AI가 의료 기관이 환자에게 서비스를 제공하는 방식을 혁신하는 세 가지 방법. ChatGPT와 같은 LLM이 도움이 될 수 있나요?

머신 러닝과 AI는 기능, 진단 등을 포함한 의료 치료를 변화시키고 있습니다. 한편 ChatGPT와 같은 대규모 언어 모델은 아직 초기 단계에 있습니다.

의료의 디지털화는 오랜 시간이 걸렸으며, 분명한 이유로 치유의 실천은 오래되고 세심하게 검증된 업무 방식과 연결되어 있습니다.

그러나 점점 더 다양한 형태의 인공지능이 병원에 침투하고 있습니다. 응용 분야에는 예측 분석, 스마트 보철물, 모바일 진단 및 뇌 임플란트가 포함됩니다. 또한 ChatGPT와 같은 대규모 언어 모델(LLM)의 출현으로 해당 기술이 오늘날 의료에 도움이 될 수 있는지 탐구합니다.

대부분의 작업이 파일럿 연구의 형태로 이루어지고 있지만 AI가 향후 수십 년 동안 의료 서비스 제공 방식을 형성하는 데 중요한 역할을 할 것이라는 점은 분명합니다.

AI 연구 및 교육 스타트업인 패스트(Fast)의 공동 창업자인 제레미 하워드(Jeremy Howard)는 “딥 러닝 AI는 수년간의 정말 힘든 작업 끝에 마침내 기술 인프라가 마련되고 훈련에 필요한 데이터가 제공되는 과정을 거쳤습니다.”라고 말했습니다. .ai는 딥러닝을 의학에 적용한 최초의 회사인 Enlitic의 창립자입니다.

그 모든 노력 끝에 Howard는 ZDNET과의 인터뷰에서 "앞으로 몇 년 안에 훨씬 더 많은 것을 보게 될 것이라고 기대해야 한다"고 말했습니다. 즉, 의학에 AI를 적용하는 것입니다.

현재 AI를 의학에 적용하는 최신 기술은 매우 잘 확립된 AI의 다양한 기계 학습 형태를 사용하는 소규모 연구로 구성됩니다. 이러한 프로그램은 수십 년에 걸쳐 그 가치가 입증되었습니다. 그들은 마침내 진료소로 옮겨져 실시간 뇌 활동 판독부터 전자 건강 기록에 이르기까지 다양한 데이터에 적용되고 있습니다.

OpenAI의 ChatGPT와 같은 새로운 종류의 기계 학습 AI에는 아직 갈 길이 멀습니다. 그 기술은 모든 관심을 끌고 있지만 병원의 민감한 영역에서 신뢰할 수 있기에는 너무 새로운 기술입니다.

이미 머신러닝의 사용은 참여 환자들에게 큰 변화를 가져왔습니다. 40세의 자전거 사고 피해자인 Gert-Jan Oskam은 다시 일어서고 걸을 수 있는 새로운 뇌-컴퓨터 인터페이스를 받았습니다. 그는 권위 있는 저널인 Nature에 이 장치가 "인생을 변화시키고 있다"고 말했습니다.

"지난주에 칠해야 할 일이 있었는데 도와줄 사람이 아무도 없었어요."라고 Oskam은 말했습니다. "그래서 보행기와 페인트를 들고 서서 직접 그렸습니다."

1. AI로 기능 복원

의료 분야에서 AI의 가장 극적인 초기 승리 중에는 심각한 부상을 입은 개인의 기능을 복원하기 위한 다양한 종류의 보철물을 사용한 성공(수는 여전히 적지만)이 있습니다.

Elon Musk는 제쳐두고, Musk가 임상 시험에 투입할 전설적인 "뇌-컴퓨터 인터페이스" 또는 BCI는 신중하게 개발된 AI의 기계 학습 형식을 사용하여 스탠포드 팀에 의해 이미 달성되었습니다.

