 이미지 분할 및 분석 지원을 통해 의료 영상 기술 향상

   - (디지털 트윈 및 합성 데이터 생성) 테스트 및 최적화, 임상 시험 시행, 의료 전문가 교육을 위해 가상 환자 집단 생성에 이용

   - (EHR 및 가상 어시스턴트 관리) 문서 작업, 질의응답(맞춤법 오류 자동 수정 등) 등 전자 처방전 관리 및 데이터 입력 시스템 지원

 

 

[참고] 기술 준비 수준 (Technology Readition Levels, TRL) 단계

●Gen AI 기술 및 기업 설명 중 기술 준비 수준을 총 9개의 단계로 나누어서 설명하고자 함  ╺︎각 단계별 기술 현황은 다음과 같으며 기초 기술 연구 단계, 타당성 검증을 위한 연구 단계, 기술 개발 단계, 기술 시연 단계, 시스템 및 서브시스템 개발 단계, 시스템 테스트, 출시 및 운영 단계로 세분화 ╺︎해당 보고서에는 기술사연, 시스템 및 서브 시스템 개발 단계 이상의 기술 위주로 다룸

 

 

 

 

 1) 약물 발견 및 개발

 

□ 기존의 히트 앤 트라이얼(Hit-and-Trial) 기반 실험실 방식을 우회하고 가상 환경(in silico)에서 개발 과정을 신속하게 진행하기 위하여 AI가 필요

○ 화학적 결합을 통해 형성할 수 있는 분자 수는 매우 많으므로 복잡한 영역을 탐색하여 바람직한 약리학적 특성을 가진 분자를 찾는 것이 관건

○ Gen AI 활용 이점

   - (약물 분자의 신속한 검출) 알려진 광범위한 화합물 정보 저장소에서 얻은 지식을 활용하여 새로운 분자 구조를 빠르게 생성해 약물 탐색 초기 단계 감축

   - (환경 영향 최소화) 가상 환경 내에서 계산적으로 실험을 수행하기 때문에 환경 영향이 적음

   - (연구 개발비 절감) 가상 환경에서 신속한 연구가 가능하므로 약물 개발을 위한 R&D 비용 절감

   - (예측 모델링) 환자 오믹스 데이터 분석을 통해 약물 후보 물질의 유효성, 부작용, 다른 의약품과의 상호작용이나 인체 내 상호작용 가능성 예측

○ 약물 발견 및 개발에 사용하는 Gen AI 모델 종류

   - (생성적 적대 신경망) 생성적 적대 신경망(Generative Adversarial Networks, GANs)은 생성기와 판별기라는 2개의 개별 ML 요소를 구성하여 생성기는 지속해서 데이터를 생성하고, 판별기는 실제 데이터와 생성 데이터 간 차이를 구분

   - (변이형 오토 인코더) 변이형 오토 인코더(Variational Auto Encoders, VAEs)는 ML 및 딥 러닝(DL) 분야의 비지도 생성 모델의 한 유형으로 데이터 생성, 차원 축소 및 기능 학습에 사용

○ 약물 발견 및 개발 활용 Gen AI 기술 및 기업

 

기술(기업)	설명	애플리케이션	기술 준비 수준
Generaive model Enki (Variational AI)	VAE를 사용하여 키나아제(kinase) 단백질에 초점을 맞춘 신규 소분자 약물을 생성하는데 초점을 맞춤 Enki를 이용하여 키나아제 주변 데이터 말뭉치(corpus)를 학습시킴 신규 선택적 키나아제 억제제 생성 실제 및 디지털을 모두 포함하는 스크리닝 및 저장소를 이용하여 미세하게 조정된 속성을 가진 신규 분자 생성	AI를 키나아제로만 학습시키기 위해 2억 5천만 개 이상의 샘플 데이터 말뭉치를 수집하여 사용 키나아제는 구조적 상동성을 공유하고 있으며 아데노신삼인산 부위를 통해 결합하는 것을 발견	고형 종양 타겟의 소분자 의약품 개발에 집중 TRL-7
Pharma.ai (Insilico Medicine)	방대한 데이터 세트와 다양한 데이터 범주를 활용하여 질병 표지를 발굴 수십억 개의 기존 분자 또는 잠재적 분자 중 가장 유리한 후보 발굴	다양한 약물 표적 인식 모듈 PandaOmics, 약물 표적 신규 분자 생성 및 설계 모듈 Chemistry42, 가상 임상 시험 모듈 inClinico로 구성	특발성 폐섬유증 표적 AI 기반 약물 INS018-055 개발 성공 TRL-8
AtomNetⓇ (Atomwise)	첨단 Gen AI 모델을 통합하여 약물 발견 및 치료제 개발 프로세스를 가속화하고 확장	이미지 인식 기술을 사용하여 의약품 개발 수행 지원	Sanofi 및 FutuRx와 협력 TRL-8
Gen AI 기반 약물 발견 플랫폼 (Fujitsu Limited)	Gen AI 이용 전자 현미경 사진을 이용해 단백질 구조 변화를 예측하여 3D로 변환	Fujitsu와 RIKEN은 전자현미경 투영 이미지를 분석하여 표적 단백질의 형태를 정확하게 측정하는 Gen AI 시스템을 공동 개발 구조적 비율 기반으로 표적 단백질의 구조 변화를 예측하는 기술 개발	플랫폼에 대한 협력 발표(‘23.10) TRL-2

