[딥 메디슨 - 에릭 토폴] 일단 혼자 읽기

“ 우리가 배운 진단적 접근 방식은 자동적이고, 빠르고, 직관적이면서 특별한 노력을 요하지 않는 사고의 일종으로, 대니 카너먼은 이를 시스템 1사고라 불렀다. … 반면 시스템 2 사고는 분석을 포함하며 느리게 진행되는 사색의 과정이다. … 진단 능력이 탁월한 의사는 시스템 2사고에 의존할 것으로 생각되겠지만 실상은 그렇지 않다. 여러 연구를 통해 이들의 재능은 직관, 경험, 지식 등이 혼재된 휴리스틱과 연관된다는 사실이 입증되었다. ”

“ 의사들이 분석 모드로 전환해 의식적으로 사고의 속도를 늦추더라도 진단의 정확성은 그다지 개선되지 않았는데, 이는 진단의 정확성에 관련되는 요인 중에 시스템 1사고나 시스템 2사고 외의 다른 변수들도 있기 때문이다. 그중 한 가지는 의학교육에서 진단 역량이 강조되지 않는다는 점이다. … 22개의 주요 수련항목 가운데 진단에 관한 사항은 2개에 불과하다. 이렇게 수련을 마친 후, 의사들의 진단 역량 수준은 일생동안 거의 변화가 없다. 놀랍게도 의사로서 생활하는 동안 진단 능력에 대한 피드백을 받는 시스템 또한 존재하지 않는다. ”

“ 트버스키가 시행한 고전적 실험은 단순 추론의 결핍을 잘 보여주는 사례이다. 그는 스탠퍼드대학병원 의사들을 대상으로 설문 조사를 시행하면서 말기 암 환자에게 어떤 처치를 할지 선택하도록 했다. 생존 확률이 90%라고 표현했을 때에는 82%의 의사가 이 치료법을 선택했다. 하지만 사망 확률이 10%라고 하자 54%의 의사만이 이를 선택했다. “생존”과 “사망”이라는 단어만 바꿨을 뿐인데 치료법 선택에는 많은 차이가 발생한 것이다. ”

“ 컴퓨터는 진단의 정확성을 높일 수 있는 이차 소견을 얻는 데 도움이 될 수 있다. 메이요 클리닉에서 진행된 연구에서 의뢰된 환자 300명 정도를 대상으로 조사한 결과, 의사의 초기 진단과 이차 소견이 일치한 경우는 12%에 불과했다. ”

“ 일부 연구에서는 위양성률이 2%, 위음성률은 25%이상으로 나타났는데, 이러한 결과는 영상의학과 의사의 영상 검사 판독오류가 일반적으로 생각하는 수준보다 훨씬 더 심각하다는 사실을 보여준다. 매년 8억 건의 영상 검사가 이루어지는 현실을 고려하면 엄청난 수의 판독이 잘못될 위험이 있다는 것이다. 주목해야 할 점은 미국 영상의학과 의사의 31%가 의료 소송을 경험했으며, 대부분 진단 누락과 관련되어 있었다는 사실이다. ”

“ 우선 영상 검사의 상당부분은 불필요하거나 부적절하다. 현재 영상의학과 의사는 문지기의 역할을 하지 않는다. 환자는 그저 검사를 받으러 오고 방사선사가 촬영할 뿐이다. 미래에는 처방된 검사를 시행하기 전에 르네상스적 영상의학과 의사가 검사의 필요성을 확인하고 다른 종류의 검사가 좀 더 적절한 것은 아닌지 검토하게 될 것이다. 영상의학과 의사가 처방된 검사의 필요성과 적절성을 검토하고 그 근거를 환자와 상의하는 것이다. ”

“ 검사의 필요성을 판단하는 문지기 역할 외에도 영상의학과 의사에게 주어질 중요한 책임은 환자와 결과를 상의하는 것이다. … 환자와의 대화를 통해 증상과 병력을 좀 더 자세히 파악하는 행위는 영상 판독에 도움이 된다. ”