Elon Musk가 선전한 전설적인 "뇌-컴퓨터 인터페이스"는 이미 현실이 되었습니다. 스위스의 연구원들은 뇌의 운동 영역과 척추의 "요추" 영역 사이에 "디지털 브리지"를 만들었습니다. 이 다리는 의도를 근육 자극으로 변환하여 다리가 자연스럽게 움직이도록 합니다.

스탠포드 기계공학과 연구원들이 개발한 "디지털 브리지"는 센서와 무선 기술을 사용하여 척추 손상 주위에 뇌 신호를 전달합니다. 이 장치는 10년 전 자전거 사고로 척수 부상을 입은 후 거의 걸을 수 없게 된 오스캄(Oskam)의 보행 능력을 회복시켜 줍니다.

연구원 Henri Lorach와 팀은 지난 5월 Nature에서 Oskam에 "뇌-척수 인터페이스"를 이식한 방법을 설명했습니다. 그는 보행기의 도움으로 몇 걸음을 걸을 수 있는 척수의 경막외 전기 자극 프로그램을 5개월간 진행한 후 다리 사용을 제한했습니다.

Lorach와 팀은 움직임을 제어하는 것으로 알려진 뇌의 양쪽 반구 부분 위에 각각 64개의 전극으로 구성된 두 개의 장치를 이식했습니다. 이러한 센서는 움직이려는 의도와 관련된 전기 코르티코그래프(ECoG)라고 알려진 신호를 수집했습니다. ECoG 신호는 환자가 착용한 3D 프린팅 헤드셋을 통해 무선으로 수집되었으며, 이 헤드셋은 USB 케이블을 통해 배낭에 착용된 "기지국" 컴퓨터에 연결되었습니다.

백팩 컴퓨터는 ECoG 패턴을 명령으로 해독한 다음 무선으로 척추의 "요추" 부위(허리뼈와 꼬리뼈를 생각해 보세요) 위에 이식된 제3의 장치로 전송됩니다. '펄스 발생기'라고 불리는 이 장치는 명령을 '의도된 움직임을 중재하는 근육을 연결하는' 전기 자극으로 변환합니다.

그 결과 환자는 "다리의 움직임을 직관적으로 제어할 수 있게 되었고, 서고, 걷고, 계단을 오르고 심지어 복잡한 지형을 횡단할 수도 있게 되었습니다"라고 Lorach와 팀이 보고했습니다. 보고서와 함께 제공되는 비디오에서는 환자가 앉은 자세에서 일어나 걷는 모습을 보여줍니다. 이 경우 기지국 컴퓨터는 배낭 대신 보행기에 설정되어 있습니다.

이것이 단지 뇌 센서 임플란트의 문제가 아니라는 것을 깨닫는 것이 중요합니다. 운동 의도에 대한 뇌 신호를 해석하기 위해 Lorach와 팀이 개척한 기계 학습 알고리즘이 핵심 요소입니다.

"온라인 적응형 감독 학습 알고리즘"으로 알려진 접근 방식을 사용하여 환자가 먼저 화면 아바타의 팔다리를 먼저 움직이고 외골격을 반복적으로 움직이려고 시도하면서 프로그램이 조정됩니다.

이 소프트웨어는 다양한 명령이 다양한 팔다리를 제어하는 "전문가의 혼합"과 수십 년 동안 사용되는 일종의 알고리즘인 "숨겨진 마르코프 모델"을 포함하여 여러 기계 학습 과학 스레드를 결합합니다. 환자가 움직일 때 움직임 의도의 계산이 모두 실시간으로 이루어집니다. 알고리즘에 대한 자세한 내용은 2022년 팀의 이전 논문에서 확인할 수 있습니다.

과학자들은 뇌에서 신호를 수집하고 기계 학습을 통해 신호를 디코딩하여 기능을 복원할 수 있는 다른 많은 방법을 찾고 있습니다.