 

 

 

2) 의료 이미지 분석

 

□ 의료 이미지 분석에 Gen AI를 활용하여 정확한 진단과 임상 의사 결정 시스템 제공

○ 의료 영상 애플리케이션과 오진 및 방사선 평가 변동성을 유발하는 복잡하고 희귀한 질병 증가 추세

○ 의료 전문가에게 분석적 통찰력을 제공하고 환자에게 포괄적인 설명을 제시

○ Gen AI 활용 이점

   - (영상 증강) 데이터 세트 학습을 통해 의료 이미지 분석에 필요한 Gen AI 모델의 견고성을 높이며, 이미지 분할 및 분류 생성에 도움

   - (초고해상도 이미징) 하드웨어가 대상 장면의 미세한 부분을 놓칠 수 있기 때문에 정확한 진단이 가능하도록 의료 영상의 해상도를 증강

   - (희귀 이미지에 대한 데이터 생성) 의료 영상 사용 사례로 이미지를 생성하여 희귀 이미지에 대한 데이터 제공

   - (이상 탐지) 다양한 의료 이미지로 Gen AI 모델을 학습하여 사소한 이상 징후도 감지해 조기 질병 진단에 도움

○ 의료 이미지 분석에 사용하는 Gen AI 모델 종류

   - (생성적 적대 신경망) 생성적 적대 신경망(Generative Adversarial Networks, GANs)은 생성기와 판별기라는 2개의 개별 ML 요소를 구성하여 생성기는 지속해서 데이터를 생성하고, 판별기는 실제 데이터와 생성 데이터 간 차이를 구분

   - (변이형 오토 인코더) 변이형 오토 인코더(Variational Auto Encoders, VAEs)는 ML 및 딥 러닝(DL) 분야의 비지도 생성 모델의 한 유형으로 데이터 생성, 차원 축소 및 기능 학습에 사용

○ 의료 이미지 분석 활용 Gen AI 기술 및 기업

 

 

기술(기업)	설명	애플리케이션	기술 준비 수준
SubtleMRTM 2.0 (Subtle Medical Inc.)	저자기 강도 MRI에서 캡처된 이미지의 누락된 데이터를 채우는 재구성 기술을 사용하여 이미지 품질 향상	이미지 처리 알고리즘을 사용하여 스캔 시간을 단축하고 이미지 품질 개선	FDA로부터 임상 검증을 받았으며 상업적으로 사용 가능 TRL-9
Caption Guidance Software (Caption Health Inc.)	실시간 자동 진단을 위해 다각도 의료 영상 획득을 돕는 2D 경흉부 심장초음파 검사용 소프트웨어	편리한 사용을 위한 대화형 사용자 인터페이스가 포함되어 있으며 심장초음파 이미지를 진단 표준 비디오로 클립	의료정보보호법(Health Insurance Portability and Accountability Act, HIPAA) 표준 준수 데이터 안전과 개인 정보 보호 보장 TRL-9
cNeuroⓇ cMRI (Combinostics)	Gen AI 알고리즘을 사용하여 뇌 구조를 자동 분할 및 분석 가능 다양한 MRI를 시각화하고 비교, 보고서를 생성하여 타 의료 전문가와 결과 공유 가능	뇌 조직 변화를 체계적으로 감지 외상성 뇌 손상, 뇌전증, 치매, 다발성 경화증 등 다양한 신경학적 상태 관련 패턴과 디지털 바이오마커를 식별	Class IIa 의료기기 CE 인증획득 Class II 의료기기로 FDA 510(k) 허가 TRL-9
Med-PaLM2 LLM (Google)	의료 중심 고급 언어 모델인 Med-PaLM2 기능을 확장하여 이미지 분석 및 질문 답변 기능을 통합	엑스레이, 방사선 이미지를 처리하여 의료 전문가와 환자를 위한 설명 정보를 생성할 수 있는 기능 탑재	상업적 출시 (‘23.5) TRL-9

 

 

 

3) 디지털 트윈 및 합성 데이터 생성

 

