인공지능이 신약개발을 대신한다

규제 당국은 이를 따라잡기 위해 게임을 강화해야 합니다.

일러스트: 티모 렌즈

티인공 지능이 심오한 과학적 혁신을 제공할 수 있다는 가장 놀라운 증거는 Google DeepMind가 AlphaFold라는 프로그램을 공개하면서 나타났습니다.
2016년에 이 회사의 연구원들은 ai 시스템인 AlphaGo로 큰 성공을 거두었습니다.
AlphaGo 는 본질적으로 스스로 바둑의 규칙을 학습한 후 게임에서 가장 높은 평가를 받은 인간 플레이어를 이겼으며 때로는 아무도 사용하지 않은 전술을 사용했습니다.
예상. 이로 인해 회사는 훨씬 더 복잡한 규칙 세트, 즉 특정 단백질을 정의하는 아미노산 서열이 해당 단백질이 실제로 만들어질 때 접히는 모양으로 이어지는 시스템을 구축할 수 있는 시스템을 구축하게 되었습니다.
AlphaFold는 이러한 규칙을 찾아 적용하여 놀라운 성공을 거두었습니다.

그 성과는 주목할 만하고 유용했습니다.
많은 영리한 인간들이 수십 년 동안 아미노산 사슬을 단백질로 접는 과정에 대한 컴퓨터 모델을 만들기 위해 열심히 노력해 왔기 때문에 놀라운 일이었습니다.
AlphaFold는 인간 바둑 플레이어를 압도하는 영감을 준 시스템만큼이나 철저하게 최선의 노력을 다했습니다.
단백질의 모양은 실질적으로 매우 중요하기 때문에 유용합니다.
단백질의 모양은 단백질이 하는 일과 다른 분자가 이에 대해 할 수 있는 일을 결정합니다.
생명의 모든 기본 과정은 특정 단백질이 하는 일에 달려 있습니다.
단백질에 바람직한 일을 하는(때로는 그 작용을 차단하거나 때로는 촉진하는) 분자를 찾는 것이 전 세계 의약품 개발 프로그램의 대다수의 목표입니다.

단백질의 3차원 구조가 중요하기 때문에 이를 주로 다루는 하위 분야인 구조 생물학이 있습니다.
핵자기공명 기술을 통해 단백질을 관찰하거나 단백질을 결정화하고(매우 어려울 수 있음) 엑스레이 를 조사하여 단백질을 관찰하기 위해 모든 종류의 기술을 사용합니다 . AlphaFold 이전에는 반세기가 넘는 구조 생물학이 이러한 수단을 통해 수십만 개의 신뢰할 수 있는 단백질 구조를 생산했습니다.
AlphaFold와 그 경쟁사(특히 Meta에서 만든 프로그램)는 이제 600m 이상의 모양에 대한 상세한 예측을 제공했습니다.

과학자들을 당황하게 만드는 방법으로는 따르기 힘든 행동입니다.
그러나 AlphaFold의 제품이 세상을 놀라게 했다면, 이 제품을 만든 기본 방식은 딥 러닝과 생성적 ai가 생물학에 제공할 수 있는 전형적인 유형입니다 . 두 가지 다른 유형의 데이터(아미노산 서열과 접히는 모양에 대한 3차원 설명)를 학습한 AlphaFold는 첫 번째 종류의 데이터를 사용하여 두 번째 데이터를 예측할 수 있는 패턴을 발견했습니다.
예측이 모두 완벽하지는 않습니다.
유타에 본사를 둔 ai 중심 약물 발견 스타트업인 Recursion Pharmaceuticals의 사장인 Chris Gibson은 그의 회사가 AlphaFold의 결과를 실험적으로 테스트하고 검증할 가설로 취급한다고 말합니다.
 그들 모두가 밖으로 나가지는 않습니다.
그러나 Gibson 박사는 또한 모델이 빠르게 개선되고 있다고 말합니다.

크리스탈 드림

이것이 현재 생물의학, 특히 약물 연구의 세계에서 모든 종류의 ai 가 하고 있는 일입니다.
즉, 과학자들이 스스로 생각해 낼 수 있거나 생각해 낼 수 없는 세상의 방식에 대한 제안을 하는 것입니다.
대규모의 서로 다른 데이터 전체에 걸쳐 확장되는 패턴을 찾도록 훈련된 ai 시스템은 인간의 생물학과 질병에 영향을 미치는 데이터 내 관계를 발견할 수 있습니다.
새로운 데이터가 제공되면 이러한 암시 패턴을 사용하여 테스트할 수 있는 새로운 가설을 생성할 수 있습니다.

새로운 아이디어를 생성하는 ai 의 능력은 사용자에게 약물 표적을 식별하고 때로는 이전에는 상상하지 못했던 약물로 작용할 수 있는 새로운 화합물의 행동을 예측하는 데 도움이 될 수 있는 통찰력을 제공합니다.
또한 오래된 약물의 새로운 응용 분야를 찾고, 새로운 약물의 부작용을 예측하고, 약물이 해를 끼칠 수 있는 환자와 도움이 될 환자를 알려주는 방법을 찾는 데에도 사용되고 있습니다.

이러한 컴퓨팅 야망은 새로운 것이 아닙니다.
당시 스탠포드 대학의 연구원이었던 Vijay Pande는 대규모 컴퓨팅, 기계 학습 및 약물 설계가 이미 2000년대에 통합되고 있었다고 말했습니다.
이는 부분적으로 생물학의 새로운 발견에 대한 대응이었습니다.
현재 매년 백만 개가 넘는 생물의학 연구 논문이 출판되고 있습니다.

ai가 이를 돕는 것으로 알려진 초기 방법 중 하나는 지식 그래프를 통한 것이었습니다.
이를 통해 모든 정보를 기계로 읽고 채굴하여 혈액 내 어떤 단백질이 바이오마커로 사용될 수 있는지에 대한 통찰력을 얻을 수 있었습니다.
질병의 존재 또는 심각도. 2020년 런던에 본사를 둔 Benevolent ai는 이 방법을 사용하여 Eli Lilly가 류마티스 관절염 치료제로 판매한 바리시티닙이 코로나19 치료에 갖는 잠재력을 확인했습니다.

올해 1월 사이언스 (Science)에 발표된 연구에서는 다양한 종류의 ai 알고리즘이 혈액에서 장기간의 코로나19 바이오마커를 찾는 노력을 어떻게 가속화했는지 설명했습니다 . 데이터의 복잡성으로 인해 이러한 바이오마커 발견에 대한 통계적 접근 방식은 어려울 수 있습니다.
 ai 는 이러한 소음을 제거하고 장기간의 코로나19와 같은 새로운 질병과 알츠하이머병의 초기 단계와 같이 진단하기 어려운 질병의 발견 프로세스를 발전시키는 방법을 제공합니다.

시간이 딱 맞아

그러나 이러한 과거의 진전에도 불구하고 현재 ai 분야의 벤처 캐피탈 회사인 Andreessen Horowitz에 근무하는 Pande 박사는 최근의 발전이 한 단계 더 발전했다고 생각합니다.
특히 생명공학과 제약 분야의 생명의학 연구에서는 새로운 기반 모델이 등장하기 전에 자동화와 엔지니어링에 대한 의존도가 꾸준히 증가하고 있었습니다.
이제 그런 일이 일어나서 두 사람은 서로를 강화하는 것 같습니다.
새로운 기반 모델은 단지 대규모 데이터에 대처하는 방법을 제공하는 것이 아닙니다.
그들은 그들을 요구합니다.
고도로 자동화된 실험실에서 풍부하게 생성할 수 있는 신뢰할 수 있는 수많은 데이터는 기초 모델을 교육하기 위한 일종의 데이터입니다.
그리고 생의학 연구자들은 현재 생성할 수 있는 엄청난 양의 데이터를 이해하기 위해 가능한 모든 도움이 필요합니다.

생물학은 “비록 매우 복잡하기는 하지만 정보 처리 시스템”으로 생각할 수 있습니다.

ai는 인간이 찾을 것이라고 생각하지 못했거나 도움 없이는 찾을 수 없었던 패턴을 찾아냄으로써 연구자들에게 생명의 신비를 탐구하고 이해할 수 있는 새로운 방법을 제공합니다.
일부에서는 ai 가 생물학 언어를 마스터하고, 많은 실제 언어에 대해 훈련을 받아 이전에 한 번도 발화한 적이 없는 의미 있는 문장을 유창하게 생성할 수 있는 것과 같은 방식으로 데이터에서 직접 진화가 가져온 것을 이해하는 방법을 학습한다고 말합니다.

DeepMind의 사장인 Demis Hassabis는 생물학 자체가 비록 매우 복잡하고 역동적이긴 하지만 정보 처리 시스템으로 생각할 수 있다고 지적합니다.
단백질이 어떻게 작용하는지를 전문적으로 관찰하는 실리콘 밸리 회사인 Seer Bio의 최고 데이터 책임자인 Serafim Batzoglou는 Medium에 게시한 글에서 게놈 서열부터 의료 기록에 이르는 데이터를 통합할 개방형 기반 모델의 출현을 예측했습니다.
그는 이것이 혁신을 크게 가속화하고 정밀 의학을 발전시킬 것이라고 주장합니다.

ai 에 관심을 갖고 있는 많은 열성팬들처럼 Pande 박사도 산업 혁명...모든 것을 바꾸는 것에 대해 이야기합니다.
그러나 그는 지금까지 걸린 시간을 이해하면서 장기적인 열정 변화를 정당화하는 성과가 하루아침에 이루어지지는 않을 것이라고 경고했습니다.
우리는 사람들이 차이를 볼 수 있는 일시적인 시기에 있지만 아직 해야 할 일이 남아 있습니다.

