의료 인공지능 SW 기술 개발 동향 보고서

의료 인공지능 SW 기술 개발 동향 보고서

목차

1.      의료 AI 진단 및 예측 모델 개발

2.      의료 데이터 AI 분석 및 의료용 에이전트 개발

3.      의료용 온디바이스(On-Device) AI 엔진 개발

1. 의료 AI 진단 및 예측 모델 개발

의료 분야에서는 딥러닝을 비롯한 인공지능(AI) 기술을 활용하여 다양한 질환에 대한 진단 및 위험 예측 모델이 개발되고 있습니다. 최근 연구에 따르면 의료 영상, 전자건강기록(EHR), 유전체 등 방대한 의료 데이터를 학습한 AI 모델이 전문의에 필적하는 정확도로 질환을 찾아내거나 향후 발생 위험을 예측하는 사례가 다수 보고되고 있습니다[1][2]. 여기서는 대표적인 질환별 AI 진단/예측 모델 사례와 사용된 기술 요소, 학습 데이터 및 성능 지표, 상용화된 제품 등을 정리합니다.

• 의료영상 기반 진단: 흉부 X-ray, CT, 피부병변 이미지 등에서 합성곱신경망(CNN)을 활용한 진단 모델이 개발되어 높은 정확도를 보입니다. 예를 들어 폐 질환 진단의 경우, 국내 기업 Lunit의 INSIGHT CXR 모델은 350만 장 이상의 흉부 X-ray 데이터를 학습하여 10가지 주요 소견을 97~99% 정확도로 탐지하며 FDA 인허가를 받았습니다[2]. 피부암 분야에서도 Stanford 대학의 CNN 모델이 피부 병변 이미지를 분류해 피부과 전문의 수준의 성능을 보인 바 있습니다 (Esteva 등, Nature 2017). 안과 영역에서는 구글 DeepMind가 개발한 망막 이미지 분석 AI가 당뇨망막병증을 전문의와 맞먹는 정확도로 검출하여 조기 치료에 활용되고 있습니다[3]. 이처럼 영상 분야에서는 주로 CNN 기반 딥러닝이 인간 전문가 수준의 진단 보조를 실현하고 있습니다.
• 신호 및 임상데이터 기반 예측: 심혈관 질환이나 중환자 상태 예측 등에는 시계열 임상 데이터를 활용한 순환신경망(RNN), 트랜스포머 등이 도입되고 있습니다. 예를 들어 패혈증 예측 모델인 Duke 대학의 Sepsis Watch는 입원 환자의 실시간 EHR 데이터를 딥러닝 RNN으로 분석하여 환자의 패혈증 발생을 미리 경고하는데, 평균 5시간 이전에 위험을 감지하여 조기치료로 환자 생존률 향상에 기여하였습니다[4]. 또한 심장질환 위험 예측에 전통적으로 사용되던 통계 모델(예: Framingham Risk Score)에 더해, 다변량 EHR 데이터를 학습한 ML/딥러닝 모델이 개인별 위험도를 세밀하게 예측하는 연구들이 나타나고 있습니다[5]. 뇌전증 발작, 신장 질환 진행 등 시간에 따른 변화 예측에도 RNN/LSTM이 활용되어, 연속적인 생체신호 및 검사 수치 패턴에서 위험징후를 조기에 포착하는 사례가 보고됩니다.
• 다중 질환 동시 예측: 최신 연구에서는 한 모델이 여러 질병을 한꺼번에 예측하는 범용 진단 모델도 시도되고 있습니다. 2025년 Nature에 발표된 Delphi-2M 모델은 OpenAI의 GPT-2 기반 대형 언어모델(LLM) 구조를 의료 데이터에 적용하여, 영국 Biobank의 40만명 EHR 기록을 학습함으로써 1,231개 질병의 20년 내 발생 확률을 동시에 예측했습니다[6][7]. 이 모델은 평균 AUC 0.76의 예측 정확도를 보였으며, 특히 심근경색, 제2형 당뇨병, 패혈증 등 진행 경로가 명확한 질환에서는 더욱 높은 정확도를 나타냈습니다[7]. 기존에 개별 질환별로 수십 개 모델이 필요했던 한계를 넘어, 단일 모델로 포괄적 건강예측이 가능한 패러다임을 제시한 사례입니다.