□ 합성 데이터는 개인 정보 보호 및 강화를 주요 목적으로 하는 개인 정보 보호 기술로 개인 데이터 범위를 줄이고 개인 정보 침해 가능성을 낮추는 데 필요

○ Gen AI 활용 이점

   - (데이터 접근성 향상) 합성 데이터 공유는 환자의 동의가 필요하지 않기 때문에 사용이 편리하고 임상 시험 연구 속도가 개선됨

   - (ML 모델 구현) 고차원의 대규모 샘플로 신뢰도와 AI 모델 품질 향상

   - (개인 정보 보호 및 익명성) 실제 환자 데이터에 대한 재추적이 불가능하여 개인 정보는 은폐하면서 원본 데이터 분포를 유지

   - (경제성 향상) 완전한 데이터를 제공하고 데이터 세트 수를 늘려 빅데이터 분석 가능

○ 디지털 트윈 및 합성 데이터 생성에 사용하는 Gen AI 모델 종류

   - (생성적 적대 신경망) 생성적 적대 신경망(Generative Adversarial Networks, GANs)은 생성기와 판별기라는 2개의 개별 ML 요소를 구성하여 생성기는 지속적으로 데이터를 생성하고, 판별기는 실제 데이터와 생성 데이터 간 차이를 구분

   - (그래프 신경망) 그래프 신경망(Graph-based Neural Networks, GNNs)은 의료 데이터 내의 복잡한 관계와 종속성을 효과적으로 모델링

○ 디지털 트윈 및 합성 데이터 생성 활용 Gen AI 기술 및 기업

 

기술(기업)	설명	애플리케이션	기술 준비 수준
The Syntho Engine (Syntho)	개인 정보 보호 문제를 해결하면서 표 형식의 데이터 세트에 맞게 맞춤화된 합성 데이터를 생성하기 위한 사용자 친화적인 플랫폼을 제공 민감한 데이터를 복제하여 원본 데이터 세트와 유사한 합성 디지털 트윈을 생성	포괄적인 테스트 데이터 세트를 사용하여 테스트 및 개발이 용이하도록 함 데이터 기반 솔루션으로 데이터 분석 제공	상용화 단계 기존 소프트웨어 업그레이드 포함 TRL-9
Synthetic Data API (Syntegra.io)	사용자의 요구사항에 맞춘 정확한 데이터를 검색하여 적절한 시간과 장소에 전달 가능 합성 데이터를 사용하여 데이터 관련 문의를 신속하게 처리할 수 있는 사용자 친화적인 유틸리티 제공	개별 환자 수준에서 개인 정보 보호 의료 데이터를 쉽게 탐색, 구성, 평가 및 배포 가능 다양한 환자 그룹과 관련된 임상 시험을 신속하게 수행하고 전문 작업 공간 내에서 데이터에 직접 액세스 가능	상용화 단계 기존 소프트웨어 업그레이드 포함 TRL-9
Gretel Synthetics (Gretel.ai)	정보 협업, 생산 및 향상	합성 데이터 제공 서비스를 통해 신뢰성 높고 우수한 데이터를 빠르게 생성하여 연관성과 통계적 이해 유지 개인 정보 보호 구성 맞춤화 전문적 표준 보고서를 통해 데이터 정확성과 기밀성 보장	TRL-9

 

 

 

 

4) EHR 및 가상 어시스턴트 관리

 

□ 행정 업무로 인한 의료 전문가의 생산성 저하, 작업량 증가, 환자 치료 시간 단축, 임상 소진, 환자 불만족 등의 문제를 개선하고 임상 문서의 부정확성을 최소화하기 위해 Gen AI 사용

○ Gen AI 활용 이점

   - (상호 운용성 향상) 민감한 환자 데이터 유출 없이 의료기관 간의 통찰력과 지식 교환 촉진

   - (프로세스 효율화) 문서화, 코딩, 관리 업무 등을 자동화할 수 있어 의료 전문가가 환자 치료에 더 많은 시간 할당 가능

   - (예측 시스템 및 의사 결정 지원) 기존 건강 상태를 고려하여 각 환자 맞춤형 예측 모델 생성

   - (보고서 생성) 구조화된 EHR 데이터를 간결한 보고서 및 요약으로 변환하여 의료 전문가가 광범위한 환자 EHR 데이터를 효율적 추출 및 탐색 가능

○ EHR 및 가상 어시스턴트 관리에 사용하는 Gen AI 모델 종류

   - (대화형 AI) 인간 언어 명령 기반으로 시스템 간 상호 운용성을 향상자동 음성 인식, 음성-문자 변환 엔진, AI 기반 헬스케어 챗봇, 가상 건강 어시스턴트 등 여러 기술 사용의료 조직 내 전체 부서가 환자 개선을 위해 효과적으로 협력 가능