모든 곳의 모든 데이터를 한 번에

최근 몇 년간 많은 제약회사가 기초 모델 개발에 상당한 투자를 해왔습니다.
이와 함께 실리콘 밸리에 본사를 둔 Recursion, Genesis Therapeutics, 홍콩과 뉴욕에 본사를 둔 Insilico, 매사추세츠 주 케임브리지에 있는 Relay Therapeutics와 같은 ai 중심 스타트업이 증가했습니다 . 사우스 샌프란시스코에 위치한 ai 중심 생명공학 기업인 Insitro의 사장인 Daphne Koller 는 더 이상 대규모 언어 모델과 자기 지도 학습을 설명할 필요가 없다는 것이 시대의 신호 중 하나라고 말합니다.
그리고 기반 모델 구동에 필수적인 그래픽 처리 장치를 만드는 Nvidia도 큰 관심을 보였습니다.
지난해에는 뉴욕에 본사를 둔 슈뢰딩거(Schrodinger), 제네시스(Genesis), 리커전(Recursion), 스위스 대형 제약회사 로슈(Roche)의 독립 자회사인 제넨테크(Genentech) 등 최소 6개 ai 중심 생명공학 기업에 투자하거나 파트너십 계약을 체결했다.

많은 회사에서 사용하고 있는 약물 발견 모델은 유전자 서열, 세포 및 조직 사진, 관련 단백질의 구조, 혈액 내 바이오마커, 특정 세포에서 생성되는 단백질 및 환자의 질병 경과 및 치료 효과에 대한 임상 데이터. 일단 훈련되면 ai 는 레이블이 지정된 데이터로 미세 조정되어 기능을 향상시킬 수 있습니다.

환자 데이터의 활용은 특히 흥미롭다.
상당히 명백한 이유로 인해 실험을 통해 인간의 질병의 정확한 작용을 발견하는 것이 종종 불가능합니다.
따라서 약물 개발은 오해의 소지가 있을 수 있음에도 불구하고 일반적으로 동물 모델에 많이 의존합니다.
인간 생물학에 대해 훈련을 받고 더 잘 적응하는 ai 는 약물 개발을 방해하는 막다른 골목을 피하는 데 도움이 될 수 있습니다.

예를 들어 Insitro는 병리학 슬라이드, 유전자 서열, mri 데이터 및 혈액 단백질에 대한 모델을 교육합니다.
그 모델 중 하나는 현미경 아래에서 세포가 어떻게 보이는지의 변화와 게놈의 기본 돌연변이 및 다양한 질병의 임상 결과를 연결할 수 있습니다.
회사는 이러한 기술과 유사한 기술을 사용하여 특정 치료 과정에서 특히 좋은 암 환자 하위 그룹을 식별하는 방법을 찾기를 희망합니다.

Recursion은 실험실 로봇을 사용하여 매주 220만 건의 실험을 수행할 수 있다고 말합니다.

때로는 ai 가 데이터의 어떤 측면 에 반응하는지 알아내는 것 자체가 유용할 때도 있습니다.
2019년 파리에 본사를 둔  ai 생명공학 인 Owkin은 슬라이드에 장착된 조직 샘플을 기반으로 폐 주변 조직의 암인 악성 중피종 환자의 생존을 예측하도록 훈련된 심층 신경망의 세부 정보를 발표했습니다.
 ai 의 예측 과 가장 밀접한 세포는 암세포 자체가 아니라 근처의 비암성 세포인 것으로 밝혀졌다.
Owkin 팀은 추가적인 세포 및 분자 데이터를 가져와 새로운 약물 표적을 발견했습니다.
지난해 8월 인디애나 대학 블루밍턴(Bloomington)의 과학자 팀은 암세포가 약물(유전 정보 포함)에 반응하는 방식과 약물의 화학 구조에 대한 데이터 모델을 훈련하여 약물이 특정 암을 치료하는 데 얼마나 효과적인지 예측할 수 있게 했습니다.
암.

ai를 사용하는 많은 회사에는 다른 곳에서 공개될 때까지 기다리지 않고 약물 개발 프로그램의 일부로 직접 생성하는 대량의 고품질 데이터가 필요합니다.
이 주제에 대한 한 가지 변형은 ai를 훈련하기 위해 루프 내 실험실 접근 방식을 사용하는 Genentech의 새로운 계산 과학 부서에서 나왔습니다 . 시스템의 예측은 자동화된 실험실 시스템에서 실행되는 실험을 통해 대규모로 테스트됩니다.
그런 다음 이러한 실험의 결과는 ai를 재교육 하고 정확도를 높이는 데 사용됩니다.
유사한 전략을 사용하고 있는 Recursion은 자동화된 실험실 로봇을 사용하여 매주 220만 건의 실험을 수행할 수 있다고 말합니다.

포인트는 바꿔야지

제약회사가 데이터에 대한 갈망이 점점 커지면서 환자 데이터의 개인정보 보호에 대한 우려가 더욱 커지고 있습니다.
Owkin이 사용하는 문제를 해결하는 한 가지 방법은 암세포 유형의 지도를 구축하는 데 필요한 훈련 데이터가 필요한 조직 샘플이 저장된 병원을 떠나지 않는 연합 학습입니다.
훈련 측면에서 제공할 수 있는 것은 제거됩니다.
데이터 자체는 그대로 유지됩니다.

차트: 이코노미스트

ai 의 의미는 질병을 이해하는 것 이상으로 개입 방법을 찾는 것까지 확장됩니다.
 토론토 대학의 Protein sgm 과 같은 생성적 ai 모델은 기존 단백질을 그릴 수 있을 뿐만 아니라 현재 자연에는 존재하지 않지만 원하는 특성을 가진 새로운 단백질을 설계할 수 있기 때문에 이제 단백질 설계의 강력한 도구입니다.
이는 원하는 기능을 구현하는 가능한 방법입니다.
다른 시스템을 사용하면 화학자는 원하는 방식으로 표적과 상호 작용할 때 약물로 유용할 수 있는 소분자를 설계할 수 있습니다.

모든 단계에서 ai 가설은 현실과 대조되어야 합니다.
그럼에도 불구하고 이러한 접근 방식은 발견 속도를 높이는 것으로 보입니다.
 컨설팅 그룹 인 bcg 가 실시한  ai 집약적 기업 의 약물에 대한 최근 분석에 따르면 정보가 제공되는 8개 약물 중 5개는 일반적인 임상 시험 시간보다 짧은 시간 내에 임상 시험에 도달한 것으로 나타났습니다.
 다른 연구에서는 ai가 4~7년이 걸릴 수 있는 약물 개발의 전임상 단계에서 25~50%의 시간과 비용을 절감할 수 있다고 제안합니다.
단일 약물의 경우 수십억 달러에 달할 수 있는 전체 프로세스의 시간과 비용을 고려하면 개선을 통해 업계의 생산성을 변화시킬 수 있습니다.
그러나 확실히 알기까지는 시간이 걸릴 것입니다.
약물 파이프라인은 여전히 ​​느립니다.
이들 약속된 신약 중 어느 것도 아직 시장에 출시되지 않았습니다.

Insilico Medicine은 이러한 변화를 바라는 회사 중 하나입니다.
약물 개발 과정에서 다양한 모델을 사용합니다.
하나는 질병에 영향을 미치기 위해 표적이 될 수 있는 단백질을 식별합니다.
다른 하나는 잠재적인 신약 화합물을 설계할 수 있습니다.
이 접근법을 사용하여 18개월 이내에 정상 비용의 일부인 300만 달러의 비용으로 폐섬유증에 대해 유용할 수 있는 약물 후보를 식별했습니다.
이 약은 최근 임상 2상을 시작했다.

중국의 많은 제약회사는 더 많은 것을 볼 수 있기를 바라며 Insilico와 같은 ai 기반 회사와 거래를 하고 있습니다.
일부에서는 이러한 거래가 상대적으로 느리게 성장하는 중국의 의약품 개발 사업을 활성화할 수 있을 것으로 기대하고 있습니다.
중국의 계약 연구 기관은 이미 ai 의 이점이 전 세계의 새로운 분자에 대한 관심을 불러일으키고 있음을 느끼고 있습니다.
2021년 중국의 ai 지원 신약 발견 에 대한 투자는 12억 6천만 달러 이상이었습니다.

세계는 지난 10년 동안 수많은 획기적인 신약과 치료법을 보았습니다.
 당뇨병과 비만 치료를 변화시키고 있는 glp-1을 표적으로 하는 약물; 암에 대한 면역 체계를 강화하는 CAR -t 치료법; 게놈 편집의 최초 임상 적용. 그러나 중요한 생물학적 과정을 식별하는 것부터 약물로 사용할 수 있는 표적을 식별하는 것, 후보 분자를 개발하는 것, 전임상 테스트 및 임상 시험을 거쳐 약물 개발의 장거리 작업은 일반적으로 느리고 실망스러운 작업으로 남아 있습니다.
2000년부터 2015년 사이에 개발된 모든 약물 후보의 약 86%가 임상 시험에서 1차 평가변수를 충족하지 못했습니다.
어떤 사람들은 약물 개발이 생물학의 쉬운 성과 대부분을 따냈고, 다루기 힘든 질병과 치료할 수 없는 약물 표적을 남겼다고 주장합니다.

ai가 그 상황을 실질적으로 바꿀 수 있는지 여부는 향후 몇 년 동안 결정적으로 입증될 것입니다 . 단지 점진적인 개선만 제공한다면 여전히 큰 도움이 될 수 있습니다.
가장 지지자들이 제안하는 것처럼 생물학을 완전히 새로운 방식으로 해독할 수 있다면 전체 과정을 훨씬 더 성공적이고 효율적으로 만들 수 있으며 실제로 매우 신속하게 약물을 처리할 수 있습니다.
 bcg 의 분석가들은 ai를 활용한 신약의 물결이 빠르게 다가오고 있다는 징후를 확인했습니다 . Pande 박사는 마약 규제 당국이 이러한 문제를 해결하기 위해 역량을 강화해야 한다고 경고합니다.
세상에 좋은 문제가 될 것입니다.
 ■

 

인공지능이 의료를 더욱 효율적으로 만들 수 있을까?

