오늘날 컴퓨터 알고리즘의
기능은 정말 놀랍습니다.
인간의 지능과 비슷하지만,
아주 엄청난 양을 정확하게 처리하죠.
이런 컴퓨터의 지능을 흔히 AI 또는
인공지능이라고 하죠.
인공지능은 이미 우리의 미래에
엄청난 영향을 줄 힘을 가지고 있습니다.
하지만, 오늘날 우리는 여전히
생명을 위협하는 질병들을
발견하고 진단하는 데
많은 어려움을 겪고 있습니다.
암이나 감염성 질병 같은 것들이죠.
매년 수 천명의 환자들이
간암과 구강암으로 생명을 잃습니다.
이런 환자들을 도울 수 있는
최선의 방법은 바로
질병의 조기 발견과 진단이죠.
오늘날 어떤 식으로 질병이 발견되고,
인공지능은 어떤 도움을 주는지 알아볼까요?
안타깝게도, 이런 질병에
감염된 것으로 의심되는 환자들에게,
전문의들은 우선
값비싼 의료영상기술을 사용합니다.
형광영상법, CT, MRI 등이죠.
수집된 영상들을
또 다른 전문의가 판독하고
환자에게 소견을 보냅니다.
보다시피,
아주 소모가 심한 과정입니다.
전문의 둘에, 값비싼
의료영상기술까지 갖춰야 하니까
개발 도상국들에게
실용적인 방법이 아니죠.
사실, 여러 선진국들의
사정도 마찬가지입니다.
그럼, 인공지능을 이용해
이 문제를 해결할 수 있을까요?
오늘날,
제가 이 문제의 해결을 위해
기존의 인공지능구조를 이용한다면,
만장이 필요합니다.
다시 말해, 만장의 값비싼 의료영상을
먼저 찍어야만 합니다.
그 다음에, 그 영상들을 분석해 줄
전문의를 찾아가야 겠죠.
그리고, 그 두 종류의 정보를 가지고
표준화된 심층 신경망 또는
심층 학습망을 이용해
환자들에게 진단을 내립니다.
첫 번째 방식과 유사하게,
기존의 인공지능은 같은 문제로
어려움을 겪고 있습니다.
방대한 자료, 전문의, 특수 의료영상기술
등이 필요하기 때문이죠.
그렇다면, 더 확장성이 높고,
효율적인 인공지능 구조를 만든다면,
오늘날 우리에게 당면한
중대한 과제들을 해결할 수 있을까요?
이것이 바로 MIT 미디어 연구소에서
저희 팀이 하고 있는 일입니다.
다양한 대체 인공지능 구조를
만들고 있죠.
의료영상과 임상시험 분야에서의
중대한 과제들을 해결하기 위해서죠.
오늘 예로 든 것에서,
저희는 두 가지 목표를 정했습니다.
첫째, 인공지능 알고리즘의
학습에 필요한
영상의 수를 줄이는 것이었습니다.
둘째, 저희가 좀 더 욕심을 낸 것인데
환자들을 선별하는
값비싼 의료영상기술의 사용을
줄이는 것이었죠.
과연 어떻게 됐을까요?
첫 번째 목표를 위해,
기존의 인공지능과 같이
아주 많은 비용을 들여
촬영하는 영상 수 천장을 대신해,
단 한 장으로 시작했습니다.
동료들과 함께 그 영상에서
수 억개의 정보 패킷을
추출할 수 있는
아주 기발한 방법을 찾아냈죠.
이 정보 패킷들은 영상 속
질병의 색상, 화소, 기하학적 구조,
렌더링 등이 포함되어 있습니다.
즉, 하나의 영상을 수 십억개의
학습용 자료점으로 변환해,
학습에 필요한 자료의 양을
현저히 줄이는 것이죠.
두 번째 목표를 위해서는
환자의 선별에 쓰이는
의료영상기술의 사용을 줄이기 위해,
일반적인 백색광 사진을
사용하기 시작했습니다.
DSLR 사진기나
휴대전화에서도 가능한 것이죠.
수 십억개의 정보 패킷 기억하시죠?
의료영상에서 빼낸 정보들을
바로 이 영상 위에 입혀
합성하는 거죠.
놀랍게도, 저희는 단 50장,
한번 더 말하죠, 단 50장입니다.
알고리즘의 학습이
단 50장의 영상으로 가능했던 것입니다.
그 방식을 요약해 보면,
만장이나 되는
아주 값비싼 의료영상을 대신해,
이제는 색다른 방식으로
인공지능의 학습이 가능하게 된 것이죠.
일반적인 DSLR 사진기나 휴대전화를
이용해 얻을 수 있는
단 50장의 고화질 영상으로
진단까지 가능해 진 것입니다.
더 중요하게
저희 알고리즘은 앞으로,
심지어 지금 당장이라도
환자들이 제공하는 간단한
백색광 사진을 이용할 수 있습니다.
고가의 의료영상기술을
대신해서 말이죠.
저는 인공지능이 우리의 미래에
엄청난 영향을 줄
시대의 문턱에
이미 와 있다고 믿습니다.
기존의 인공지능은
자료는 방대하지만
활용도가 낮기 때문에,
소량의 자료만으로도
우리에게 당면한 중대한 과제들을
해결할 수 있는
대체 인공지능 구조를
계속 연구해야 한다고 생각합니다.
특히 의료와 관련해서 말이죠.
감사합니다.
(박수)