   - (자연어 처리) 자연어 처리(Natural Language Processing, NLP)는 문서에서 의학 키워드를 인식하여 절차, 약물, 매개 변수 및 병리학적 장애에 관한 의료 정보를 자동으로 검색하고 상황별 단서를 분석하여 관련 임상 속성을 식별

○ EHR 및 가상 어시스턴트 관리 활용 Gen AI 기술 및 기업 

기술(기업)	설명	애플리케이션	기술 준비 수준
Suki Assistant (Suki AI)	임상 문서화 등 행정 업무 처리	EHR과 양방향 통합 가능 주변 문서화 기능을 통해 문서 자동 생성 가능	상용화 단계 TRL-8
LLMs (Hippocratic AI)	500B 단어의 의료 관련 데이터를 이용하여 학습 안전 우선 언어 모델이므로 진단에 사용 불가	114개 평가 중 105개 평가에서 GPT-4보다 우수한 성능 입증 (74개 평가에서 5% 이상 우수, 43개 평가에서 10% 이상 우수)	상용화 전 모델 성능 평가 중 TRL-5
Conversational AI for Healthcare (Hyro)	적응형 커뮤니케이션을 채택하여 일상적인 참여 자동화 환자 기반 디지털 요구사항 충족	의료정보보호법(HIPAA) 준수한 대화형 AI를 통해 환자 참여 강화 및 인력 부족 문제 해결	콜센터 자동화, AI 가상 어시스턴트, 대화형 인텔리전스, 헬스케어 패키지용 AI 기술 포함 TRL-8
Dregon Ambient Experience (DAXTM) Copilot DAX express (Nuance Communications)	대화형, 주변형 Gen AI 사용하여 임상 문서 자동화	추가 의료 전문가가 의료 기록 생성이 가능하므로 임상 생산성 향상 의사가 최고 수준의 의료 서비스 제공에 집중 가능	TRL-9

 

[참고] 분야별 활용 Gen AI 모델 설명

◆생성적 적대 신경망(Generative Adversarial Networks, GANs) ╺︎두 개의 신경망, 생성기(Generator)와 판별기(Discriminator)가 경쟁하면서 학습하는 모델 ╺︎생성기는 실제와 유사한 모방 데이터를 생성하고, 판별기는 이 데이터를 실제 데이터와 구분 ╺︎사용 사례: 이미지 생성 및 변환, 데이터 증강, 텍스트에서 이미지 생성 ◆변이형 오토 인코더(Variational Auto Encoders, VAEs) ╺︎인코더(Encoder)와 디코더(Decoder)로 구성된 오토 인코더의 변형 ╺︎데이터의 잠재 공간(latent space)을 확률적 분포로 모델링하여 새로운 데이터를 생성 ╺︎사용 사례: 이미지 생성 및 복원, 데이터 압축, 이상 탐지 ◆그래프 신경망(Graph-based Neural Networks, GNNs) ╺︎그래프 구조 데이터를 처리할 수 있는 신경망 ╺︎각 노드는 이웃 노드의 정보를 집계하여 자신의 상태를 업데이트 ╺︎사용 사례: 소셜 네트워크 분석, 화합물의 물리화학적 성질 예측, 추천 시스템 ◆대화형 AI(Conversational AI) ╺︎인간과 자연스럽게 상호작용할 수 있는 인공지능 시스템 ╺︎자연어 처리(NLP) 기술을 사용하여 사용자의 언어를 이해하고, 적절한 응답을 생성하며, 문맥을 유지하면서 대화를 이어감 ╺︎사용 사례: 챗봇, 가상 비서, 콜센터 자동화 ◆자연어 처리(Natural Language Processing, NLP) ╺︎컴퓨터 언어학(인간 언어의 규칙 기반 모델링)과 통계 및 기계 학습 모델을 결합하여 컴퓨터와 디지털 장치가 텍스트와 음성을 인식하여 이해 및 생성 가능하도록 함 ╺︎사용 사례: 기계 번역, 감정 분석, 질의 응답 시스템, 텍스트 생성   각 모델별 장단점 비교 출처 : https://www.ibm.com/, OpenAI chatGPT-4o

 

 

 

5) 기술 도입 및 성숙도

 

□ 향후 2~5년을 고려할 때 예측 진료 분석, 임상 의사 결정 지원 시스템 및 의료 영상 분석 기술에 관한 관심도 증가 추세

○ 임상/관리 부담을 완화하고 진료 제공 개선하기 위한 기회 모색 중

   - 임상용 합성 데이터 생성은 보통 수준의 기술 성숙도 및 채택 수준

   - 가상 임상 시험, 개인 맞춤형 의학, 약물 발견 및 개발은 기술 성숙도 및 채택이 증가 요구

 

[그림 5] 기술별 성숙도 및 채택 수준

 

 