以上와 같이 의료 AI 진단/예측 모델 개발 영역에서는 영상 진단 AI, 임상데이터 예측 AI 등 분야별로 딥러닝 기술이 활발히 적용되고 있습니다. 모델 성능은 일반적으로 정확도(Accuracy), 민감도(재현율, Sensitivity), 특이도(Specificity), AUC (곡선하면적) 등의 지표로 평가되며, 많은 연구에서 딥러닝 모델이 기존 통계기법 대비 높은 성능을 입증하고 있습니다[8]. 나아가 이러한 기술들이 실제 의료현장에 도입되어 상용 제품으로도 등장하고 있는데, 예를 들어 IDx-DR(당뇨망막병증 판독 AI), Viz.ai(뇌졸중 CT 분석 AI), Arterys(심장 MRI 분석 플랫폼) 등이 미국 FDA 승인을 받아 의료진단에 활용되고 있습니다. 또한 앞서 언급한 Lunit 같은 기업의 제품은 국내외 병원에서 수백만 건의 영상 판독에 쓰이는 등 상용화 단계에 진입하고 있습니다[9][2].

2. 의료 데이터 AI 분석 및 의료용 에이전트 개발

의료 현장에서는 방대한 의료 데이터를 효율적으로 분석하고, 환자와 의료진을 지원하는 지능형 에이전트(AI Agent) 기술 개발이 진행되고 있습니다. 병원의 전자 의무기록(EMR) 데이터, 의료 영상, 생체 신호, 유전체 정보 등 다양한 데이터 유형별로 특화된 AI 분석 사례가 나오고 있으며, 자연어 처리(NLP)를 이용한 임상 문서 자동화와 대화형 상담 AI, 환자 모니터링 에이전트 등이 대표적입니다. 아래에 구체적인 사례와 기술 요소를 정리합니다.

