1
00:00:01,280 --> 00:00:05,136
오늘날 컴퓨터 알고리즘의
기능은 정말 놀랍습니다.

2
00:00:05,160 --> 00:00:09,896
인간의 지능과 비슷하지만,
아주 엄청난 양을 정확하게 처리하죠.

3
00:00:09,920 --> 00:00:13,856
이런 컴퓨터의 지능을 흔히 AI 또는

4
00:00:13,880 --> 00:00:15,736
인공지능이라고 하죠.

5
00:00:15,760 --> 00:00:19,960
인공지능은 이미 우리의 미래에
엄청난 영향을 줄 힘을 가지고 있습니다.

6
00:00:20,880 --> 00:00:24,816
하지만, 오늘날 우리는 여전히
생명을 위협하는 질병들을

7
00:00:24,840 --> 00:00:28,336
발견하고 진단하는 데
많은 어려움을 겪고 있습니다.

8
00:00:28,360 --> 00:00:30,720
암이나 감염성 질병 같은 것들이죠.

9
00:00:32,000 --> 00:00:34,296
매년 수 천명의 환자들이

10
00:00:34,320 --> 00:00:37,120
간암과 구강암으로 생명을 잃습니다.

11
00:00:37,880 --> 00:00:40,576
이런 환자들을 도울 수 있는


12
00:00:40,600 --> 00:00:44,920
최선의 방법은 바로
질병의 조기 발견과 진단이죠.

13
00:00:45,880 --> 00:00:50,040
오늘날 어떤 식으로 질병이 발견되고,
인공지능은 어떤 도움을 주는지 알아볼까요?

14
00:00:51,920 --> 00:00:55,576
안타깝게도, 이런 질병에
감염된 것으로 의심되는 환자들에게,

15
00:00:55,600 --> 00:00:58,256
전문의들은 우선

16
00:00:58,280 --> 00:01:00,896
값비싼 의료영상기술을 사용합니다.

17
00:01:00,920 --> 00:01:05,016
형광영상법, CT, MRI 등이죠.

18
00:01:05,040 --> 00:01:07,336
수집된 영상들을

19
00:01:07,360 --> 00:01:11,880
또 다른 전문의가 판독하고
환자에게 소견을 보냅니다.

20
00:01:12,520 --> 00:01:15,976
보다시피,
아주 소모가 심한 과정입니다.

21
00:01:16,000 --> 00:01:20,416
전문의 둘에, 값비싼
의료영상기술까지 갖춰야 하니까

22
00:01:20,440 --> 00:01:23,536
개발 도상국들에게
실용적인 방법이 아니죠.

23
00:01:23,560 --> 00:01:26,920
사실, 여러 선진국들의
사정도 마찬가지입니다.

24
00:01:27,760 --> 00:01:30,640
그럼, 인공지능을 이용해
이 문제를 해결할 수 있을까요?

25
00:01:31,840 --> 00:01:35,896
오늘날,
제가 이 문제의 해결을 위해

26
00:01:35,920 --> 00:01:37,136
기존의 인공지능구조를 이용한다면,

27
00:01:37,160 --> 00:01:38,616
만장이 필요합니다.

28
00:01:38,640 --> 00:01:42,656
다시 말해, 만장의 값비싼 의료영상을

29
00:01:42,680 --> 00:01:44,056
먼저 찍어야만 합니다.

30
00:01:44,080 --> 00:01:46,976
그 다음에, 그 영상들을 분석해 줄

31
00:01:47,000 --> 00:01:49,496
전문의를 찾아가야 겠죠.

32
00:01:49,520 --> 00:01:51,616
그리고, 그 두 종류의 정보를 가지고

33
00:01:51,640 --> 00:01:55,296
표준화된 심층 신경망 또는
심층 학습망을 이용해

34
00:01:55,320 --> 00:01:57,456
환자들에게 진단을 내립니다.

35
00:01:57,480 --> 00:01:59,216
첫 번째 방식과 유사하게,

36
00:01:59,240 --> 00:02:01,383
기존의 인공지능은 같은 문제로

37
00:02:01,407 --> 00:02:02,856
어려움을 겪고 있습니다.

38
00:02:02,880 --> 00:02:07,440
방대한 자료, 전문의, 특수 의료영상기술
등이 필요하기 때문이죠.

39
00:02:08,320 --> 00:02:12,616
그렇다면, 더 확장성이 높고,

40
00:02:12,640 --> 00:02:15,936
효율적인 인공지능 구조를 만든다면,

41
00:02:15,960 --> 00:02:19,016
오늘날 우리에게 당면한
중대한 과제들을 해결할 수 있을까요?

42
00:02:19,040 --> 00:02:22,336
이것이 바로 MIT 미디어 연구소에서
저희 팀이 하고 있는 일입니다.

43
00:02:22,360 --> 00:02:26,216
다양한 대체 인공지능 구조를
만들고 있죠.

44
00:02:26,240 --> 00:02:29,416
의료영상과 임상시험 분야에서의

45
00:02:29,440 --> 00:02:31,640
중대한 과제들을 해결하기 위해서죠.

46
00:02:32,480 --> 00:02:35,536
오늘 예로 든 것에서,
저희는 두 가지 목표를 정했습니다.