¶ 기술 성숙도: 기술의 발전 정도를 의미하며 성숙도가 높으면 Gen AI 애플리케이션이 의료 부문 내에서 정교함과 신뢰성이 높은 수준에 도달했음을 시사

¶ 기술 채택: 산업 내 Gen AI 애플리케이션을 통합하거나 사용한 정도를 말하며 채택 수준이 높으면 많은 의료기관이 이를 구현하고 있음을 나타냄

출처 : 프로스트앤드설리번, Growth Opportunities of Generative AI For Healthcare, 2023.11, 국가생명공학정책연구센터 재가공

 

 

3. 산업 및 규제 동향

 

1) Gen AI 및 클라우드 컴퓨팅 인프라 개발 동향

 

□ 현재 클라우드 협업과 조기 채택, 의료 LLM 개발 등이 활발히 진행 중

○ 대부분의 협업은 Open AI의 ChatGPT 개시 이후(‘23.3) 이루어 졌으며 Google cloud가 Microsoft, Open AI에 비해 가장 많은 파트너십 유지

○ 공공 의료 조직 내 기술 조기 채택이 이루어지고 있음

   - 의료 전문가에게 Gen AI의 이점에 대해 교육하고 기본 인프라를 구현하기 위한 컨소시엄과 협업이 형성

○ 민간 기업은 데이터 확보를 위해 대규모 소프트웨어 기업과 협력

   - 클라우드 서비스 및 Gen AI 모델 구현하여 분석에 활용하고 임상/관리 부담을 줄이며 복잡한 문서에서 단순화된 통찰력 제공

○ 공공 의료 기관과 협력하는 기업들은 광범위한 학습 기반 대량 데이터를 수집할 수 있는 의료 LLM 개발

 

협업	날짜	영향 분석
NVIDIA, Amgen	'24.3	NVIDIA 헬스케어 전용 AI 플랫폼 클라라 공개 바이오니모(신약 개발), 홀로스캔(의료기기), 파라브릭스(유전체학), 모나이(의료 영상) 등이 포함 클라우드 기반 서비스로 대규모 데이터 셋을 사용하여 사전 학습된 AI 파운데이션 모델 제공
Johnson & Johnson MedTech, NVIDIA	'24.3	Johnson & Johnson Medtech의 수술 분야 기술력과 디지털 에코시스템을 NVIDIA의 AI 솔루션과 결합하여 수술용 AI 기반 소프트웨어 애플리케이션 배포에 필요한 인프라 구축 디바이스, 환자, 수술 데이터로 구동되며 임상 의사 결정 지원에 사용
VALID AI, 의료 기관 (보험회사, 비정부 자선 기업, 보스턴 어린이 병원, Cedars-Sinai, Elecance, Ochsner Health, 캘리포니아 보건 시스템 대학, 미국 암 협회, 보건 기술 혁신 센터, 미국 심장 협회, 보건 AI 연합)	‘23.10	Gen AI 모델 개발, 학습 및 구현을 통해 환자 결과 개선 의료 요구 사항에 따라 모델을 학습, 개발, 구현하여 타 조직이 최대한의 성과를 거두는 것을 목표 지역 데이터 개인 정보 보호법 및 AI 규정 준수
AVIA, 의료기관 (Banner Health, BJC HealthCare, Boston Children's Hospital, Children's Mercy Kansas City, Cottage Health, Novant Health, OSF HealthCare, UVA Health 등)	‘23.10	AVIA Health는 미국 의료기관의 디지털 혁신을 구현하는 Gen AI 인프라 구축을 위해 회원사 추가 의료 전문가, 환자, 지불인 및 보험회사와 같은 당사자 간의 관리 및 조정을 개선하기 위해 더 많은 조직을 추가하는 것을 목표
Microsoft, Epic	'23.8	Microsoft Azure, Nuance DAX Express 클라우드 서비스를 구현 Epic의 EHR 시스템은 임상 워크플로우 관리, 통찰력, 의료 보고서 생성, 의료 전문가와 환자 간의 대화 사례를 캡처 가능
Cognizant, Google Cloud	‘23.8	Cognizant AI 소프트웨어는 Google Cloud의 Vertex AI 플랫폼을 사용하여 임상 워크플로우 최적화, 임상/관리 작업 자동화, 지불인·제공자·환자를 위한 포괄적이고 자체적 설명이 가능한 메모 생성을 제공 임상 및 관리 부담 감소
Google Cloud, Bayer Pharma, HCA Healthcare, MEDITCH	'23.8	임상 프로세스와 워크플로우 관리 Bay Pharmaceuticals는 Google Vertex AI 및 Med-PaLM2를 사용하여 약물 발견 및 개발을 가속화하고 약물이 시장에 더 빨리 도달하도록 지원 Google Cloud는 HCA Healthcare, MEDITECH과 EHR 통계 생성, 임상 워크플로우 관리, 임상 작업 자동화, 환자-의사 대화 녹음 가능
CareCloud, Google Cloud	‘23.7	환자에게 최적의 의료 서비스를 적시에 제공 CareCloud의 컨시어지 플랫폼을 Google Cloud의 Vertex AI 및 의료정보보호법(HIPAA) 준수 Enterprise Search와 통합하여 가장 근접한 의료 시설 정보를 전달하여 빠른 의료 서비스 제공 가능
Google Cloud, Mayo Clinic	‘23.6	환자 결과 개선을 위한 협업 모델 LLM Google Cloud는 Mayo Clinic과 협력하여 임상 문서, 연구 논문, 의학 문헌 콘텐츠 이용 환자 기록의 경우 의료정보보호법(HIPAA)에 따라 이루어지며 분석, AI, ML 솔루션 활용 포함