지난 달, 샌프란시스코에 있는 캘리포니아 대학의 신경외과 연구원인 Sean Metzger와 팀은 거의 20년 전에 벙어리가 된 47세 뇌졸중 피해자의 목소리를 생성한 음성 디코더에 대해 Nature에 발표했습니다.

소위 다중 모드 음성 디코더는 또한 이식된 ECoG 감지기를 사용하여 뇌의 감각운동 피질 영역의 신호에서 '의도한 문장'을 디코딩했습니다. 이 영역은 "입술, 혀, 턱의 움직임 시도"를 담당합니다. 신호는 연구원들이 "성대 표현"이라고 부르는 것으로 디코딩되어 화면의 텍스트, 음성 단어의 생성된 오디오, 말하는 아바타의 움직임 등 다양한 종류의 출력으로 변환될 수 있습니다.

소위 다중 모드 음성 디코더는 또한 이식된 ECoG 검출기를 사용하여 "양방향 순환 신경망"으로 알려진 검증된 진정한 유형의 기계 학습 알고리즘을 사용하여 뇌 감각 운동 피질 영역의 신호에서 "의도된 문장"을 디코딩했습니다. 시계열 데이터 모델링에 오랫동안 사용된 프로그램인 "RNN"입니다.

여기서 핵심은 센서뿐만 아니라 기계 학습 알고리즘에도 있습니다. 성도 시도의 ECoG에서 나온 신호는 시계열 데이터를 모델링하는 데 오랫동안 사용된 프로그램인 "양방향 순환 신경망" 또는 "RNN"으로 알려진 또 다른 검증된 유형의 기계 학습 알고리즘에 공급되었습니다. 추세를 파악하기 위해 서로 다른 시점에서 동일한 변수를 측정합니다. RNN은 처음에 환자가 말하려고 하는 몇 가지 미리 준비된 문장(화면에 환자에게 표시됨)을 예상하도록 조정되었습니다. 이는 뇌 활동을 정의된 출력 세트와 연관시키는 형태입니다.

그러나 2주간의 훈련 후에 RNN은 환자가 발화하려고 하는 프롬프트되지 않은 문장에서 자발적인 텍스트 출력을 생성했습니다. 이 프로그램은 분당 최대 78개의 단어를 생성할 수 있었습니다. 이는 고 물리학자 스티븐 호킹(Steven Hawking)이 사용한 것과 유사하게 환자가 화면의 단어에 고개를 끄덕여야 하는 머리 추적 장치인 기존 보조 장치를 사용하여 환자가 생성할 수 있었던 분당 14단어보다 몇 배 더 빠른 속도입니다. .

마찬가지로 RNN은 ECoG를 해석하여 파형과 일치하도록 훈련할 수 있었으며, 이는 보코더를 구동하여 음성을 생성할 수 있었습니다. 환자와 함께 시스템을 조정한 지 2주 후에 그들이 개발한 "언어 신경 인공 시스템"은 매우 인상적인 결과를 보여주었습니다. "우리는 이 결과가 성능, 일반화 가능성 및 표현성의 중요한 기준점을 초과했다고 믿습니다. 곧 언어 장애가 있는 사람들에게 실질적인 이점을 제공할 수 있을 것입니다."라고 Metzger와 팀은 썼습니다.

2. AI는 의료 진단을 휴대 가능하게 만들 수 있습니다.

의료 진단의 가장 큰 걸림돌 중 하나는 환자가 의료 시설을 방문해야 한다는 것입니다. 그곳에서 훈련된 전문가가 수동으로 검사하는 거대한 장비와 데이터를 사용하여 검사를 실시할 수 있습니다. 그러나 진단에 대한 일부 새로운 시도는 기계 학습 형태의 AI를 사용하여 문제를 진료소에서 벗어나는 것입니다.