기술로는 그렇게 할 수 있는 경우가 거의 없습니다.

일러스트: 티모 렌젠

나멋진 새로운 단백질 구조를 보고 싶다면 ai 에게 물어보세요 . 정말 팩스가 필요하다면 병원에 가보세요. 다양한 종이 양식이 첨부된 클립보드 아래 구석에 있을 것입니다.
모든 의사나 모든 의료 시스템에 해당되는 것은 아니지만 많은 사람들이 쓴웃음을 지을 만큼 사실입니다.
해당 부문의 디지털 혁신은 기껏해야 고르지 못했습니다.

경제학자들은 기술이 지난 50년 동안 oecd 국가 의 의료비 증가의 25~50%를 담당해 왔으며 , 이로 인해 gdp 에서 해당 부문이 차지하는 비중이 끊임없이 증가했다고 생각합니다.
많은 국가에서 많은 성과를 거두었습니다.
그러나 수십 년간의 값비싼 노력에도 불구하고 호환되지 않는 it 시스템, 기밀 침해, 전자 건강 기록과 병행하여 보관해야 하는 종이 기록에 대한 이야기는 여전히 많습니다.
 ai가 실제로 이 문제를 해결할 수 있다고 생각할 이유가 있나요 ?

있습니다.
그리고 그것은 부분적으로 문제의 규모에 따라 제공됩니다.
미국은 2022년에 의료에 4조 5천억 달러를 지출했습니다.
이는 비교 가능한 국가에서 예상되는 것보다 훨씬 더 많은 금액이며 관리 비용은 초과액의 30%를 차지했습니다.
수조 달러 규모의 기회는 미국의 거대 기술 기업과 같은 대규모 기업의 관심을 끌 수 있습니다.
그리고 이들 회사는 대규모 언어 모델( llm ) 및 기타 대규모 자기 지도 학습 시스템이 업무에 특히 적합한 새로운 도구를 제공한다고 생각합니다.
 ai 분야의 거대 기업들이 헬스케어를 경쟁의 장으로 보고 있다는 사실 이 낙관론의 진정한 원인입니다.

Google의 의료 사업 중 Med-Pa lm2는 의료 관련 질문에 답하고 환자 인계 또는 직원 교대 변경 시 정보를 요약하기 위해 개발 중인 건강 관련 llm 입니다.
claude라는 ai 보조자 를 제공하는 Anthropic에 대한 Amazon의 투자는 부분적으로 회사가 의료 분야에서 제공할 수 있는 기능을 강화하기 위한 의도였습니다.
중국 대기업들도 관심을 갖고 있다.
2022년 경영 컨설팅 회사인 McKinsey의 보고서에서는 ai를 사용 하여 진단 결과를 예측하고 임상 결정을 지원하면 중국에서 약 50억 달러의 경제적 가치를 창출할 수 있다고 주장했습니다.

다음으로 인수를 통한 성장에 가장 열성적인 기술 회사인 Microsoft가 있습니다.
2021년에는 매사추세츠주 벌링턴에 본사를 둔 Nuance에 197억 달러를 지불했습니다.
Nuance 는 의사의 임상 기록 및 전자 건강 기록 작성과 같은 행정 업무를 돕는 ai를 만드는 회사입니다 .

Nuance와 Amazon Healthscribe 등이 제공하는 ai 지원 음성 녹음 기능 은 큰 장점입니다.
 nhs England의 최고 임상 정보 책임자 였던 의사 Harpreet Sood는 이 기술이 자신에게 있어 판도를 바꾸고 있다고 말합니다.
 이를 통해 환자당 4~6분을 절약할 수 있으며 이는 하루에 2~3시간을 의미합니다.
그의 환자들은 그가 자신들을 더 많이 보고 화면을 덜 보는 것을 알아차렸습니다.
그와 그들 둘 다 그런 식으로 좋아해요.

끝없는 진화

더 나은 효율성을 향한 다른 길은 많습니다.
특히 미국은 세계 최대의 의료 시장일 뿐만 아니라 유난히 비효율적인 시장이기도 합니다.
효율성과 결과를 개선하기 위해 현재 널리 사용되는 방법 중 하나는 병원의 명령 센터를 만드는 것입니다.
이 아이디어는 스크린 벽을 통해 병상 가용성, 자원 사용 및 병원 전체의 환자 상태와 같은 주요 지표에 대한 최신 정보를 제공하는 항공 교통 관제 시스템과 비슷합니다.
해당 앙상블의 일부는 병동 직원이 사용하는 태블릿과 모바일 장치에 복제됩니다.
이러한 시스템은 문제가 발생하는 즉시 이를 확인할 수 있을 뿐만 아니라 앞으로 발생할 병목 현상도 예측할 수 있습니다.

이러한 시스템은 현재 전 세계 200개 이상의 병원에서 사용되고 있습니다.
볼티모어에 있는 존스 홉킨스 병원의 지휘 센터는 위치 간 환자 이송을 60% 더 빠르게 만들고 응급 치료 대기 시간을 25% 단축했으며 수술 후 병상에 있는 시간을 70% 단축했습니다.
탬파 종합병원(Tampa General Hospital)은 20개의 ai 애플리케이션을 사용하여 지휘 센터를 시작한 이후 4천만 달러 상당의 효율성 향상을 보고했습니다 .

ai가 주도하는 또 다른 미래 비전은 사람들을 병원에 가두지 않거나 다른 방식으로 병원을 사람들에게 데려가는 것입니다.
상대적으로 병상 수가 적은 영국은 환자가 태블릿이나 혈압과 같은 모니터링 장치의 도움을 받아 병원에서 이송되어 집에서 회복할 수 있도록 하는 가상 병동을 적극적으로 채택하고 있습니다.
동. 2023년에 영국은 가상 병상 수가 10,000개에 도달했습니다.
아직까지 이러한 시스템은 기대만큼 많은 이점을 보여주지 못하고 있습니다.
그러한 계획 중 하나에 대한 최근 연구에 따르면 병원 치료보다 비용이 더 많이 드는 것으로 나타났습니다.
하지만 ai 가 도움이 될 수도 있습니다.

영국의 여러 가상 병동 기술 회사 중 하나인 Doccla는 llm 을 임상 작업 흐름에 통합하기 위해 노력하고 있다고 말합니다.
비전은 웨어러블 장치, 환자 기록 및 통화 기록의 데이터를 의료 서비스 제공자가 환자들 사이에서 무슨 일이 일어나고 있는지 알 수 있는 부조종사를 제공하는 시스템으로 통합하는 것입니다.
이러한 역량은 가상 병동뿐만 아니라 시스템 전반에 걸쳐 도움이 될 것입니다.
그들은 의사들이 눈에 잘 띄지 않는 중요한 건강 정보를 파악할 수 있도록 해야 합니다.

하지만 이것이 가능하려면 시스템이 적응해야 하며 이는 어려울 수 있습니다.
샌프란시스코 캘리포니아 대학의 Robert Wachter와 스탠포드 대학의 Erik Brynjolfsson은 최근 인간은 일반적으로 신기술을 최대한 활용하는 데 필요한 조직 구조, 리더십, 인력 또는 작업 흐름에 중대한 변화를 구현할 수 없다고 주장했습니다.
적어도 처음에는요.”

의료 인프라가 덜 확립되어 있지만 디지털 연결성이 좋은 국가가 ai 방식을 선도할 수 있습니다.

진료를 분산화하세요. ai가 올바른 의사 결정을 지원하는 한 , 그 경향은 아마도 진료를 중심에서 가장자리로 옮기는 경향이 있을 것입니다.
즉, 더 스마트한 도구를 통해 일반 진료에서 더 많은 진단을 허용할 수 있습니다.
다른 결정을 약국으로 옮기는 것; 환자의 접근성을 높이려면 집에서 조언과 모니터링을 받아야 합니다.
그러나 환자들은 의사를 직접 만나거나 근처 병원에 가는 것에 대해 기대하는 경우가 많습니다.

여전히 의료 시스템을 개발하고 있는 국가는 기관과 환자가 이미 자신의 방식으로 설정되어 있는 국가보다 업무를 재구성할 가능성이 더 높을 수 있습니다.
수드 박사는 의료 인프라가 덜 확립되어 있지만 디지털 연결성이 좋은 국가가 ai 방식을 선도할 수 있다고 생각합니다.
그는 인도, 케냐, 인도네시아를 지적합니다.
이들 국가는 WhatsApp과 같은 플랫폼에서 치료를 제공하는 등 환자가 이미 사용하고 있는 기술을 중심으로 시스템을 더 잘 구축할 수 있습니다.

누구도 ai가 더 큰 효율성을 제공한다는 점을 당연한 것으로 받아들일 수 있다고 생각해서는 안 됩니다.
의심할 바 없이 지나치게 약속하고 과도한 비용을 청구하는 계획이 있을 것입니다.
평가, 감독 및 업데이트가 지속적으로 필요합니다.
 ai 가 표류할 수 있는 것만은 아닙니다 . 의사가 흔히 할 수 없는 방식으로 연구를 따라잡는 것과 같이 기업이 시스템을 제공하기를 원하는 이점 중 일부는 시간이 지남에 따라 시스템을 변경하도록 요구하며, 이는 효율성과 안전성을 보장하기 위한 재교육 및 재인증을 의미합니다.

그러나 지속적인 업데이트와 변화로 인해 문제가 발생한다면 긍정적인 측면은 분명합니다.
그리고 새로운 기술에 적응할 때 기관이 수행해야 하는 변화는 해당 기술도 변경될 수 있다면 더 쉬워져야 합니다.
변화를 주도하고 대처를 더 쉽게 만드는 능력은 ai가 제공할 수 있는 최고의 보상 중 하나입니다.