 

 

2) 자금 조달 동향

 

□ 의약품 발굴을 위한 Gen AI 기반 플랫폼 개발에 자금 지원 추세

○ Gen AI 도입은 초기 단계이기 때문에 스탠포드, MIT 등 미국의 일부 대학의 선두 기관을 제외하고는 공공 또는 연방 자금 지원이 거의 없음

○ 벤처 캐피탈리스트들은 거대 소프트웨어 회사보다는 스타트업과 분사를 지원함

   - NVIDIA가 여러 자금 조달 라운드에서 주요 투자자로 등장

○ 대부분의 자금 제공은 신약 발견을 위한 Gen AI 모델 확산이 목표

 

기업	조달 자금	날짜	영향 분석
Evozyne	$8,100만	‘23.9	약물 발견 및 탄소 격리를 위한 Gen AI 플랫폼 강화 목표 면역 체계 조절 유전자 편집 인자와 효소 제작 의료 및 환경 지속 가능성 문제 해결
Genesis Therapeutics	$3억만	‘23.8	스탠포드 대학교 Lande Lab의 GEMS AI 시스템 활용 다루기 힘들거나 제한된 정보를 가진 분자를 표적으로 삼기 위해 플랫폼 개발 새로운 화학 물질 모델링 및 화학적, 물리적 특성 예측을 통한 표적 생체 분자 제안 도메인 전문가와 화학자가 전산 의약품 발굴 및 개발 전반 지도
Recursion	$5,000만	‘23.7	Gen AI 모델 개발 후 23,000TB의 NVIDIA의 생물학적 및 화학적 분자 데이터베이스를 이용하여 학습 NVIDIA는 AI 모델을 생명공학 회사에 기술을 이전하여 신약 개발을 신속하게 진행하도록 도움
Iktos	$1,650만	‘23.3	제약 산업의 신약 발견 및 개발을 가속화하기 위한 포괄적인 접근 방식인 Iktos Robotics를 도입하는 데 사용할 예정

 

 

○ ○ 의료 분야 자금 중 대부분은 OpenAI사의 ChatGPT 출시 이후 LLM 개발에 투입  

      - COVID-19 팬데믹 동안 간호 인력 및 어시스턴트 부족 현상이 하나의 요인임

      - 대부분의 의료 LLM은 환자에게 맞춤형 예방 치료를 제공하여 의료 비용을 절감

 

기업	조달 자금	날짜	영향 분석
GenHealth AI	$1,300만	‘23.7	트랜스포머 기반 신경망 학습 대규모 의료 모델 위험 식별, 치료 조정, 환자와 보험회사에 대한 재정 조정
Hippocratic AI	$5,000만	‘23.5	비용 절감, 의료 접근성 개선, 환자 개선을 위한 LLM 개발 의사 경험, 간호 인력 위기 해결, 임상 작업 흐름 관리 등 제공하여 건강 관리 극대화
Hyro	$2,000만	‘23.5	대화형 및 Gen AI를 통해 임상 작업 개발 및 자동화 의료 질의에 답하는 가상 어시스턴트인 SpotTM을 출시
Bionic Health	$300만	‘23.3	환자 진단 정보 입력 후 통찰력을 얻고 예방 관리를 받을 수 있는 LLM을 AI 건강 클리닉으로 개발 중

 

 

3) 의료 분야 Gen AI 조직 분포

 

□ 신약 개발 촉진과 개발 비용을 절감할 수 있기 때문에 Gen AI에 관한 관심이 증가하고 있으며, 국가별로 살펴보면 북미가 Gen AI 조직 수에서 선두

○ 유럽과 아시아-태평양이 그 뒤를 따르고 있으며, 중동의 기관 대부분은 원격의료에 gen AI를 사용

 

[그림 6] Gen AI 활용 조직의 지리적 분포

 

 

