그래프 데이터베이스(Graph Database) 기반의 대장암 진료용
의사결정 지원 도구 개발
전 세계 인구의 사망원인 2위는 암으로, 2018년에만 대장암으로 86만 명이 사망했습니다. 암 연구와 치료가 꾸준히 발전해왔지만, 아직까지도 의료 종사자는 대규모의 암 환자를 치료할 방법에 대해 어려움을 겪고 있습니다. 의사의 역량에만 의존하여 치료방법을 찾아내는 것에 한계가 있기에 빅데이터를 기반으로 한 의사결정 지원 도구의 도움을 받기도 합니다. 그래서 B병원은 올바른 진단을 효율적으로 수집하기 위해 IBM의 헬스케어 인공지능인 왓슨(Watson)을 도입했습니다.
지난 2016년 B병원에 의사의 진료 소견에 대한 의사결정을 돕는 인공지능 ‘왓슨(Watson)’을 도입했습니다. 하지만 왓슨에는 몇 가지의 핵심적인 결함이 존재했습니다.
타지에서 한계를 보이는 왓슨(WATSON)
첫째는 의사와 왓슨의 의견 일치율이 낮다는 점입니다. 왓슨은 태생적으로 미국의 암 데이터를 기반으로 평가를 하는데, 우리나라와 미국의 의료 데이터가 완벽하게 일치하지 않습니다. 우리나라뿐만 아니라 인도에서도 동일한 문제가 있었습니다. 마니팔 병원에서 3년간 왓슨(Watson)을 도입해 제시한 치료법과 의사의 소견이 일치하지 않는 경우가 많았습니다. 결국 의사 소견과의 의견 일치율이 떨어지면서 왓슨을 써야 할 이유가 없는 것은 아닌지에 대한 의문으로 이어졌습니다. 참고로 왓슨은 ‘블랙박스’ 형식의 인공지능 시스템이기 때문에 보험 적용도 되지 않았습니다.
블랙박스 형식의 인공지능 시스템은 최종 결과에 대한 근거와 도출 과정의 타당성을 제공하지 않습니다. 전문의는 블랙박스 역할을 하는 왓슨의 의견을 참고할 수는 있지만, 왓슨이 제시한 결과에 대한 근거를 추적할 수가 없습니다. 왓슨은 규칙 기반의 AI로 정해진 틀 내에서 데이터를 분석합니다. 규칙을 수정하기 위해서는 IBM의 기술자가 프로그램 로직을 전면 수정해야 하는데, 이 과정에서 상당한 금액의 유지보수비용이 발생합니다. 이는 두 번째 문제와 유사한 경우이기도 합니다.
미국 의료 데이터 기반의 왓슨이 우리나라의 환경에 맞지 않다면, 국내 데이터를 왓슨에 추가로 입력하면 되지 않느냐는 의문을 품을 수 있습니다. 하지만 이 또한 간단하게 해결할 수 있는 문제가 아닙니다. 국내 데이터를 왓슨에 입력하는 것 또한 추가 비용이 발생하기 때문입니다. 환자에게 섣불리 권하기 힘든 고가의 치료 비용이 발생하는 솔루션에 데이터 입력 비용까지 추가로 지출해야 한다면, 병원 입장에서 이를 받아들이기는 쉽지 않을 것입니다.
마지막으로 왓슨의 핵심적인 문제는 병원의 EMR(전자 의무기록)과 연동되지 않아서 사용이 불편하다는 점입니다. 이러한 문제 해결을 위해 B병원은 비트나인과 새로운 솔루션 도입을 위한 PoC를 진행했습니다.
윤리 기반 데이터를 제공하는 지능 증강 기술, AgensGraph
비록 왓슨과 의사의 의견 일치율은 낮지만, 여전히 환자의 방문은 줄어들지 않았습니다. 인공지능이 의사와 비슷한 수준에 도달했다는 소식을 듣고 단순 호기심이나 의사보다 더 나을 것이란 기대감에 병원을 찾는다고 합니다.
병원은 사람을 살리는 곳입니다. 따라서 의사는 단순히 효율을 극대화하는 AI 시스템을 추천하기보다 정확한 데이터를 기반으로 사람의 생명을 구하기 위한 윤리적인 판단을 해야 했습니다. 왓슨이 잘못된 결과를 도출해 오진하고, 잘못된 데이터를 기반으로 환자를 치료해 환자의 상태가 악화된다면 그 책임은 왓슨이 아닌 왓슨을 적용한 병원에 있습니다.