• 임상 데이터 통합 분석: EHR 및 다중 데이터를 결합해 임상 의사결정을 돕는 AI가 개발되고 있습니다. 예를 들어 미국 Duke Health의 Sepsis Watch는 환자의 실시간 EHR 스트림을 딥러닝으로 분석하여 패혈증 고위험 환자를 모니터링하는 조기 경보 시스템입니다. 이 시스템은 딥러닝 모델과 임상의 워크플로우를 연계하여, Duke 병원에서 가동 후 3시간 내 패혈증 처치율을 2배로 향상시켰습니다[10][11]. 또한 Epic 같은 병원정보시스템에는 통합 데이터에서 패턴을 찾아내는 내장 AI 모듈이 도입되어, 입원환자 급성 악화(Early Warning Score) 알림 등 CDS(임상 의사결정 지원) 기능을 제공하고 있습니다.
• NLP 기반 문서 요약 및 음성 비서: 의무기록 작성 등 의료 문서 작업을 자동화하기 위해 자연어 처리 기술이 활용되고 있습니다. 국내 사례로, 서울아산병원은 진료실에서 의사-환자 대화를 실시간 음성인식으로 받아쓰고 요약해 EMR에 자동 저장하는 AI 시스템을 구축했습니다. 이 시스템은 대규모 언어모델(LLM) 기반으로 음성을 문자로 변환한 뒤 주요 증상, 질병분류, 대화 요약까지 수행하며, 병원 정보시스템과 연동되어 기록을 자동 완성합니다[12]. 이를 통해 의사는 진료에 집중하면서 동시에 정확한 기록을 확보할 수 있어 업무 효율과 환자 소통을 개선했습니다. 이처럼 음성 비서형 AI는 임상 현장의 대화 내용을 분석·요약하거나, 의사의 음성 명령에 따라 정보 조회를 수행하는 등 활용이 확대되고 있습니다.
• 의료 상담 챗봇 및 가상 에이전트: 환자의 증상 문의나 건강 상담을 자동 처리하는 AI 챗봇도 보편화되고 있습니다. Ada와 Babylon은 대표적인 의료 챗봇으로, 사용자가 증상을 입력하면 대규모 의료 지식 데이터베이스와 비교해 가능성 있는 질환과 조치를 안내합니다. Ada는 이미 1300만 명 이상이 사용하는 인기 증상체크 앱으로, 입력된 증상을 데이터베이스와 대조하여 건강 평가 결과를 제공하고 필요 시 의사와의 공유도 가능합니다[13]. Babylon은 AI를 활용한 원격 의료상담 서비스로, 증상 질의에 대한 대화형 진단을 제공한 후 상황에 따라 의사와의 화상 진료로 연계합니다[14]. 이러한 챗봇은 경증 환자의 1차 상담이나 자가 진단에 활용되며, 영국 NHS같은 기관에서도 triage 목적으로 시험된 바 있습니다. 이외에도 Florence, 심ptomate 등 약 복용 리마인더나 생활관리 보조 봇, 정신건강 상담용 Woebot 등 특화 챗봇들이 등장하여 의료 서비스를 보조하고 있습니다[15][16].
• 환자 모니터링 에이전트: 병원 내외에서 환자 상태를 지속 관찰하고 이상을 감지하는 AI 에이전트 기술도 발전하고 있습니다. 병원 중환자실에서는 카메라 영상과 생체신호를 AI가 실시간 분석하여 환자의 움직임, 안면 변화로 고통 지수를 추정하거나, 활력징후 패턴으로 심정지 위험을 조기에 경고하는 연구가 진행되고 있습니다. 가정에서는 웨어러블 디바이스와 연계한 원격 모니터링이 확대되어, 예를 들어 스마트워치의 심박센서 데이터로 부정맥을 탐지하면 즉시 사용자에게 경고하고 의사에게 데이터를 전송하는 식입니다. 실제로 Apple Watch는 불규칙 맥박 알림 기능을 통해 심방세동을 조기에 발견하여 여러 생명을 구한 사례들이 보고되었고, 해당 알고리즘은 임상시험에서 민감도 94.8%, 특이도 95%의 높은 정확도를 입증했습니다[17][18]. 만성질환 관리 플랫폼들도 환자 모니터링에 AI를 활용하고 있습니다. 예를 들어 당뇨 관리 서비스 Livongo는 환자의 혈당측정기 및 생활 데이터들을 실시간 수집하여 머신러닝으로 패턴을 분석한 뒤, 개인별 맞춤 조언이나 위험 경고를 제공합니다[19]. 이러한 AI 에이전트들은 원격환자모니터링(RPM)과 연계되어 환자의 치료 순응도 관리(복약 알람, 복용 확인)부터 응급상황 알림, 생활습관 코칭까지 광범위하게 활용되며, 의료진의 업무 부담을 줄이고 환자에게 상시 케어를 제공하는 방향으로 발전하고 있습니다.

3. 의료용 온디바이스 AI 엔진 개발

온디바이스(On-Device) AI란 병원 서버나 클라우드가 아닌 모바일 기기, 웨어러블, IoT 의료기기 내부에서 직접 AI 모델을 구동하는 기술을 말합니다. 의료 환경에서는 인터넷 연결이 불안정한 지역에서의 현장 진단, 실시간 응답이 필요한 생체신호 감지 등 때문에 경량화된 AI 엔진을 디바이스에 내장하는 수요가 증가하고 있습니다. 온디바이스 AI를 구현하기 위한 모델 최적화 기술과 소프트웨어 아키텍처, 성능 사례를 살펴보겠습니다.