일반적으로 시설에 7시간 동안 머무르고 전극에 연결하고 직원이 밤새 모니터링하는 수면 연구를 수행하십시오. 대신 집에서 전화기와 접착식 패치 몇 개만 사용하여 할 수 있을까요?

조지아 주 애틀랜타에 있는 조지아 기술 연구소(Georgia Institute of Technology) 팀은 최근 권위 있는 저널 사이언스(Science)에 보고된 바와 같이 유연한 회로가 내장된 실리콘으로 만든 무선 수면 패치를 고안했습니다. 패치는 실시간 기술자가 밤새 환자를 모니터링하는 대신 기계 학습을 사용하여 수면 데이터를 측정합니다.

패치는 집에서 환자가 얼굴에 부착할 수 있으며, 이마에 하나, 턱에 하나를 붙일 수 있습니다. 그들은 수면 무호흡증을 감지하는 데 사용되는 두 가지 측정 방법인 뇌전도(EEG)와 뇌전도(EOG)에 대한 데이터를 수집합니다. 패치는 수면 클리닉에서 사용하는 젤 기반 전극과 달리 한 번에 며칠 동안 사용할 수 있습니다.

패치는 블루투스를 통해 EEG 및 EOG 데이터를 침대 옆에 있는 모바일 장치로 전송하며, 모바일 장치는 기계 학습의 핵심인 "콘볼루션 신경망" 또는 "CNN"을 사용합니다. CNN을 사용하면 활동 스펙트럼으로 표현된 데이터를 분석하여 수면 무호흡증을 감지할 수 있습니다.

재택 수면 연구용 실리콘 안면 패치에는 유연한 회로가 포함되어 있어 수면 중에 착용할 수 있습니다. 데이터 수집 및 분석을 위해 모바일 장치에 무선으로 연결됩니다.

주저자 권신재와 팀은 8명의 피험자를 대상으로 한 실험에서 폐쇄성 수면 무호흡증을 감지하는 데 있어 "시스템 성능이 88.52%의 높은 정확도를 보여줍니다"라는 사실을 발견했습니다. 더욱이, 홈 패치와 CNN의 검출은 "수면다원검사"로 알려진 최고의 임상 기반 수면 연구에서 산출된 82.4%의 검출과 "높은 일치"를 보여주었습니다.

권씨와 팀은 시스템에 대한 대규모 연구를 수행할 예정이며, 혈중 산소 포화도, 이산화탄소 및 동작을 포함한 수면 무호흡증의 다른 지표를 감지하기 위해 센서의 기능을 확장하고 있습니다.

모바일 장치가 CNN 데이터를 정렬하고 선별한다는 점을 감안할 때 Kwok과 팀의 노력은 모바일 장치에서 AI를 사용하여 현장에서 데이터를 수집하고 분석하는 훨씬 더 큰 추세를 나타냅니다. 일반적으로 숙련된 기술자가 수동으로 수행하는 측정을 자동화함으로써 일부 진단을 진료소 외부로 확장할 수 있습니다.

Chayakrit Krittanawong이 이끄는 스탠포드 대학교 팀의 2021년 연구에서는 Apple Watch의 ECG 모니터링 외에도 소비자급 웨어러블 건강 심장 모니터링의 12개 이상의 사례를 나열했습니다. 여기에는 이스라엘 OrCam Technologies의 안경과 MEGAComfort의 신발 깔창이 포함됩니다.

이러한 웨어러블은 "생체 신호"를 생성하며, 팀은 이를 "전기적, 화학적, 기계적 활동에 대한 정보를 제공하기 위해 지속적으로 측정하고 모니터링할 수 있는 생리적 신호"라고 정의합니다. 기계 학습은 모든 데이터를 집계, 분석 및 해석하는 데 적합한 후보입니다.