47
00:02:35,560 --> 00:02:38,536
첫째, 인공지능 알고리즘의
학습에 필요한

48
00:02:38,560 --> 00:02:41,816
영상의 수를 줄이는 것이었습니다.

49
00:02:41,840 --> 00:02:43,936
둘째, 저희가 좀 더 욕심을 낸 것인데

50
00:02:43,960 --> 00:02:47,696
환자들을 선별하는
값비싼 의료영상기술의 사용을

51
00:02:47,720 --> 00:02:48,936
줄이는 것이었죠.

52
00:02:48,960 --> 00:02:50,160
과연 어떻게 됐을까요?

53
00:02:50,920 --> 00:02:52,136
첫 번째 목표를 위해,

54
00:02:52,160 --> 00:02:54,216
기존의 인공지능과 같이

55
00:02:54,240 --> 00:02:57,256
아주 많은 비용을 들여
촬영하는 영상 수 천장을 대신해,

56
00:02:57,280 --> 00:02:59,336
단 한 장으로 시작했습니다.

57
00:02:59,360 --> 00:03:03,136
동료들과 함께 그 영상에서
수 억개의 정보 패킷을

58
00:03:03,160 --> 00:03:05,896
추출할 수 있는
아주 기발한 방법을 찾아냈죠.

59
00:03:05,920 --> 00:03:09,616
이 정보 패킷들은 영상 속
질병의 색상, 화소, 기하학적 구조,

60
00:03:09,640 --> 00:03:12,176
렌더링 등이 포함되어 있습니다.

61
00:03:12,200 --> 00:03:16,536
즉, 하나의 영상을 수 십억개의
학습용 자료점으로 변환해,

62
00:03:16,560 --> 00:03:20,096
학습에 필요한 자료의 양을
현저히 줄이는 것이죠.

63
00:03:20,120 --> 00:03:21,336
두 번째 목표를 위해서는

64
00:03:21,360 --> 00:03:25,216
환자의 선별에 쓰이는
의료영상기술의 사용을 줄이기 위해,

65
00:03:25,240 --> 00:03:28,096
일반적인 백색광 사진을
사용하기 시작했습니다.

66
00:03:28,120 --> 00:03:32,456
DSLR 사진기나
휴대전화에서도 가능한 것이죠.

67
00:03:32,480 --> 00:03:34,936
수 십억개의 정보 패킷 기억하시죠?

68
00:03:34,960 --> 00:03:38,496
의료영상에서 빼낸 정보들을
바로 이 영상 위에 입혀

69
00:03:38,520 --> 00:03:41,040
합성하는 거죠.

70
00:03:41,480 --> 00:03:44,776
놀랍게도, 저희는 단 50장,

71
00:03:44,800 --> 00:03:46,136
한번 더 말하죠, 단 50장입니다.

72
00:03:46,160 --> 00:03:50,000
알고리즘의 학습이
단 50장의 영상으로 가능했던 것입니다.

73
00:03:50,680 --> 00:03:52,016
그 방식을 요약해 보면,

74
00:03:52,040 --> 00:03:55,216
만장이나 되는
아주 값비싼 의료영상을 대신해,

75
00:03:55,240 --> 00:03:58,256
이제는 색다른 방식으로
인공지능의 학습이 가능하게 된 것이죠.

76
00:03:58,280 --> 00:04:02,536
일반적인 DSLR 사진기나 휴대전화를
이용해 얻을 수 있는

77
00:04:02,560 --> 00:04:05,056
단 50장의 고화질 영상으로

78
00:04:05,080 --> 00:04:06,616
진단까지 가능해 진 것입니다.

79
00:04:06,640 --> 00:04:07,856
더 중요하게

80
00:04:07,880 --> 00:04:11,016
저희 알고리즘은 앞으로,
심지어 지금 당장이라도

81
00:04:11,040 --> 00:04:13,856
환자들이 제공하는 간단한
백색광 사진을 이용할 수 있습니다.

82
00:04:13,880 --> 00:04:16,320
고가의 의료영상기술을
대신해서 말이죠.

83
00:04:17,120 --> 00:04:20,216
저는 인공지능이 우리의 미래에

84
00:04:20,240 --> 00:04:22,176
엄청난 영향을 줄

85
00:04:22,200 --> 00:04:24,736
시대의 문턱에
이미 와 있다고 믿습니다.

86
00:04:24,760 --> 00:04:27,216
기존의 인공지능은

87
00:04:27,240 --> 00:04:30,016
자료는 방대하지만
활용도가 낮기 때문에,

88
00:04:30,040 --> 00:04:31,576
소량의 자료만으로도

89
00:04:31,600 --> 00:04:34,616
우리에게 당면한 중대한 과제들을
해결할 수 있는

90
00:04:34,640 --> 00:04:36,576
대체 인공지능 구조를

91
00:04:36,600 --> 00:04:39,536
계속 연구해야 한다고 생각합니다.

92
00:04:39,560 --> 00:04:40,816
특히 의료와 관련해서 말이죠.

93
00:04:40,840 --> 00:04:42,056
감사합니다.

94
00:04:42,080 --> 00:04:45,920
(박수)