• 경량화 모델 설계 및 압축: 모바일/웨어러블 기기의 제한된 연산 성능과 저장공간을 고려하여, AI 모델을 소형화하는 다양한 기법이 활용됩니다. 대표적으로 모델 프루닝(pruning) – 중요도가 낮은 뉴런/가중치를 제거하여 모델 크기를 줄이는 기법, 양자화(quantization) – 32비트 부동소수점을 8비트 정수 등 저정밀도로 변환하여 메모리 사용을 감소시키는 기법 등이 있습니다. 또한 지식 증류(distillation)를 통해 큰 모델의 지능을 작은 모델에 이식하거나, 경량 모델 아키텍처(예: MobileNet, SqueezeNet 등)를 처음부터 설계하기도 합니다[20][21]. 한 사례로 심방세동(AF) 웨어러블 모니터링을 위한 압축 딥러닝 모델 연구에서는, 채널 어텐션 메커니즘을 도입해 중요 특징만 추출하도록 모델을 경량화한 결과 모델 파라미터 수, 파일 크기를 크게 감소시키면서 검출 정확도 저하를 최소화(일부 경우 오히려 향상)할 수 있음을 보였습니다[21]. 이처럼 최적화된 경량 모델은 웨어러블 기기 상에서 원시 신호를 실시간 처리하면서도 배터리 소모나 연산 지연을 줄이는 데 필수적입니다.
• 실시간 추론을 위한 소프트웨어 최적화: 제한된 하드웨어에서 AI 모델을 실시간(in real-time)으로 동작시키려면, 하드웨어 가속 및 저수준 최적화가 중요합니다. 이를 위해 모바일 AI 프레임워크인 TensorFlow Lite, Core ML, PyTorch Mobile 등이 활용되며, 각 기기 칩셋의 GPU, DSP, NPU를 활용하는 최적화 엔진이 제공됩니다. 예를 들어 엔비디아(NVIDIA)는 엣지 AI 장비용 가속 라이브러리 TensorRT를 통해 모델 연산을 최적화합니다. 앞서 소개한 Lunit의 AI 소프트웨어는 훈련된 모델을 NVIDIA Jetson 임베디드 GPU 플랫폼에 탑재하여 의료영상 기기 내부에서 바로 추론이 가능하도록 했는데, 이때 TensorRT 최적화를 거쳐 딥러닝 추론 성능을 극대화했습니다[22]. 이 솔루션은 병원 내 엑스레이 장비 등에 내장되어 네트워크 지연 없이 즉시 영상을 판독하고 이상 소견을 표시할 수 있습니다. 이러한 엣지 컴퓨팅 기반 AI 아키텍처는 응답 시간이 중요하거나 데이터 보안상 클라우드 업로드가 어려운 의료 현장에서 각광받고 있습니다.
• 온디바이스 AI 적용 사례: 다양한 의료기기에 경량 AI가 심어져 현장 진단을 구현하고 있습니다. 예를 들어 휴대용 X-ray 장치에 양자화된 생성 모델을 내장하여 영상 획득과 동시에 화질 향상 및 노이즈 제거를 실시간 수행함으로써, 방사선과 전문의가 부족한 환경에서도 신속하고 정확한 판독을 지원하는 시도가 있습니다[23][24]. 모바일 초음파 기기의 경우 AI가 실시간으로 스캔 영상을 분석해 장기나 병변을 자동으로 식별하거나, 최적의 스캔 각도를 안내하는 기능이 탑재되고 있습니다. 스마트폰 기반 진단 앱들도 온디바이스 AI를 활용하는데, 예를 들어 카메라 영상으로 빈혈 여부를 판단하거나 피부병 변을 분류하는 모델을 폰에서 직접 돌려 인터넷 없이도 바로 결과를 얻는 솔루션들이 연구되고 있습니다. 웨어러블 기기는 온디바이스 AI의 핵심 분야로, 앞서 언급한 Apple Watch는 내장된 CNN 알고리즘으로 심박 데이터의 이상 패턴을 감지하고 즉각 사용자에게 알립니다[18]. 이처럼 디바이스 현장에서 돌아가는 AI 엔진은 수毫초 단위의 짧은 지연과 낮은 전력으로 동작해야 하기 때문에, 경량화·최적화 기술, 전용 하드웨어 사용, 효율적인 메모리 관리 등이 총합적으로 적용되고 있습니다.