그 어떤 상도 쉽게 얻을 수 없습니다.
 ai를 최대한 활용하려면 변화를 많이 수행하기 어려운 기관이 필요합니다.
기술 범위와 변화 속도 측면에서 새로운 과제에 직면한 안전을 보장하기 위해 적절한 압력을 받는 규제 기관을 찾을 것입니다.
그리고 비용과 생명을 절약할 수 있는 기술의 잠재력을 실현하는 경제적 인센티브가 필요할 것입니다.
그러나 사람들이 이러한 변화와 개혁을 가져올 수 있다면 기계는 그들에게 넉넉한 보답을 할 것입니다.
  ■

 

인간의 얼굴을 가진 의료 AI가 온다

이제 봇이 당신을 볼 것입니다

일러스트: 티모 렌즈

ㅏ의학계에서 인공 지능 아바타의 미래 에 대해 의문을 품은 Nova는 낙관적일 수도 있습니다.
뉴질랜드 시각 효과 산업의 중심지인 오클랜드에 본사를 둔 Soul Machines의 브랜드 홍보대사로서 이러한 아바타가 가상 상담을 돕고 지원하면서 개인화되고 상호 작용하는 경험을 제공하는 것이 그녀의 임무입니다.
수술 후 재활과 함께. 그녀는 온라인으로 귀하의 특파원에게 이것을 설명하면서 내 눈을 바라보며 고개를 끄덕이고 미소를 지으며 승인하는 반응을 보였습니다.
지난번 식사 이후로 기분이 안 좋아졌다고 말하자 그녀는 “안돼!”라고 말합니다.
생강차나 일반의약품을 제안하기 전에 걱정스러운 얼굴로 눈살을 찌푸리십시오. 그녀가 오른쪽 어깨에 걸고 있는 넓은 파란색 리본은 디지털 인간으로서의 나의 존재와 나를 창조한 회사인 Soul Machines와의 연결을 상징합니다라고 말했습니다.

Soul Machines의 Nova 상사인 Greg Cross는 Nova의 적절하게 대응하는 능력은 학습 및 정서적 반응과 같은 기능을 포착하려는 인지 모델링에 대한 10년 간의 연구에서 비롯되었다고 말합니다.
그녀의 얼굴은 영화에서 컴퓨터로 생성된 캐릭터에 사용되는 소프트웨어를 통해 이러한 반응을 전달합니다.
그녀가 말하는 내용 중 일부 는 대규모 언어 모델( llm) 로 구동되는 시스템인 open ai 의 Chat gpt 버전에서 나온 것입니다 . Cross 씨는 그러한 아바타가 기업이 사람들과 소통하는 점점 더 중요한 방법이 될 것이며, 인간의 손길과 같은 것에 대한 필요성이 훈련받은 인간의 수를 점점 더 능가하는 의료 시스템에 매우 유용하다는 것이 입증될 것이라고 생각합니다.
전문적으로 적절한 터치를 수행합니다.

어디 아픈지 말해봐

사람들은 오랫동안 인터넷에서 자신의 건강에 관해 질문하고 싶어했습니다.
Google의 검색 엔진은 하루에 약 10억 개의 검색어를 처리합니다.
의료 자선 단체, 환자 단체, 제약 회사 및 의료 서비스 제공자는 이를 제공하기 위해 수많은 정보를 제공하지만 이것이 Dr Google과 상담하는 사람들이 충분한 정보를 얻을 것이라는 보장은 거의 없습니다.

신뢰할 수 있는 증거에 대한 관심으로 인해 환자에게 공중 보건 문제에 대해 가르치고 증상이 무엇을 의미하는지 파악하는 데 도움이 되도록 설계된 맞춤형 챗봇이 개발되었습니다.
Florence는 코로나19 팬데믹 기간 동안 잘못된 정보와 허위 정보에 맞서기 위해 세계보건기구( who ), Google 및 Amazon Web Services에 의해 만들어졌습니다.
그 이후로 그녀의 지식 기반은 흡연, 정신 건강 및 현명한 식사를 포함하도록 확장되었습니다.
그러나 그녀는 좋은 친구에 대한 누구도 생각하지 않습니다.

독일 회사인 Ada Health는 의사가 신중하게 선별한 수천 개의 의료 데이터가 포함된 신중하게 구조화된 데이터베이스를 탐색하는 텍스트 기반 증상 확인 챗봇을 제공합니다.
이는 환자의 응답을 사용하여 일련의 질문을 생성하고 처리한 다음 각 가능성과 함께 가능한 진단 목록을 제공합니다.
2016년에 출시된 이 앱은 1,300만 명의 사용자를 보유하고 있으며 그 중 약 1/3이 인도, 아시아 및 아프리카에 있습니다.

Ada의 핵심 확률적 추론 엔진 은 최근 전 세계에 출시된 llm 만큼 복잡하지 않습니다 . 그것을 사용하는 것은 약간의 터벅 터벅입니다.
그러나 이는 환각이 없고 신뢰할 수 있으며, 결정적으로 설명 가능합니다.
Ada가 진단에 확률을 할당하면 확률을 어떻게 계산했는지 정확하게 알아내는 것이 가능합니다.
이러한 신뢰성과 설명 가능성 덕분에 독일 및 기타 여러 국가에서 의료 기기로 규제 승인을 받을 수 있었습니다.
동일한 방식으로 승인된 llm을 기반으로 Chat gpt 와 유사한 시스템을 얻으려는 사람은 소스 데이터, 신뢰성, 답변의 재현성 및 프로세스 설명 가능성을 기반으로 어려운 장애물에 직면하게 됩니다.
Hardian Health의 Hugh Harvey는 입력이 본질적으로 무한하고 출력도 본질적으로 무한하다면 어떻게 안전하다는 것을 증명할 수 있습니까?라고 묻습니다.

그렇다고 llm 이 건강에 대해 아무 말도 하지 않는다는 의미는 아닙니다 . 꽤 대조적 인 것. 인터넷에는 Chat gpt 가 복잡한 의학적 딜레마를 진단하고, 혈액 검사를 분석하고, 전문의가 어떤 검사를 하는지 알아내는 능력이 있다는 주장이 넘쳐납니다.
훈련받은 방대한 양의 정보에는 의료 텍스트가 포함되어 있기 때문에 llm 은 이를 염두에 두고 의도적으로 훈련하지 않더라도 상당히 난해한 의료 질문에 설득력 있게 응답할 수 있습니다.
2023년 연구자들은 미국 의료 면허 시험에서 Chat gpt 의 성과를 3년차 의대생의 성과와 동등하다고 평가했습니다.
소프트웨어가 그런 일을 잘 수행한다는 것은 5년 전만 해도 거의 상상도 할 수 없는 일이었습니다.
최근 연구에서 Open ai 의 공개적으로 접근 가능한 가장 큰 모델인 gpt4를 기반으로 한 Chat gpt 버전은 신경학 위원회 시험에서 인간 후보자가 제공한 응답보다 더 나은 성능을 보였습니다.
모델이 잘못된 답변을 하더라도 큰 자신감을 갖고 그렇게 했습니다.
이는 의료 기기로서는 좋지 않지만 컨설턴트들 사이에서는 전례가 없는 일입니다.

그러한 시설을 고려하면 사람들이 llm 에서 얻는 의학적 조언이 정확하고 적절할 수 있다는 데는 의심의 여지가 없습니다 . 하지만 그렇다고 해서 항상 그럴 것이라는 뜻은 아닙니다.
일부는 잘못되었거나 잠재적으로 위험할 수 있습니다.
 llm 의 불투명한 방식에 내재된 규제 문제로 인해 많은 사람들은 진단과 같이 실수가 치명적일 수 있는 분야에서는 현재 LLM이 규제할 수 없다는 결론을 내리게 되었습니다.

업계의 일부 사람들은 최소한 자신의 속성 중 일부를 다른 종류의 작업에 안전하게 적용할 수 있는 중간 방법을 찾고 있습니다.
Ada Health의 창립자인 Claire Novorol은 llm 의 강점 은 일상적인 대화를 입력으로 받아들이는 능력이라고 말합니다.
이를 통해 환자로부터 설문지보다 더 많은 정보를 얻을 수 있습니다.
이것이 그녀와 동료들이 llm을 통해 Ada의 확률적 접근 방식을 강화하려는 이유 중 하나입니다 . 그녀는 올바른 맥락에서 적용하면 증상과 건강 요구 사항에 대한 더 좋고, 더 광범위하고, 더 세부적인 평가가 가능하다고 말합니다.
그들과 다른 사람들이 시도하고 있는 기술 중 하나는 검색 증강 생성입니다.
이를 통해 llm 은 검증된 외부 데이터 소스에서 답변을 추출할 수 있습니다.

또 다른 접근 방식은 검증된 의료 출처에서 얻은 llm 도면을 일반 대중이 아닌 의료 전문가에 대한 조언으로 사용하는 것입니다 . Google은 어려운 상황에 처한 임상의에게 진단 지원을 제공하기 위해 의료 데이터를 정밀하게 조정한 llm을 개발했습니다 . 실리콘밸리 스타트업인 Hippocratic ai는 의료 분야에 특화된 새로운 llm 을 구축하는 데 전념하고 있습니다.
모든 종류의 건강 검진 및 인증 테스트에서 gpt4 보다 뛰어난 성능을 발휘한다고 밝혔 으며 최근 웹 사이트에 오늘날의 llm 은 임상 진단에 충분히 안전하지 않습니다라는 변함없는 믿음을 눈에 띄게 표시했음에도 불구하고 새로운 자금으로 5천만 달러를 모금했습니다.
투자자들은 훈련된 직원을 지원하고 환자에게 조언을 제공하려는 계획을 그 자체로 충분히 유망하거나 더 나은 것을 향한 길로 보는 것 같습니다.