왓슨은 블랙박스 형식의 인공지능 시스템으로, 설명 가능한 AI(eXplainable AI, XAI)의 조건에 적합하지 않기 때문에, B병원은 별도의 의사결정 지원 도구를 도입하여 시험하기로 결정했습니다. 이에 B병원은 비트나인의 아젠스그래프를 도입해 지능 증강(Intelligence Augmentation, 이하 IA)과 유사한 기술을 적용하기로 했습니다.
지능 증강(IA)이란 AI 시장에서 그래프 테크놀로지의 필요성 Pt.2에도 언급했듯이 사람의 일을 대체하는 AI의 반대 개념입니다. IA(지능 증강)는 보통 데이터 분석 도구 또는 머신러닝이 통합된 기술로, 사람의 업무를 도와주어 업무효율을 높이는 기술입니다.
현재 B병원은 아젠스그래프(AgensGraph)를 대장암 치료의 의사결정 지원 도구로써 적용 가능성을 검토 중인 단계이며, 이를 토대로 B병원의 데이터 분석과 예측모델을 개발했습니다.
이는 왓슨이 할 수 없었던 의사결정 과정의 근거 추적을 논리적으로 가능하게 해주는 XAI(eXplainable AI, 설명 가능한 인공지능) 모델입니다.
아젠스그래프는 PostgreSQL기반의 멀티 모델 솔루션으로 관계형 데이터(Relational Database, RDB)와 그래프 데이터(Graph Database, GDB)의 결합이 가능합니다. 아젠스그래프로 분석 요건을 수행하기 위해 EMR 데이터(전자 의무기록 데이터)의 다양한 인자로부터 패턴을 발견하여 대장암 치료를 위한 의사의 소견에 대한 의사결정을 지원하기 위한 데이터를 구성했습니다. 기존에 RDB형태로 저장된 대장암 수술 환자의 EMR 데이터를 분류하여 관리하고 의사가 참고할 수 있는 형태로 분석합니다.
그래프 DB로 도약하는 B병원의 미래
아젠스그래프(AgensGraph)가 B병원에 소개되면서 복잡했던 EMR 데이터를 수집하고 정제하는 과정을 단축할 수 있게 되어 분석용 EMR 데이터의 효율적인 적재가 가능하게 되었습니다. 환자의 상태 정보를 논리적으로 분류한 카테고리의 조회도 가능해져, 통계의 확인도 편리해졌습니다. B병원의 대장암 전문의는 이러한 통계를 보고 치료법에 대한 의사결정의 정확도가 한결 나아졌다고 말했습니다.
현재 B병원은 아젠스그래프를 데이터 수집과 정제에 특화된 용도로 사용하고 있지만, 앞으로 분석의 편의성을 확보하기 위해 그래프 분석모델의 도입 또한 고려하고 있습니다. 시각화하여 나타나는 그래프 데이터베이스(그래프 DB)의 노드와 특성은 관계형 DB보다 높은 가시성을 자랑하기 때문에 의사는 시간을 절약하면서 도출된 자료를 분석할 수 있습니다.
세계적으로 많은 기업과 소매업에서는 인건비를 줄이기 위해 AI를 활용하고 있습니다. 하지만 병원에 AI를 도입하기 위해서는 까다로운 조건이 몇 가지 있습니다. 우선 B병원의 도입 사례처럼 AI가 치료법을 제시하되 전문의와 의견이 일치해야 합니다. 또, 환자의 생사가 걸린 문제를 해결하기 위해 결론에 대한 근거를 제시할 수 없는 AI를 도입하는 것은 바람직하지 않습니다. 윤리적인 문제를 간과한 채 무작정 병원에 인공지능을 도입할 수는 없습니다.
아직까지는 위에서 언급한 IA 기술로 의사의 소견을 보조하여 결정을 내리는 것이 더 효율적인 방법입니다. 아직 B병원에서 진행 중인 초기 단계의 아젠스그래프를 IA 기술의 완전체라고 부르기에는 섣부른 면이 있지만, IA 기술과 같은 목적을 가지고 있다는 것은 확실합니다. 이번 병원 프로젝트의 최종 목표는 다양한 경로로 다수의 EMR 데이터를 수집하여 고도화된 데이터 기반의 분석 도구를 개발하는 것이며, 기존의 왓슨과 나란히 사용할 수 있는 또 하나의 대장암 의사결정 지원 도구를 제공하는 것입니다.
인공지능과의 연결고리
그래프 데이터베이스
Bitnine
다양한 AgensGraph 적용사례를 확인하세요