출처 : 프로스트앤드설리번, Growth Opportunities of Generative AI For Healthcare, 2023.11, 국가생명공학정책연구센터 재가공

 

 

4) 의료 분야 Gen AI 규제 동향

 

□ 다양한 정부가 AI 규제에 대해 광범위한 접근 방식을 도입

○ (미국) 의회 의원들은 정부 기관의 AI 기술 규제 감독하는 법적 가이드라인을 구축하려는 노력 강화

   - 보안, 책임, 핵심 원칙 보존 및 해명을 강조하며 AI 입법을 위한 영역을 설명하는 SAFE 혁신 프레임워크를 공개적으로 선언(’23.6)

      ※ SAFE 혁신 프레임워크: 혁신의 정신을 유지하면서 보안 달성이 목표

   - 법안을 제정하기 전에 상원 의원과 각 대표가 상호작용 할 기회를 제공

   - FDA는 의약품 개발 및 제조 분야의 AI/ML에 대한 2편의 문서를 발표하였으며, 치료제 개발에서 AI/ML의 기존 및 미래 적용에 대한 통찰력을 제공(‘23.7)

   - 규제의 명확성을 제공하고 의료 분야 AI 혁신을 촉진하는 정책개발을 위해 보건복지부에 AI 태스크포스를 설립

   - 태스크포스는 신약 개발 발전, 공중 보건 강화, 의료 서비스 제공을 개선하기 위해 AI 활용 도구 및 프레임워크 평가 방법을 개발할 예정

○ (EU) AI 법(통과 전)을 통해 다양한 위험 수준에 따라 AI 활용을 분류하고 고위험군 사용에 대해 엄격한 감독 및 공개 의무 도입 예정

   - 감독, 안전, 개인 정보 보호, 투명성, 차별 방지, 사회 및 환경 복지 증진 보장 포함

   - 개인정보보호 규정(General Data Protection Regulation, GDPR)은 데이터 컨트롤러와 프로세서에 대한 책임을 설명

   - AI 법은 AI 시스템 제공자와 사용자에 초점을 맞춤

   - 두 개의 프레임워크를 꼼꼼히 조정하여 기업은 두 가지 AI 관련 규정 중 하나 또는 두 가지 요구 사항 모두를 준수해야 하는지 결정 요구

○ (영국) ’23.3.29, 영국 정부는 AI 규제를 위한 혁신 친화적 전략을 설명하는 백서 발표

   - 새로운 법안을 마련하거나 AI 전담 규제 기관을 만드는 대신 기존 부문별 규제 기관이 해당 영역 내에서 AI를 감독할 수 있는 권한 부여

   - 혁신을 저해할 수 있는 지나치게 제한된 법은 피하면서 AI를 포괄하도록 기존 규제 구조를 강화

   - 제안된 규제 프레임워크는 적응성과 자율성이라는 두 가지 정의 속성을 기반으로 AI를 특성화

   - 규제 당국이 AI 관련 위험을 해결할 때 준수해야 할 5 가지 부문 간 원칙 소개

   - 이러한 원칙은 안전, 보안, 견고성, 투명성, 설명 가능성, 공정성, 책임, 거버넌스 및 분쟁 해결 메커니즘을 포함

○ (중국) ‘23.7.13, 중국 사이버공간관리국은 AI 생성 서비스에 대한 임시 관리 지침(PRC AI 규정)의 최종판 발표

   - Gen AI 서비스 공급업체에 실질적인 책임을 부과

   - 책임에는 해당 서비스가 생성하는 컨텐츠의 감독 및 관리를 포함

   - 공급업체는 불법 컨텐츠를 즉시 근절하고 불법 활동에 연루된 사용자를 조처하고 관련 당국에 신고 필요

   - 생성된 컨텐츠에 적절한 레이블을 지정하고 학습을 위해 합법적인 데이터 소스를 사용해야 하며 지식재산권을 존중하고 개인 정보 처리에 대한 동의 요구

 

 

4. Gen AI 성장 기회

 

1) 실시간 Gen AI 구현을 위한 클라우드

□ 클라우드는 환자 데이터의 실시간 신속 분석 최적화 및 간소화를 통해 AI 알고리즘의 대기 시간을 단축할 수 있어 실시간 질병 예측 및 관리, 원격의료 및 환자 모니터링을 통한 편리한 의료 서비스 제공이 가능

○ (요구사항) 의료 서비스 제공자의 실시간 질병 예측 관리에 대한 수요 증가

   - Gen AI 모델을 이용하여 환자 데이터를 분석하고 즉각적인 통찰력을 제공

   - 모바일 건강 애플리케이션의 확산으로 인해 Gen AI 모델을 애플리케이션에 통합하여 증상 분석, 약물 알림 및 권장 사항과 같은 다양한 의료 작업 지원 요구

