이러한 모델링 및 시뮬레이션 기반 AI 기술을 통해 바이오·의료 산업의 엔지니어는 사전 프로그래밍 지식이 부족하더라도 AI 시스템의 복합적인 요소를 손쉽게 설계 및 구현하고 시스템의 업계 표준 준수여부 검증을 간소화할 수 있다.

 

예를 들어, 모델링 및 시뮬레이션 기술은 신약 개발 시 유전체, 장기, 약물 전달 경로 및 타깃 수용체, 약의 배합 및 효능 등 다양한 요소를 고려한 신속한 데이터 분석 알고리즘을 개발하도록 지원한다.

 

뇌 자기공명영상법(MRI), 뇌자기도(MEG) 같은 신경 과학 데이터의 경우, 분석 알고리즘 및 웨이블릿(심장 박동수와 같은 진동 데이터에서 특징을 도출하는 수학적 방법) 기법은 뇌 활동을 분석하는 머신러닝 훈련에 필요한 다양한 특징을 신속하게 추출해낸다.

 

특히, 모델링 및 시뮬레이션 기술로 개발한 AI는 환자의 머릿 속의 생각이나 뇌의 전자기적 신호, 장기의 작동과 같이 정량화하기 어려운 데이터를 고도화된 기법으로 분석하여 현실의 의료 솔루션에 반영할 수 있다.

 

소아 폐렴진단 스마트자켓을 개발한 우간다의 ‘마마-오페(Mama-Ope)’는 폐렴 증상을 나타내는 폐소리 데이터를 검출해내는 데 신호처리 알고리즘을 사용했으며, 해당 데이터로 폐렴을 진단하는 머신러닝 모델을 개발해 모바일 앱에 적용했다.

우간다의 병원과 학교에서 진단 받는 유아는 스마트자켓을 약 3분 동안만 착용하면, 스마트자켓에 부착된 마이크로 수집된 폐소리 데이터가 연동된 모바일 앱에서 분석되며 의료진에게 진단 결과를 자동으로 알려준다.

유니세프에 따르면, 과학적인 폐렴 증상 신호 정보를 기반으로 한 마마-오페의 소아 폐렴 진단 기술은 향후 지역사회에 확대돼 열악한 의료환경에 기인한 오진 및 소아 사망률 해결에 크게 기여할 것으로 기대된다.

 

텍사스 오스틴대의 연구진은 루게릭병 환자의 머릿 속 발화 구문 5가지를 약 96%의 정확도로 분류해내는 모델을 개발하는 데 성공했다.

뇌 활동에 의해 생성되는 전기적 신호에 따른 전자기적 활동을 감지하는 뇌자기도(MEG) 기법을 통해 환자가 머릿 속으로 어떤 구문을 말하는 것을 상상했을 때 나타나는 뇌의 특정 신호 진동을 유형별로 구분해 특징을 추출, 해당 특징을 기반으로 AI 모델을 학습시켰다.

이후, MEG 신호 데이터를 컨벌루션 신경망에 입력해 시간의 흐름에 따른 MEG 신호 특징을 확보함으로써 분류 정확도를 향상시켰다.

향후에는 환자가 상상만으로도 보다 많은 발화구문을 다른 사람들과 원활하게 소통할 수 있도록 지원하는 브레인-컴퓨터 인터페이스(brain-computer interface)를 개발할 계획이다. 

 

연세대학교와 세브란스병원 연구팀은 숙련된 전문의와 비교해도 손색 없을 정도의 고정확도를갖춘 ‘갑상선 악성 종양 초음파 영상 진단’ 모델을 개발했다.

1만3000여 장의 초음파 영상 이미지의 텍스춰(texture)를 분석하고 유의미한 특징을 활용해 건강한 상태와는 다른 이상을 감지하는 진단 모델을 구축, 모바일 앱에 배포했다.

의료진은 딥러닝 진단 모델이 구현된 모바일 앱을 통해 환자의 초음파 영상을 서버로 전송한 뒤 진단 결과를 확인할 수 있다.

 

글로벌 컨설팅 업체 딜로이트(Deloitte)의 코로나19 사태 이후 글로벌 헬스케어 도전과제 분석에 따르면, 대면 상담 및 진찰 축소 현상으로 인해 만성질환 및 암 질병 관리가 제대로 되고 있지 않다고 한다.

현재 코로나19 백신접종 및 치료로 인해 기존 인프라가 환자들을 수용하기 어렵다면, 비대면 의료를 통해 만성질환을 포함한 중대질병을 각별히 케어해야 한다.

그러나 이러한 각종 질병을 원격에서 진단 및 치료할 수 있으려면 복잡하고 방대한 생체 데이터 기반으로 정밀하게 작동하는 의료 기기와 AI 알고리즘이 필요하다.

기존 의료산업의 다양한 기능을 모델과 모델 간 상호 연결로 구현하고, 이에 대한 제어 역할 인공지능(AI) 알고리즘을 손쉽게 개발토록 지원하는 모델링 및 시뮬레이션 기술이 의료 부문의 장기적인 도전 과제를 해결할 것이다.