“ 영상의학과나 병리과와 마찬가지로 피부과 역시 패턴 인식이 많이 관여하는 분야이다. 피부 질환은 의사를 찾게 되는 가장 흔한 원인으로, 전체 외래 진료의 15%에 해당한다. 하지만 영상의학과나 병리과의 경우와는 달리 피부 질환의 3분의 2는 피부과 전문의가 아닌 의사에 의해 진단된다. 비전문의에 의한 진단은 오진으로 이어지는 경우가 흔하며, 어떤 기사에서는 오진율이 50%에 달한다고도 한다. 피부 질환의 패턴인식은 의료 전반에서 매우 커다란 부분을 차지하며 인공지능이 중요한 역할을 할 수 있는 분야이다. 더욱이 미국은 피부과 의사가 부족한 편이기 때문에 기계가 개입하기에 적합한 환경이다. ”

“ 최근 가장 기억에 남는 (이코노미스트의) 기사는 사람들이 자신의 가장 내밀한 비밀을 털어놓을 때 다른 사람(특히 의사)보다 기계를 선호한다는 글이었다. “때로는 가상 정신건강의학과 의사가 진짜 의사보다 나을지 모른다.” ”

“ 이미 인공지능 도구를 사용해 정신 건강 임상 진료에 진출하고 있는 기업도 있다. … 샌디의 휴먼 다이나믹스 연구소는 수십 년간 우리가 무의식적, 비언어적으로 우리 자신에 대한 진실을 전달하는 방식인 “정직한 신호 honest signals”를 연구해왔다. 여기에는 우리가 말하는 동안 나타나는 어조, 유창성, 대화 참여 정도, 활력 등이 해당된다. 코지토는 딥러닝 알고리즘과 정직한 신호를 사용해 심리학자, 간호사, 사회복지사가 환자의 정신 건강을 관찰할 수 있는 컴패니언이란 앱을 개발했다. 이 앱은 환자가 음성 일기를 녹음하고 업로드하면 그들이 말하는 방식을 분석해 우울증 및 기분 변화에 대한 단서를 추출하고 환자의 상태를 평가할 수 있다. 또한 대화 내용을 실시간으로 분석할 수도 있는데, 이는 보험회사에서 고객의 전화를 처리하는 데 사용되었다. ”

“ 우울증은 단연코 가장 흔한 정신 건강 장애로, 현재 3억 5000만 명 이상이 이 질환으로 투병 중이다. 우울증은 전 세계 질병 부담의 10% 이상을 차지고 있고, 연간 7600만 인년에 달하는데, 이는 심장병, 암, 그리고 다른 모든 의학적 진단을 능가하는 수치이다. 매년 미국인의 7%(1600만 명의 성인)가 우울증 진단을 받으며, 일생 동안 정신 질환이 발생할 확률은 약 30%이다. 미국이 정신 건강에 지출하고 있는 연간 2000억 달러 이상의 비용 대부분이 우울증과 관련되어 있지만, 이렇게 막대한 지출에도 불구하고 모든 사람이 도움을 받기는 커녕 의사 진료마저 제대로 받지 못한다. 2016년 미국에서 심각한 우울증을 앓았던 1600만 명 이상의 성인 중 37%가 치료를 받지 못했다. 개선의 여지가 많은 상황이다. ”