마지막으로, 온디바이스 의료 AI 엔진의 성능을 평가할 때는 추론 속도(latency), 처리량(thROUGHPut), 전력소모, 그리고 임상 정확도 유지 여부가 주요 지표입니다. 예컨대 웨어러블의 부정맥 검출 AI라면 맥박 이벤트 발생 후 수 초 이내에 이상을 감지해내는지, 모바일 영상분석 AI는 병변을 실시간 프레임율로 잡아내는지 등이 중요합니다. 또한 경량화로 인해 정확도가 떨어지지 않는지를 검증해야 합니다[25]. 다행히도 최신 연구들은 4~8비트 양자화나 70~90% 가중치 프루닝을 거쳐도 정확도 감소를 최소화하거나 보정 기법으로 상쇄할 수 있음을 보여주고 있어, 가까운 미래에는 더 많은 의료 AI가 클라우드가 아닌 현장의 디바이스 속에서 원활히 구동되어 실시간으로 환자에게 도움을 줄 것으로 기대됩니다.

참고문헌 및 출처: 본 보고서의 내용은 최신 연구 논문[8][21], 병원 보도자료[12], 기업 기술 백서 및 뉴스 기사[2][7] 등을 기반으로 작성되었습니다. 각 주제별 상세 출처는 본문 각주를 통해 확인할 수 있습니다.

---

[1] [3] [5] [8] [19] Unveiling the potential of artificial intelligence in revolutionizing disease diagnosis and prediction: a comprehensive review of machine learning and deep learning approaches | European Journal of Medical Research | Full Text

https://eurjmedres.biomedcentral.com/articles/10.1186/s40001-025-02680-7

[2] [9] [22] Lunit, Maker of FDA-Cleared AI for Cancer Analysis, Goes Public | NVIDIA Blog

https://blogs.nvidia.com/blog/lunit-healthcare-ai-ipo/

[4] [10] [11] Sepsis Watch™: the implementation of a Duke-specific early warning system for sepsis - Duke Institute for Health Innovation

https://dihi.org/project/sepsiswatch/

[6] [7] 1000가지 이상 질환 예측하는 의료AI 모델 나왔다[AI헬스케어] - 팜이데일리

https://pharm.edaily.co.kr/News/Read?newsId=01138166642302416

[12]  의료진·환자 대화 요약해 의무기록 자동 저장… 국내 최초 AI 음성인식 시스템 구축 | 의료 | 뉴스 | 서울아산병원 뉴스룸

https://news.amc.seoul.kr/news/con/detail.do?cntId=10524

[13] [14] [15] [16] Table 1, Examples of 10 Health Care Chatbots - Chatbots in Health Care: Connecting Patients to Information - NCBI Bookshelf

https://www.ncbi.nlm.nih.gov/books/NBK602381/table/t01/

[17]  Diagnostic Accuracy of Apple Watch Electrocardiogram for Atrial Fibrillation: A Systematic Review and Meta-Analysis - PMC

https://pmc.ncbi.nlm.nih.gov/articles/PMC11780081/

[18] accessdata.fda.gov

https://www.accessdata.fda.gov/cdrh_docs/pdf21/K213971.pdf

[20] [21] [25] Compressed Deep Learning Models for Wearable Atrial Fibrillation Detection through Attention

https://www.mdpi.com/1424-8220/24/15/4787

[23] [24] Mastering Generative AI with Model Quantization

https://www.analyticsvidhya.com/blog/2023/11/generative-ai-with-model-quantization/