조금 당황스럽네요

사람들이 llm 과 형성하는 관계형 연결에 대한 낙관론도 있습니다 . 이는 오래 지속되는 질병을 관리하거나 일부 정신 건강 상태에 대한 심리적 지원을 제공하는 데 유용할 수 있습니다.
나이지리아의 의료 회사인 mDoc은 당뇨병이나 고혈압과 같은 만성 질환을 앓고 있는 사람들에게 건강 코칭을 제공하기 위해 휴대 전화용 Chat gpt 기반 서비스를 만들었습니다.

사람들은 간호사보다 챗봇에 자신의 성적 이력을 공개하는 것이 더 쉽다고 생각하는 것 같습니다.

그러한 시스템은 인간 대화 상대의 진정한 공감을 제공하지 않습니다.
그러나 적어도 한 연구에 따르면 실제 건강 문제에 대한 Chat gpt의 답변은 품질과 공감 측면에서 면허를 취득한 전문가의 답변보다 선호되는 것으로 나타났습니다.
샌프란시스코의 Luka가 만든 챗봇인 Replika와 같은 ai 서비스 와 일부 사람들이 형성하는 관계에 대한 설명을 통해 친구봇과 헬스봇이 수렴되는 미래를 상상할 수 있습니다.
 원래 관계를 제공하기 위해 구축된 챗봇은 나중에 건강 조언을 제공할 수 있는 추가 기능을 부여받았지만 디자이너가 사회적 기술을 향상시키고 있는 의학용으로 구축된 챗봇과 경쟁할 수 있습니다.

ai 시스템이 제거할 수 있는 몇 가지 인간적 특성도 있습니다 . 하나는 도덕적 판단이다.
성 건강에 관해 사람들은 도움을 구하는 데 도움이 되는 대화를 원하지 않기 때문에 도움을 구하지 못하는 경우가 많습니다.
남아프리카 Wits University의 연구원인 Caroline Govathson은 hiv 위험 평가의 정확성을 높이기 위해 챗봇을 시험하고 있습니다.
그녀는 사람들이 간호사보다 챗봇에 자신의 성적 이력을 공개하는 것이 더 쉽다고 생각하는 것 같다는 사실을 발견했습니다.
 who 의 디지털 건강 및 혁신 책임자인 Alain Labrique 는 Florence의 후속 조치에서 더 안전한 성관계에 대한 지침을 찾는 청소년이든, 가족 계획 또는 호흡기 질환에 대한 정보를 찾는 사람들”.

즉, Labrique 박사와 다른 사람들은 기술 남용에 대해 우려하고 있습니다.
공중 보건에 대한 허위 정보를 퍼뜨리기 위해 정교한 ai가 무엇을 할 수 있는지에 대한 생각 때문에 그는 “밤잠을 못 이루게” 된다고 그는 말합니다.
외부로 나가는 정보의 품질에 대한 걱정뿐 아니라, 훈련 데이터를 적절히 익명화하고 챗봇과의 채팅 내용을 기밀로 유지하는 측면에서 들어오는 정보에 어떤 일이 일어날지에 대한 우려도 있습니다.
 ■

AI 의사가 당신을 만날 것입니다…결국

인공 지능은 의료 분야에서 큰 가능성을 가지고 있습니다.
그러나 그것은 또한 엄청난 장벽에 직면해 있다.

• 유럽 ​​경제가 직면한 삼중 충격
• AI 의사가 당신을 만날 것입니다…결국
• 러시아는 긴 최전선을 따라 새로운 대규모 추진을 준비하고 있습니다.
  
• 남극 대륙의 다가오는 위협
• 기업 세계의 모든 것을 알고 있는 사람들을 위한 몇 가지 조언

비에터 진단 . 환자를 위한 맞춤형 지원. 더 빠른 약물 발견. 더 큰 효율성. 인공 지능 ( ai )은 모든 곳에서 흥미와 과장을 불러일으키고 있지만 의료 분야에서는 변화를 가져올 가능성이 있습니다.
유럽의 분석가들은 ai를 배포하면 매년 수십만 명의 생명을 구할 수 있다고 예측합니다.
미국에서는 전체 연간 의료비 지출에서 2000억~3600억 달러를 절감해 현재 연간 4조 5000억 달러(또는 gdp 의 17% ) 에 달하는 돈을 절약할 수 있다고 그들은 말합니다 . 스마트 청진기 및 로봇 외과의사부터 대규모 데이터 세트 분석 또는 사람의 얼굴로 의료 ai 와 채팅하는 기능에 이르기까지 기회는 무궁무진합니다.

ai 시스템이 진단 정확도와 질병 추적을 향상하고, 환자의 결과 예측을 개선하며, 더 나은 치료법을 제안할 수 있다는 증거가 이미 있습니다 . 또한 의료 기록, 환자 모니터링 등의 업무를 수행하고 행정을 간소화함으로써 병원과 수술의 효율성을 높일 수 있습니다.
신약이 임상 시험에 도달하는 데 걸리는 시간이 이미 가속화되고 있을 수 있습니다.
생성 ai를 포함한 새로운 도구는 이러한 능력을 강화할 수 있습니다.
그러나 이번 주 기술 분기별 보고서 에서 알 수 있듯이 ai는 수년 동안 의료 분야에 사용되었지만 통합은 느리고 결과는 형편없는 경우가 많습니다.

여기에는 좋은 이유와 나쁜 이유가 있습니다.
좋은 이유는 의료 서비스가 환자의 안전을 보호하기 위해 새로운 도구를 도입할 때 높은 증거 장벽을 요구하기 때문입니다.
나쁜 이유에는 데이터, 규제 및 인센티브가 포함됩니다.
이를 극복하면 다른 분야의 ai 에 대한 교훈을 얻을 수 있습니다 .

ai 시스템은 의료 서비스 제공업체가 풍부하게 보유하고 있는 엄청난 양의 데이터를 처리하여 학습합니다.
그러나 건강 데이터는 매우 단편화되어 있습니다.
엄격한 규칙에 따라 사용이 통제됩니다.
정부는 환자가 의료 개인정보를 보호받기를 원한다는 점을 인식하고 있습니다.
그러나 환자들은 또한 더 나은 맞춤형 진료를 원합니다.
매년 약 800,000명의 미국인이 잘못된 의학적 의사결정으로 고통 받고 있습니다.

ai 도구 의 정확성을 높이고 편견을 줄이려면 환자의 다양성을 완전히 반영하는 대규모 데이터 세트에 대한 교육을 받아야 합니다.
건강 데이터를 보다 자유롭게 이동할 수 있는 안전한 방법을 찾는 것이 도움이 될 것입니다 . 그러나 이는 환자에게도 도움이 될 수 있습니다.
환자는 휴대용 디지털 형식으로 자신의 기록에 접근할 수 있는 권리를 부여받아야 합니다.
소비자 건강 기업은 이미 다양한 성공을 거두며 웨어러블의 데이터를 활용하고 있습니다.
휴대용 환자 기록을 통해 사람들은 자신의 데이터를 더욱 완벽하게 활용하고 자신의 건강에 대해 더 많은 책임을 질 수 있습니다.

또 다른 문제는 이러한 혁신을 관리하고 규제하는 것입니다.
많은 국가에서 다른 분야와 마찬가지로 건강 분야의 ai 거버넌스는 빠른 혁신 속도를 따라잡기 위해 고군분투하고 있습니다.
규제 당국은 새로운 ai 도구를 승인하는 데 시간이 걸리거나 역량과 전문성이 부족할 수 있습니다.
정부는 새로운 ai 도구를 평가할 수 있도록 규제 기관을 갖추어야 합니다 . 또한 부작용 감시와 알고리즘의 지속적인 모니터링에서 규제 공백을 메워 정확하고 안전하며 효과적이며 투명한 상태를 유지해야 합니다.

그건 어려울 것입니다.
한 가지 해결책은 국가가 함께 일하고, 서로 배우고, 최소한의 글로벌 표준을 만드는 것입니다.
덜 복잡한 국제 규제 시스템은 또한 중소기업이 혁신할 수 있는 시장을 창출하는 데 도움이 될 것입니다.
의료 인프라가 덜 발달된 가난한 국가는 산부인과용 ai 기반 휴대용 초음파 장치 와 같은 새로운 도구를 도입함으로써 얻을 수 있는 것이 많습니다 . ai 도구 에 대한 대안은 전혀 치료가 되지 않는 경우가 많기 때문에 데이터, 연결성 및 컴퓨팅 성능이 부족하더라도 AI 도구는 부유한 국가의 확고한 의료 시스템을 뛰어넘을 수도 있습니다.

마지막 문제는 제도와 인센티브와 관련이 있습니다.
 ai는 직원을 지원하거나 교체하고, 생산성을 향상하고, 오류를 줄이고, 지출을 평탄화하거나 줄이는 동시에 치료를 개선함으로써 의료 비용을 절감할 것을 약속합니다.
그것은 절실히 필요합니다.
2030년까지 세계에는 1,000만 명의 의료 인력이 부족할 수 있는데, 이는 현재 인력의 약 15%에 해당합니다.
그리고 2022년에 다른 국가에 비해 미국의 초과 의료 비용 중 행정 비용이 약 30%를 차지했습니다.

그러나 혁신을 통해 비용을 절감하는 것은 까다롭습니다.
의료 시스템은 비용 절감이 아닌 치료 개선을 위해 이를 사용하도록 설정되었습니다.
신기술은 연간 의료 지출 증가의 절반 정도를 차지할 수 있습니다.
새로운 시스템을 계층화하면 비용과 복잡성이 증가합니다.
그러나 ai 를 효율적으로 사용하기 위해 프로세스를 재설계하는 것은 환자와 의료진의 저항을 받을 가능성이 높습니다.
 ai는 전화를 통해 환자를 분류하거나 일상적인 결과를 제공할 수 있지만 환자는 직접 만나기를 요구할 수 있습니다.