Krittanawong과 팀은 피험자의 가슴에 일회용 센서를 착용한 웨어러블 패치를 사용한 100명의 피험자를 대상으로 한 소규모 연구에 대해 설명합니다. 일회용 배터리로 구동되는 센서는 심전도 파형, 피부 온도, 피험자의 자세 등 피험자의 피부에서 다양한 데이터를 감지했습니다. 모든 데이터는 Bluetooth 무선을 통해 휴대폰으로 지속적으로 스트리밍된 다음 기계 학습을 사용한 분석을 위해 클라우드에 업로드되었습니다.

이 패치는 심부전으로 인한 입원 위험을 예측하기 위해 이식형 심장 모니터링 장치의 대안으로 사용되었습니다. 클라우드 분석을 통해 패치와 모바일 장치는 기존 의료용 이식형 모니터와 일치하는 민감도와 특이성 수준으로 작동했습니다.

3. 환자 안전을 위한 더 나은 예측 분석

실제 임상 환경에서 현재까지 가장 널리 배포된 AI 사용 중 하나는 예측 알고리즘, 즉 환자의 병원 재입원 가능성을 예측하는 등의 작업을 수행할 수 있는 프로그램의 사용입니다. 그들은 종종 전자 건강 기록(EHR)의 데이터를 사용합니다. 왜냐하면 이러한 기록은 방대한 양의 데이터를 쉽게 이용할 수 있는 저장소이기 때문입니다.

유타 대학교 의과대학의 올해 연구에서는 EHR 데이터를 기반으로 "현재 임상 운영에서 AI의 광범위한 채택"이 발견되었다고 수석 저자인 David Classen과 팀이 밝혔습니다.

그러나 이러한 예측 도구의 정확도는 의심스럽습니다. 미시간 대학교 의과대학에서 실시한 패혈증용 Epic 소프트웨어에 대한 2021년 연구에서는 이 도구의 패혈증 예측 정확도가 극히 낮은 것으로 나타났으며, 이는 실제로 그 유용성에 대한 의구심을 불러일으켰습니다.

이는 연구자들이 EHR이 모든 데이터를 통해 알려주는 내용을 추론할 수 있는 더 나은 방법이 필요하다는 것을 의미합니다.

예측 분석의 최첨단 사례를 통해 스탠포드 대학교 의과대학 과학자들은 22,104쌍의 산모와 신생아에 대한 EHR을 수집하고 기록을 연결한 후 조산 시 사망률을 예측할 수 있는 뛰어난 능력을 개발했습니다. , 5세 미만 어린이의 주요 사망 원인입니다.

2월 Science Translational Medicine에 발표된 Davide de Francesco와 팀의 연구에서는 산모의 건강 기록에 포함된 특징을 사용하여 신생아 결과를 예측했습니다. 주요 목표는 출생/출산 시 "외모, 맥박, 찡그림, 활동 및 호흡" 또는 Apgar 점수로 알려진 일반적으로 사용되는 몇 가지 기능보다 영아 사망률에 대한 더 정확한 그림을 얻는 것입니다.

대신, 연구원들은 RNN과 같이 사용되는 "장단기 기억" 또는 "LSTM"이라고 불리는 또 다른 오랜 시간 테스트를 거친 유형의 기계 학습 알고리즘에 전달하기 전에 어머니의 여러 방문에서 얻은 여러 데이터 포인트를 제공했습니다. 시계열 데이터를 함께 사용합니다. LSTM은 저혈압이나 패혈증과 같은 유아의 신생아 의료 기록에 있는 상태와 출산에 이르는 산모 절차, 약물, 관찰과 같은 사항에 대한 코드를 연관시키도록 훈련되었습니다.

저자들은 전통적인 위험 평가에 비해 보고된 유아 결과를 예측하는 능력이 크게 향상되었음을 발견했습니다.

특히 LSTM 프로그램은 일부 산모의 상태로 인해 증가된 위험을 일반화할 수 있습니다. "신생아 결과와 밀접하게 연관된 이러한 코드 중에는 […] 완화에 대한 오피오이드 의존성, 태아-산모 출혈, 다양한 선천성 심장 질환이 있었습니다."라고 그들은 설명합니다.