○ (기업) Gen AI 프레임워크를 지원하기 위한 인프라 개발과 클라우드 구성을 통해 원격의료 및 모바일 애플리케이션에 AI 구현을 신속하게 지원

   - 의료 데이터 규정 준수, 암호화 사용, 민감한 데이터 보호를 위한 액세스 제어 설정 등 환자 의료 데이터를 보호하기 위한 강력한 보안 및 개인 정보 보호 조치 구현 필요

   - 가벼운 클라우드 개발 및 덜 복잡한 엣지 인프라를 구성하여 데이터 처리 및 대기 시간 최소화를 통한 운영 효율성 향상을 지원

   - (Epic) 모바일 EHR 플랫폼의 경우 단일 터치로 환자에게 전화를 걸 수 있는 편리함을 제공

 

[그림 7] 실시간 Gen AI 구현을 위한 클라우드 성장 기회 분석

 

 

 

 

2) 가상 임상 시험을 위한 합성 데이터 생성

 

□ 가상 임상 실험은 잠재적인 약물의 효능과 안전성을 평가하는 데 도움이 되며 합성 데이터를 사용하여 다양한 환자군을 시뮬레이션하여 신약 효과를 모델링

○ (요구사항) 헬스케어 업계가 활용하는 AI와 ML 알고리즘은 임상 시험을 통한 검증이 필요

   - 이식형 기기 또는 진단 장비와 같은 의료기기 제조업체는 제품 개발 및 규제 승인의 일환으로 합성 데이터를 사용하여 가상 임상 시험 시행

   - 합성 데이터는 실제 환자를 참여시키지 않고 성능과 안전성을 평가하여 의료기기와 환자 간 상호작용을 모방

   - 가상 임상 시험은 실제 배포 전 통제된 환경에서 AI 솔루션의 정확성, 효과 및 안전성을 검증하는 데 도움

○ (기업) 현실적이고 다양한 환자 합성 데이터를 생성하기 위해 Gen AI 기법을 포함한 도구 및 전문 지식을 습득하거나 개발하기 위해 자원 할당 필요

   - 데이터 과학자, AI 엔지니어 및 도메인 전문가에 대한 투자 필요

   - 의료 및 연구 기관과 협력하여 가상 임상 시험 및 파일럿 연구 수행을 통한 Gen AI 모델의 효과와 신뢰성 검증 요구

   - 민감한 환자 정보를 보호하기 위해 엄격한 데이터 개인 정보 보호 및 보안 조치를 수립하고 Gen AI 모델과 데이터 생성 프로세스가 지역 AI 규정을 준수하는지 확인 필요

   - (Syntegra) Janssen 및 국립 보건원과 협력하여 가상 임상 시험을 위한 합성 데이터 제공

 

[그림 8] 가상 임상 시험을 위한 합성 데이터 생성 성장 기회 분석

 

 

3) Gen AI 구현을 위한 의료 상호 운용성

 

□ 민간 기업과 공공 기관은 의료 상호 운용성을 용이하게 하기 위해 하이브리드 클라우드(HCC) 솔루션 구현

○ (기술) 프라이빗 클라우드와 퍼블릭 클라우드의 조합으로 데이터 보안, 규정 준수 및 확장성 요구 사항에 집중하면서 두 가지 이점을 모두 활용 가능

   - 의료 시스템을 위하여 유연성이 높고 확장 가능한 인프라를 제공하여 상호 운용성 증가

   - 서로 다른 플랫폼, 애플리케이션 및 의료 공급자 간 원활한 데이터 교환 및 통합 가능

   - HCC 확장성, 보안 및 유연성이 상호 운용성과 결합되면 환자 진료 및 데이터 보호의 최고 수준을 유지하면서 Gen AI 활용 가능

○ (기업) 정보 기술 인프라를 평가하고 데이터 스토리지, 처리기능, 보안 프로토콜 및 규정 준수 등을 포함한 상호 운용성에 대한 특정 요구사항을 결정 필요

   - 의료 기관은 인프라를 평가하고 하이브리드 클라우드 솔루션을 통합하여 다른 시스템과 공급자간 환자 데이터를 안전하게 교환해야 할 필요성 확인

   - HCC 채택 및 구현을 위한 전략 수립, 프라이빗 및 퍼블릭 클라우드 역할 정의, 데이터 배치 및 마이그레이션 전략을 결정하는데 클라우드 서비스 공급자의 선택이 필요

   - 강력한 보안 조치, 데이터 암호화, 액세스 제어, 개인정보보호 규정(GDPR) 및 의료정보보호법(HIPAA)과 같은 의료 규정 준수 등 데이터 거버넌스 및 보안이 최우선

 

[그림 9] Gen AI 구현을 위한 의료 상호 운용성 성장 기회 분석