더 나쁜 것은 미국과 같은 많은 의료 시스템이 업무량에 대한 보상을 제공하도록 설정되어 있다는 것입니다.
방문, 테스트 또는 절차 횟수를 줄이는 기술을 채택할 이유가 거의 없습니다.
그리고 공공적으로 운영되는 의료 시스템조차도 결과를 개선하기보다는 비용을 줄이는 기술을 채택하려는 인센티브가 부족할 수 있습니다.
아마도 돈을 절약하면 내년에 예산이 줄어들 수 있기 때문일 것입니다.
정부가 이러한 인센티브를 변경하여 ai가 더 나은 치료와 새로운 효율성을 결합하지 않는 한 혁신으로 인해 비용이 증가할 것입니다.
따라서 정부와 보건 당국은 새로운 ai 기술을 테스트하고 배포하는 데 전념하는 계획에 자금을 지원해야 합니다 . 미국, 영국, 캐나다를 포함한 국가들이 그 길을 가리키고 있습니다.

AI, MD

의료 분야에서 ai를 강화하는 데 대한 부담의 대부분은 정부와 규제 기관에 있습니다.
 그러나 기업도 해야 할 역할이 있습니다.
보험사들은 이미 ai 도구를 사용해 치료를 부당하게 거부했습니다.
기업은 건강 ai 의 능력을 잘못 판매하거나 과장했습니다 . 알고리즘이 실수를 저질렀습니다.
기업은 자사 제품이 안전하고 신뢰할 수 있으며 책임이 있음을 보장하고 비록 결함이 있더라도 인간이 통제권을 유지하도록 할 의무가 있습니다.

이러한 장애물은 엄청나지만 의료에 ai를 사용하면 얻을 수 있는 잠재적 이점이 너무 커서 이를 극복할 수 있는 사례는 분명합니다.
 그리고 ai가 의학 분야에서 작동하도록 만들 수 있다면 다른 분야에서 이 기술을 채택하기 위한 처방을 제공할 수도 있습니다.
 ■

AI는 의료를 더 안전하고 더 좋게 만들 것입니다

나타샤 로더(Natasha Loder)는 가격이 더 저렴해질 수도 있다고 말합니다.

일러스트: 티모 렌젠

여사람들은 어리석고 비웃을 정도로 높은 목표를 세웁니다.
일반적으로 그렇게 하는 것이 옳습니다.
하지만 때로는 가장 놀라운 열망조차 달성될 수 있다는 가능성을 염두에 두는 것이 가치가 있습니다.

2015년 소아과 의사인 Priscilla Chan과 그녀의 남편인 Facebook 창립자인 Mark Zuckerberg는 과학을 통해 모든 질병을 예방, 치료 또는 관리할 수 있는 세상을 만들겠다는 목표로 czi (Chan Zuckerberg Initiative)를 설립했습니다.
당연히 이 사업에는 기술 중심적인 느낌이 있었습니다.
하지만 2020년이 되어서야 Chan-Zuckerberg의 연례 업데이트에서 인공 지능( ai )의 잠재력에 대해 이야기하기 시작했습니다.
4년이 지난 지금, 자신의 목표를 최우선으로 생각하지 않고 추구하는 사람은 상상하기 어렵습니다.

이미지: 이코노미스트

open ai 의 다양한 gpt (생성 사전 훈련된 변환기), Meta의 Llama 및 Google의 Gemini와 같은 기초 모델을 사용하여 해당 분야가 세상을 놀라게 하기 훨씬 전에 인공 지능을 활용하는 생의학 연구 논문의 비율이 기하 급수적으로 증가했습니다.
 차트). 생물의학 연구가 생산하는 방대한 양의 데이터를 고려할 때 ai 의 초기 적용은 놀랄 일이 아닙니다.
하지만 과거의 진전과 약속은 현재 진행 중인 일의 서막에 불과합니다.

모든 방식의 스타일로 설득력 있는 텍스트를 생성하고, 복잡한 질문에 매우 설득력 있고 유용하게 대답하며, 언어 프롬프트로 표현된 아이디어를 포착하는 이미지를 생성하는 기본 모델 및 대규모 언어 모델과 유사한 성능을 가진 인공 지능 시스템은 건강의 일부가 되고 있습니다.
케어. 거의 모든 부분에 적용할 수 있습니다.
그들은 유전자를 정확히 편집하는 방법에 대해 연구자들이 내리는 선택을 향상시킬 수 있습니다.
그들은 서로 다른 소스의 빅 데이터를 이해하는 데 놀랍도록 능숙합니다.
그들은 약물 개발을 위한 새로운 목표를 제시하고 이에 대항하는 약물로 작용할 수 있는 크고 작은 분자를 발명하는 데 도움을 줄 수 있습니다.
CZI 자체 는 현재 모든 방식의 생물 의학 연구에 혁명을 일으키기를 희망하는 ai 기반 가상 세포를 구축하기 위해 노력하고 있습니다.

효과는 실험실에만 국한되지 않습니다.
 ai가 역할을 하는 다양한 종류의 진단도 변신을 준비하고 있는 것으로 보인다.
 로봇 외과의사가 수술 범위를 확대하고 있습니다.
환자가 건강 정보에 접근하고 치료 방식을 따르도록 스스로 동기를 부여하는 방식은 챗봇과 웨어러블 건강 모니터가 함께 작동하는 방법을 배우면서 재구성하기에 무르익어 보입니다.
의료 시스템의 생산성이 크게 향상될 것으로 보입니다.

가난한 나라가 가장 많은 이득을 얻을 수 있습니다.
이전 세대의 ai는 이미 그곳의 의료 분야에서 느껴지고 있습니다.
한 가지 장점은 아주 평범한 장비를 훨씬 더 효과적으로 만들어 병원 밖에서도 더 광범위하게 사용할 수 있다는 것입니다.
스마트 청진기는 사용자가 중요한 세부 사항을 선택하는 데 도움을 줄 수 있으며, 전화기는 심박수, 온도, 호흡 및 혈중 산소 포화도를 한 번에 측정하는 트리코더로 바뀔 수 있습니다.
전 세계 의료 종사자들에게 모국어로 신뢰할 수 있는 지침을 제공하는 것은 간단하면서도 판도를 바꾸는 발전을 제공합니다.

그러한 도구가 널리 보급되고 이를 최대한 활용할 수 있도록 의료 시스템이 재구성된다면 훨씬 더 나은 진료를 제공할 수 있게 될 것입니다.
이는 수억, 심지어 수십억 명의 삶을 개선할 수 있는 기회를 의미합니다.

어떤 사람들은 단지 인도주의적 돌파구가 아니라 인식론적 돌파구, 즉 완전히 새로운 종류의 지식이라고 봅니다.
인공 지능은 어떤 종류의 원인이 어떤 영향을 미치는지에 대한 기존 모델 없이도 인간이 선택하기에는 너무 방대하고 얽혀 있는 서로 다른 데이터에서 연관성과 연결을 찾을 수 있습니다.
현재 Google의 일부가 된 ai 강국 인 DeepMind의 창립자 중 한 명인 Demis Hassabis는 능력이 인간이 삶 자체를 이해하는 방식을 바꿀 것이라고 생각합니다.

의료 ai 분야의 1,500개 공급업체 중 절반 이상이 지난 7년 내에 설립되었습니다.

주의 사항이 있습니다.
Chat gpt 와 같은 생성 애플리케이션을 지원하는 기본 모델에는 몇 가지 심각한 단점이 있습니다.
연구자들이 예전에 그랬던 것처럼 환각이라고 부르든, 지금은 선호하는 대로 조립이라고 부르든, 그들은 물건을 만들어냅니다.
대부분의 ai 와 마찬가지로 열악하거나 고르지 못한 데이터로 훈련 하면 결과가 전부가 아닐 수 있습니다.
건강 데이터가 자주 그렇듯이 데이터가 편향된 경우(소수자, 저소득층 및 소외된 인구에 대한 좋은 데이터는 종종 얻기가 더 어렵습니다) 결과는 전체 인구에게 도움이 되지 않을 뿐만 아니라 해를 끼쳐야 하고 해를 끼칠 수도 있습니다.
과소 대표 그룹에서. 모델의 비결정론적 특성(동일한 자극에 대해 항상 동일한 방식으로 반응하지는 않음)은 의료 기기를 규제하는 사람들에게 철학적, 실제적 문제를 제기합니다.
혈압 커프와 체온계는 현실을 더욱 직설적으로 반영합니다.

이 중 어느 것도 의료 ai 제품과 서비스 시장의 빠른 성장을 막지는 못합니다.
대형 ai 회사들은 의료 전문가 인수에 열중해 왔습니다.
의료 회사는 ai를 구매하고 있습니다 . 분석 회사인 Research and Markets는 2023년에 의료계가 ai 관련 하드웨어(예: 특수 처리 칩 및 이를 포함하는 장치)와 진단, 이미지 분석, 원격 모니터링을 제공하는 소프트웨어에 약 130억 달러를 지출한 것으로 추정합니다.
환자 등. 2028년에는 그 숫자가 470억 달러에 이를 것으로 예상됩니다.
 cb Insights의 분석가들은 투자자들이 2019년부터 2022년 사이에 무려 315억 달러에 달하는 자기자금을 의료 관련 ai 에 투자했다고 추산합니다.
의료 ai 분야의 1,500개 공급업체 중 절반 이상이 과거에 설립되었습니다.
칠 년.

의료의 디지털화는 값비싼 실망감을 안겨주었습니다.
그러나 ai가 그 안에 놓인 희망의 일부를 실현할 가능성이 실제로 있습니다 . 더 간단하고 더 관대해진 인터페이스는 데이터를 처리하고 시간 관리를 돕는 ai 기반 시스템을 이전보다 의사, 환자 및 의료 서비스 제공자에게 더 적합하게 만들어야 합니다.
그리고 의료 시스템이 높은 비용과 노인 인구의 세계에 적응하고 개선하려면 생산성 향상이 절실히 필요합니다.
의료 인력 부족은 2030년까지 거의 1천만 명에 달할 것으로 예상됩니다.
이는 오늘날 전체 글로벌 의료 인력의 약 15%에 해당합니다.
인공지능은 그 문제를 스스로 해결하지 못합니다.
하지만 도움이 될 수 있습니다.