“ 뇌 MRI는 우울증을 구별할 수 있는 강력한 바이오마커임이 입증되었다. 뇌 백질의 확산 텐서 자기공명영상과 기계학습을 이용하여, 주요 우울 장애 환자와 건강한 대조군을 뚜렷하게 구별할 수 있었다. 웨일 코넬 의과대학의 코너 리스톤과 동료들은 거의 1,200명의 영상을 분석했는데, 대상자의 40%에서 우울증 병력이 있었다. MRI에 기계학습을 적용해 258개 뇌 영역에서의 신호 변동을 분석한 결과, 네 가지의 뚜렷한 생물형biotype이 확인되었다. 4가지 뇌 연결 패턴은 모두 건강한 대조군과 달랐고, 각각의 패턴에서는 피로, 저에너지, 불면증, 무쾌감증 등의 증상이 상이한 양상으로 나타났다. 이 패턴은 경두개 자기 자극에 대한 반응을 예측하기도 했는데, 이 치료는 생물형 2와 4(25%의 반응)에 비해 생물형 1과 3(최대 70%에서 반응) 환자에서 효과적인 것으로 밝혀졌다. 조현병이나 범불안장애 환자들의 MRI를 서로 비교했을 때, 조현병 환자의 MRI에는 서로 겹치는 소견이 거의 없었지만 범불안장애 환자의 대부분은 4종류의 우울증 생물형 중 하나에 해당되었다. ”

“ 항우울제는 효과가 불규칙적이고 종류가 너무 많기 때문에 환자가 약에 반응할지 여부는 매우 불확실하다. 항우울제에 대한 반응을 예측하기 위해 임상적 특징에 기계학습 알고리즘을 적용하는 방안도 시도되었지만, 현재까지의 정확도는 60%에 불과해 그다지 고무적이지 못한 결과를 보였다. ”

“ 최근 인공지능을 활요한 자살 예측 및 예방이 상당한 관심을 받고 있다. 미국의 경우, 지난 30년간 자살률이 전반적으로 증가했으며, 2017년에는 4만 4,000명 이상이 자살로 사망했다. 즉 매일 120명 이상이 자살한 셈인데, 이는 살인이나 에이즈, 자동차 사고, 전쟁으로 인한 사망자보다 많은 수치다. 전 세계적 상황은 더욱 충격적이다. 해마다 2500만 건의 자살 시도가 있으며, 1억 4000만 명이 자살을 고민한다. 자살자의 거의 80%는 진료 중에 의사와 치료사에게 자살 생각을 숨겼다. … 대규모 문헌고찰 연구 결과, 수천 개의 위험 요인이 자살 생각, 자살 시도 또는 자살 실행에 대해 매우 약한, 즉 무작위 추측보다 경미하게 높은 수준에 불과한 예측 요인으로 밝혀졌다. 어떤 범주나 하위 범주도 자살 가능성을 우연 이상의 수준으로 예측하지 못했기 때문에, 조셉 프랭클린과 동료들은 “이러한 연구 결과는 연구의 대상을 위험 인자에서 기계학습 알고리즘으로 전환할 필요성이 있음을 시사한다.”라고 했다. ”

“ 초기 딥러닝 유전체 프로젝트의 하나인 Deep- SEA는 단백질을 만들어내지 않는 DNA의 기능 식별에 주력했다. 2015년 프린스턴대학의 Jian Zhou와 Olga Troyanskaya는 비코딩 DNA 염기 분류에 대한 여러 중요한 연구 성과를 바탕으로 DNA 서열이 염색질과 어떤 상호작용을 하는지 예측하는 알고리즘을 발표했다. … UC 어바인의 컴퓨터과학자 Xiaohui Xie는 이 성과를 “유전체학 분야 딥러닝 적용의 이정표”라 칭했다. ”

“ 암은 기본적으로 유전체 변이에 의한 질환이므로 종양학 영역에서 인공지능의 도입은 특히 큰 이득이 되었다. … 종양의 DNA 메틸화 데이터 역시 인공지능을 이용한 암의 분류에 매우 유용한 입력 자료임이 입증되었다. … David Capper와 동료들이 실시한 2018년의 기념비적 연구 결과, 종양 표본의 전장 유전체 메틸화를 확인하여 전체 82종의 뇌종양을 93% 정확도로 분류했는데, 이는 병리과 의사의 정확도를 훨씬 능가하는 수준이었다. ”