게다가, 그들은 출생 후 몇 주, 몇 달 안에 조산아를 보호하는 몇 가지 사항을 주장할 수도 있습니다.

"신생아 결과에 대한 보호 연관성을 암시하는 주목할만한 실험실 측정에는 혈청 알부민, 혈청 단백질, 혈소판, 호염기구, 림프구 및 호산구가 포함됩니다."라고 그들은 썼습니다. "이러한 데이터는 출산 1주일 전 산모의 면역 체계와 신생아기와 그 이후까지 이어지는 태아의 상대적 건강 사이에 상호 작용이 있음을 시사합니다."

스탠포드 연구에 따르면 보다 정교한 딥 러닝 모델이 상대적으로 원시적인 예측 시스템을 대신하게 되면서 해독되기를 기다리는 정보가 훨씬 더 많아졌습니다.

의료 분야에서 LLM(대형 언어 모델)이 필요하십니까?

위에서 논의한 기계 학습 AI 방법(RNN, CNN, LSTM 및 Hidden Markov 모델)은 모두 수십 년 동안 사용되어 온 상당히 잘 확립된 AI 접근 방식입니다. 참신한 점은 이제 새롭고 더 높은 수준의 정교함과 새로운 데이터를 사용하여 배포되고 있다는 것입니다.

하지만 딥 러닝의 정말 새로운 알고리즘, OpenAI의 ChatGPT와 같이 요즘 유행하고 있는 "생성 AI"는 어떻습니까?

의학 및 의료 분야에서 생성 AI는 매우 초기 단계입니다. 대규모 언어 모델 형태의 AI는 파일럿 연구 분야에 점진적으로 진입하고 있지만 언어 모델의 "환각", 즉 잘못된 정보를 주장하는 경향에 대한 우려로 인해 제한되고 있습니다.

실제로 8월 Weill Cornell Medicine의 연구에 따르면 'LLM은 실제로 일관성이 없는 요약을 생성하고 지나치게 설득력이 있거나 불확실한 진술을 하여 잘못된 정보로 인해 잠재적인 피해를 입을 수 있습니다.'

ChatGPT의 창시자인 OpenAI는 실제로 Nature Medicine 저널에 "해당 모델을 의료 진단, 분류 또는 생명을 위협하는 문제 관리에 사용해서는 안 됩니다"라고 말했습니다.

생성 AI의 위험과 윤리적 문제는 앞으로 많은 규제 장애물이 있다는 것을 의미합니다.

지난 7월, 헝가리 의료 미래학자 연구소의 과학자 Bertalan Meskó와 Scripps Research Translational Institute의 Eric Topol은 개요 논문을 작성하여 "LLM은 의료의 미래에 엄청난 가능성을 제공하지만 LLM의 사용에는 위험과 윤리적 도전"

Meskó와 Topol은 규제 기관이 "이미 규제를 통과한 AI 기반 의료 기술과 뚜렷하게 다르기 때문에 LLM에 대한 새로운 규제 범주를 만들 것"이라고 예측합니다.

생성 AI의 Jeremy Howard는 "확실히 매우 유용한 것으로 보이지만 미국 의료 시스템의 현재 제약 조건과 프로세스에 맞는 엄격한 방식으로 배포하는 것은 매우 어렵습니다."라고 말합니다.

Howard는 단점에도 불구하고 생성 AI가 의료 기술 격차를 메우는 데 가치가 있을 수 있다고 예측합니다.

“세계 인구의 대부분은 충분한 의사를 접할 수 없습니다.”라고 그는 말했습니다. "이 AI 시스템을 전혀 활용하지 않고 효과적으로 활용하기 위해 6개월간 교육을 받은 지역사회 보건 종사자를 원하십니까?"