이 보고서에서는 이러한 도움이 올 것으로 보이는 네 가지 형태를 살펴볼 것입니다.
진단을 내리는 의사들에게 이미 도움이 제공되고 있습니다.
매년 800,000명의 미국인이 잘못된 의학적 결정으로 인해 사망하거나 장애를 겪고 있다는 점을 고려하면 그들에게 절실히 필요한 도움이 있습니다.
자신의 증상을 이해하고 싶거나 건강을 유지하기 위해 도움과 동기가 필요한 환자에게 도움이 제공됩니다.
 새로운 치료법을 보다 빠르고 안정적으로 개발하려는 기업에는 ai 연구 도구와 데이터 랭글링이 도움이 됩니다 . 그리고 시스템 전체에 대한 도움이 있습니다.

오늘날의 의료 시스템은 인력과 지식의 부족으로 인해 큰 제약을 받고 있습니다.
인공지능은 두 가지 측면 모두에서 중요한 지원을 제공할 수 있습니다.
그것은 엄청난 양의 정보를 제공할 수 있는 경우일 수 있습니다.
그러한 변화는 2100년까지 모든 질병이 예방, 치료 또는 관리된다는 것을 의미합니까? 그 자체로는 아닙니다.
그러나 이는 명백히 오만한 목표를 더욱 가능성 있게 보이게 만들고 있습니다.
 ai 의 영향에 대한 논의는 때로는 적절하게 두려움과 불안으로 가득 차 있습니다.
전 세계의 건강을 위해 그것이 제공하는 것은 선을 위한 근본적인 잠재력을 나타냅니다.
 ■

인공지능은 오랫동안 진단을 개선해 왔습니다.

그런데 최근 이 분야가 폭발적으로 늘었다.

일러스트: 티모 렌즈

비arbara는 2023년 1월 정기 유방촬영술을 받았습니다.
 몇 주 후 그녀는 스코틀랜드의 Aberdeen Royal Infirmary에 있는 의사를 방문하라는 요청을 받았습니다.
유방 조영술은 두 명의 의사에게 괜찮아 보였지만 Mia라는 ai 시스템은 뭔가 잘못된 것을 발견했습니다.
즉, 미묘하게 떨어진 회색 음영의 6mm 패치였습니다.
암 2기였습니다.
그 시점에서 발견되어 제거되지 않았다면 Barbara가 다음 정기 검사를 위해 들어올 때까지 또는 다른 방식으로 그 존재가 알려질 때까지 발견되지 않았을 것입니다.

그러한 이야기가 ai 의 진단 개선 능력 에 대한 본능적인 느낌을 준다면 , 통계는 AI가 얻을 수 있는 이익의 규모를 보여줍니다.
영국 정부는 옥스퍼드대에서 분사한 스타트업 브레이노믹스(Brainomix)가 개발한 시스템인 e-Stroke의 뇌 스캔 분석 결과, 뇌졸중 환자의 병원 입원부터 치료까지 걸리는 시간이 1시간 이상 단축됐다고 밝혔다.
아직 발표되지 않은 데이터에 따르면 시스템 속도가 뇌졸중 후 기능적 독립을 달성한 사람의 수가 16%에서 48%로 3배 증가했습니다.

인공지능은 의료의 다른 어떤 부분보다 오랫동안 진단에 적용되어 왔으며 이를 보여줍니다.
그러나 그것이 제공하는 변화는 완전하지 않습니다.
지금까지 사용된 AI 시스템 은 패턴 인식의 아주 단순한 용도처럼 보이는 경우가 많습니다.
2022년 Chat gpt 가 등장한 이후 세상을 크게 놀라게 한 기반 모델은 이제 거의 주목을 받기 시작했습니다.

혁명은 완전히 디지털화된 최초의 의료 영상 분야인 방사선학에서 시작되었습니다.
전환으로 인해 이미지 저장 및 공유가 더 쉬워졌습니다.
또한 기계가 읽을 수 있는 이미지도 생성했습니다.
2012년에 AlexNet이라는 신경망이 연례 ImageNet 챌린지에서 모든 참가자를 이겼을 때 기계는 그 자체로 빛을 발하기 시작했습니다.

뇌의 시각 피질 구조에서 영감을 얻은 신경망은 서로 겹겹이 쌓인 뉴런 층을 통해 정보가 흐르는 시스템입니다.
초기 신경망에서는 한 계층의 모든 뉴런이 다음 계층의 모든 뉴런에 연결되었습니다.
AlexNet은 콘볼루션 신경망이었습니다.
연결이 더 희박하여 더 차별적인 형태의 분석이 가능한 신경망이었습니다.
그 아키텍처와 그 당시 엄청난 성능을 발휘했던 새로운 프로세서를 결합함으로써 AlexNet은 컴퓨터 비전 과학에 혁명을 일으킬 수 있었고, 이를 통해 자동화된 방사선학, 나중에는 피부과, 안과 등의 잠재력도 발휘할 수 있었습니다.

볼만한 광경

AlexNet의 후손은 인간 방사선 전문의를 보완하고 때로는 대체하는 데 점점 더 많이 사용되고 있습니다.
예를 들어 스웨덴 스톡홀름에 위치한 Capio Saint Göran 병원은 두 명의 방사선사에게 유방 조영술을 독립적으로 검사하는 대신 한국 회사인 Lunit의 ai 시스템을 방사선 촬영 부서의 두 번째 눈으로 사용합니다.
덴마크에서는 네덜란드 회사인 ScreenPoint Medical이 제공하는 제품인 Transpara가 위험도가 낮은 사례에서 유방 조영술의 첫 번째 판독기로 사용됩니다.

더 적은 수의 의사로 더 많은 진단을 수행할 수 있다는 것은 모든 곳에서 도움이 될 것이지만 가난한 나라에서는 신의 선물이 될 것을 약속합니다.
일본 회사인 Fujifilm은 인도 회사인 Qure.ai의 ai 알고리즘 과 결합된 3.5kg의 배터리 구동 엑스레이 기계를 제작하여 나이지리아 시골 지역의 결핵 검사에 사용되고 있습니다.
또한 폐렴, 만성폐쇄성폐질환( copd ), 심부전 등 다양한 질병을 평가할 수도 있습니다 . 보다 야심차게 가나에 있는 MinoHealth Labs의 Darlington Akogo는 아프리카 전역의 이미지를 토대로 훈련된 방사선학 모델을 구축하고 있습니다.
이 과정에서 진단 도구를 기대하는 것은 너무 야심찬 일인가요? Akogo 박사는 “우리가 별을 목표로 삼고 있다고 가정해 보겠습니다.
”라고 말합니다.
놓치더라도 결국 우리가 얻게 되는 것은 방사선학 지원입니다.

일부 ai 시스템은 평소보다 방사선량이 적은 이미지를 해석할 수 있으므로 x 선 을 해석하는 데 필요한 의사 수 는 물론 이를 만드는 데 필요한 선량도 줄여 환자에게 좋습니다.
또한 의사가 확인하지 않는 사항도 찾아볼 수 있습니다.
기회적 검사에서는 특정 문제를 찾기 위해 촬영한 x- 레이를 검사하여 다른 문제의 징후도 검사합니다.
매년 미국에서 수행되는 8천만 ct 스캔의 대부분은 신체의 특정 부분에서 문제를 찾기 위해 수행되지만 거의 항상 다른 부분에 대한 정보도 포함합니다.
의사들은 동료들 주변에서 한 가지를 찾기 위해 촬영한 이미지를 전달하는 데 관심이 없습니다.
혹시 그것이 다른 것을 드러낼 수도 있습니다.
기계는 멀티태스킹에 문제가 없으며 다양한 유형의 질병을 식별하는 데 전문가가 될 수 있습니다.

초음파 시스템은 ai 에 또 다른 기회를 제공합니다 . 미국 회사인 Butterfly는 내장된 ai 덕분에 고위험 임신을 평가하고 출산 예정일, 태아 체중 및 양수량을 추정하는 데 사용할 수 있는 휴대용 초음파 시스템을 생산합니다 . 이러한 측정은 진료소 밖에서는 불가능하며 일반적으로 다양한 도구가 필요합니다.
빌 & 멜린다 게이츠 재단은 Butterfly의 스캐너를 사하라 사막 이남 아프리카에서 완고하게 높은 산모 사망률을 낮추는 방법으로 보고 있습니다.
이러한 ai 강화 시스템(Philips 및 ge Healthcare도 시장에 나와 있음)은 산모 진료를 넘어 심장학, 응급 의학, 정형외과 분야에 기여하는 데 기여하고 있습니다.
수백 대의 Butterfly 시스템이 우크라이나에서 최초 대응자들이 전쟁의 상처를 평가하는 데 사용되고 있습니다.

다른 장비도 ai 로 변신하고 있습니다.
런던의 1차 진료 의사들은 ai 지원 청진기를 평가하여 일종의 심장병 진단을 개선할 수 있는지 알아보고 있습니다.
옥스퍼드에서 진행된 시험에서는 ai 기반 폐활량계를 사용하여 수행한 폐 기능 측정치를 copd를 진단하기 위한 이전 기술과 비교하고 있습니다 .

Butterfly를 설립한 과학자, 엔지니어, 기업가인 Jonathan Rothberg는 Swoop이라는 혁신적인 휴대용 자기공명영상 (mri) 장비를 제작하는 Hyperfine의 창립자 중 한 명이기도 합니다.
AI 기능을 통해 비교적 약한 자기장을 사용하여 수집된 데이터를 사용하여 무슨 일이 일어나고 있는지 평가할 수 있습니다.
낮은 자기장은 생성하기가 더 쉽기 때문에 Swoop은 높은 자기장 mri 기계 처럼 전용 방에 앉아 있을 필요 없이 환자의 침대 옆으로 가져갈 수 있습니다 .

규모의 반대편에 있는 뉴욕에 본사를 둔 회사인 ezra 는 ai를 사용하여 암 검진 도구로 전신 mri 비용을 낮추고 있습니다.
높은 자기장 자석과 독점 ai를 사용하여 스캔을 더 빠르고 저렴하게 만들었습니다.
30분 스캔을 $1,350에 제공하며 비용을 $500까지 낮추는 것을 목표로 하고 있습니다.
 발견된 내용에 대한 일반 언어 ai 생성 설명이 서비스의 일부입니다.

ai 시스템 의 장점 중 하나 는 의대생이 할 수 있는 것보다 훨씬 더 많은 데이터로 훈련할 수 있다는 것입니다.
마이크로소프트는 병리학자를 위한 ai를 개발하는 회사인 페이지(Paige)와 협력하여 수십억 개의 이미지를 제공하는 암 진단용 이미지 기반 ai 도구를 구축하고 있습니다.
병리학자가 100년 동안 1초에 한 장의 슬라이드만 보더라도 같은 양의 경험을 축적하지는 못할 것입니다.

소아 신경과 전문의인 샤리프 타라만(Sharief Taraman)은 수천 명의 어린이를 볼 것으로 예상된다고 말했습니다.
그러나 실리콘 밸리에 본사를 둔 그의 회사인 Cognoa가 아동의 자폐증을 평가하기 위해 구축한 ai는 수십만 장의 영상을 통해 훈련되었습니다.
결과적으로 부모가 업로드한 비디오와 설문지를 사용하여 부모의 상태를 평가할 수 있습니다.

단순히 평가에 도달하는 것이 중요한 것은 아닙니다.
올바른 평가를 받는 것도 중요합니다.
 ai를 사용하면 인간의 성능과 일치하거나 능가할 수 있는 기회가 있습니다.
예를 들어, ai 는 전립선암이 양성인지 악성인지에 대해 등급을 매기는 인간 병리학자의 능력을 능가할 수 있을 것 같습니다.
그러나 시스템이 충분히 좋다는 것을 보여주는 데는 시간이 걸리며, 현재 알고리즘은 테스트하고 규제하는 것보다 더 빠르게 생성되고 있습니다.
의료 기기를 평가하는 영국 회사인 Hardian Health의 사장인 Hugh Harvey는 현재 의료 기기가 처음부터 규제 승인을 받는 데 최소 2년이 걸린다고 말합니다.

볼만한 광경, 당신의 비전

노팅엄 대학교 의학 명예교수인 데이비드 볼드윈(David Baldwin)은 폐암 진단에 AI 활용 을 가속화하려는 영국 정부의 계획을 살펴보면서 최근 두 건의 평가에서는 도구의 정확성과 임상적 영향을 확인할 수 없었다고 지적했습니다.
 선전되고 있습니다.
이것은 평가 속도보다 개발 속도가 더 빠르다는 것을 보여주는 예이며, 안전한 배포를 보장하려면 많은 작업이 필요합니다.
라고 그는 말합니다.

2019년 의료 영상 분야에서 82개 알고리즘의 진단 정확도를 체계적으로 검토한 결과 평가 방식이 종종 수준 이하인 것으로 나타났습니다.
특히 우려되는 점은 결과부터 시작하여 이전에 있었던 일을 다시 살펴보는 회고적 임상시험과 달리 중재 후 결과를 살펴보는 전향적 임상시험이 부족하다는 점이었습니다.

이것이 중요한 이유 중 하나는 전향적 임상시험이 오탐지, 즉 시스템에서는 뭔가 잘못되었다고 말했지만 그렇지 않은 경우를 더 잘 포착할 수 있다는 것입니다.
스코틀랜드 NHS 그램피안 (nhs Grampian) 의 컨설턴트 방사선 전문의인 제럴드 립(Gerald Lip)은 미아(Mia)와 같은 일부 알고리즘이 인간보다 유방암을 발견하는 데 있어서 여전히 더 우수하거나 더 뛰어나다는 사실을 발견했습니다.
그 대가로 부분적으로 작동하기 때문입니다.
이미지만 있는 반면 의사는 다른 정보 소스를 갖고 있습니다.
거짓 긍정은 걱정과 잠재적으로 고통스럽고 심지어 위험한 후속 조치로 이어지기 때문에 환자에게 문제가 됩니다.
비용이 증가하기 때문에 의료 시스템에 문제가 됩니다.

당연히 자신과 환자의 시간을 낭비하는 평가 프로세스에 불만을 품은 기업가가 있습니다.

ai가 특정 목적을 위해 이미지를 만들 때 다른 것에 대한 기회적 스크리닝을 증가시키 려면 오탐률이 특히 낮아야 합니다.
실제로 증상이 없는 사람들을 선별하는 모든 접근법에 대해서도 마찬가지입니다.
샌디에이고에 있는 Scripps Research Translational Institute의 책임자인 Eric Topol은 일반적으로 건강한 사람들의 전신 스캔을 수행하는 ezra 와 같은 시스템을 살펴보면서 우연한 발견과 토끼 구멍 광범위한 정밀 검사가 발생할 가능성에 대해 걱정합니다.
위험과 비용”이라는 말을 듣고서야 암이 없다는 사실을 알게 되었습니다.
 ezra 의 수석 과학 고문인 Daniel Sodickson은 우연한 발견에 대한 적절한 대응은 변화가 있는지 확인하기 위한 후속 영상이라고 말합니다.
Topol 박사와 같은 회의론자들이 확신을 가지려면 두 배로 늘리는 접근 방식에 대한 좋은 증거가 많이 있어야 할 것입니다.

상황이 좋아지고 있는 것 같습니다.
 ai가 주류가 되면서 AI 사용 비용을 지불하는 사람들은 가치 있는 것이 무엇인지 결정하기 위해 신뢰할 수 있는 데이터를 찾고 있습니다.
좋은 전향적 연구는 시간이 걸리기 때문에 초기에 연구가 그렇게 많지 않다는 것은 놀라운 일이 아닙니다.
2019년 연구에서 발견된 다른 문제(이전에 볼 수 없었던 데이터가 아닌 시스템이 훈련된 데이터를 사용한 일부 테스트가 있음)는 해당 분야가 성숙해짐에 따라 덜 일반적이 될 것입니다.
당연히 자신과 환자의 시간을 낭비하는 평가 프로세스를 싫어하는 기업가가 있습니다.
Taraman 박사는 자폐증의 조기 진단을 제공하는 테스트의 광범위한 사용을 주저하는 것은 분명한 비용을 초래한다고 걱정합니다.
아이들은 기회의 창을 놓치고 평생 결과를 초래할 것입니다.

하나도 빠짐없이 완성된 초상화

이미지와 방대한 텍스트 본문뿐만 아니라 다양한 데이터 소스에 대해 학습된 차세대 기반 모델은 도구 상자를 더욱 확장할 것으로 보입니다.
이러한 모델에는 레이블을 지정하기 위해 학습되는 엄청난 양의 데이터가 필요하지 않습니다.
그들은 자기 감독 학습 능력을 갖고 있으며 이는 이미지, 게놈 데이터, 유전자 발현 데이터, 대사 데이터, 전자 건강 기록, 혈액 검사, 생활 방식 및 가족력에 대한 설문지에 적용될 수 있습니다.

이미지: 이코노미스트

기초 모델은 이미 존재하는 상태에 대한 더 나은 진단을 위한 수단을 제공해서는 안 됩니다.
또한 암, 심장병 또는 당뇨병과 같이 아직 발생하지 않은 질병에 대해 더 나은 조기 경고를 제공할 수 있습니다(차트 참조). 2022년 중국 연구자들은 이러한 종류의 모델이 코로나19 환자의 중증 질병 위험을 예측할 수 있음을 보여주었습니다.
즉, 이러한 종류의 ai 적용에는 모델이 편견을 도입하거나 증폭시키지 않도록 특별한 주의와 주의가 필요합니다.

이 신기술은 의학에 거의 침투하기 시작하지 않았습니다.
2023년 네이처( Nature )의 한 논문 은 이러한 발전의 최근 시기와 인터넷에서 풍부한 텍스트와 비디오를 사용할 수 있지만(특히 저작권에 대해 너무 까다롭지 않은 경우) 대규모의 다양한 의료 데이터 세트에 접근하는 것이 어렵다는 사실을 설명했습니다.
딱딱한. 이는 대규모 자원을 보유한 회사에 이점을 제공합니다.
따라서 암 진단 모델에 대해 Microsoft와 Paige의 협력에 대한 기대가 커졌습니다.

런던에 있는 무어필드 안과병원(moorfields eye hospital)의 연구원들은 2016년부터 안과에 ai를 적용해 왔습니다.
 지난해 9월 무어필드(Moorfields)와 유니버시티 칼리지 런던(University College London)의 피어스 킨(Pearse Keane)과 동료들은 구글 딥마인드(Google DeepMind)로 생성된 망막 이미지를 위한 기초 모델을 발표했습니다.
당뇨병성 망막증 및 녹내장과 같은 상태에 대한 레이블이 지정된 이미지를 표시하기 전에 백만 개가 넘는 이미지에 대해 사전 훈련된 ret Found는 다양한 안과 질환에 대해 환자를 의뢰하기로 결정할 때 전문가의 성능과 일치할 수 있습니다.
눈 혈관의 작은 변화를 포착함으로써 파킨슨병이나 뇌졸중과 같은 건강 상태를 예측하는 것으로도 보입니다.
Keane 박사는 이 기술이 2~3년 내에 오픈 소스 기반으로 널리 이용 가능해질 것이라고 말했습니다.
 ■