의료인공지능 기술동향과 발전방향

62 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 63
4. 의료인공지능 기술동향과 발전방향
의료 인공지능 동향과 발전 방향
저자 : 박지훈 의료기기·헬스케어 PD / KEIT
 김기영 센터장 / 한국산업기술시험원
 조혜영 수석 / KEIT

요약

의료 인공지능은 다양한 분야에서 발전하고 있으며, 특히 의료영상과 관련된 분야에서 지속적으로 두각을
나타내고 있다. 과거 의료 인공지능 제품은 알고리즘이 동작하기 위하여 많은 컴퓨팅 리소스가 필요함에 따라
서버에서 구동하는 의료영상 분석장치 소프트웨어가 대부분을 차지했다. 이러한 경우에는 CT 등 의료기기를
활용하여 영상 데이터의 획득 후 인공지능 소프트웨어를 통해 진단을 보조할 수 있는 정보를 제공하기 때문에
진료 과정에서 사용성이 낮다는 문제점이 있다.
최근에는 서버시스템이 아닌 의료기기에 인공지능 알고리즘을 결합한 탑재형 인공지능 영상진단 기기가
개발되어 제품화되는 추세다. 주로 개발되는 탑재형 영상진단 의료기기는 제공하는 기능이 따라 다음 3가지
범위로 구분할 수 있다.
- 촬영을 통하여 생성된 의료데이터를 인공지능으로 분석하여 판독 지원
- 실시간 영상과 인공지능 기술을 결합하여 영상 촬영과 판독 지원
- 획득한 영상을 강화하여 촬영 시간 단축 및 영상 품질 개선 수행
국내 의료 인공지능 기술은 꾸준히 성장하고 있으나 아직은 초기 단계이므로 새롭게 나타나는 기술을
적극적으로 활용하여 의료 인공지능 생태계 구축 및 활성화를 도모해야 한다. 향후 의료 인공지능 발전과
관련하여 규제에서 자유로운 고품질 합성 데이터, 알고리즘 측면에서는 생성형 AI, 하드웨어 측면에서는
온-디바이스 AI가 키워드가 될 것으로 예측된다. 새로운 기술 간 시너지 효과를 바탕으로 의료데이터 활용에
대한 규제 등을 기술력으로 극복함에 따라 의료 인공지능 기술과 시장은 폭발적으로 성장할 전망이다.

64 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 65

4. 의료인공지능 기술동향과 발전방향

1 인공지능 의료기기의 정의와 개요

인공지능(Artificial Intelligence, AI)은 컴퓨터 과학, 통계학, 공학의 한 분야로 알고리즘이나 모델을 사용하여
작업하거나 학습, 의사결정, 예측 등을 수행하는 기술을 의미한다. 이와 함께 자주 언급되는 개념이 기계학습
(Machine Learning, ML)이다. 기계학습은 인공지능에 속하는 하위개념으로, 사람이 학습하는 것과 유사하게
컴퓨터로 데이터를 제공하고 학습시켜서 새로운 지식을 얻을 수 있도록 하는 기술이다. 국제의료기기규제
당국자포럼(International Medical Device Regulators Forum, IMDRF)에 따르면, 필요한 의료적 목적을
달성하기 위하여 인공지능 기술이 적용된 의료기기를 인공지능 의료기기(Machine Learning-Enabled
Medical Devices, MLMD)라 정의한다. 이러한 인공지능 의료기기는 기존 의료기기와 비교하여 성능 또는
필수성능 등으로 표현되는 임상적 효과가 높다는 특징을 나타낸다.

그림 1. 인공지능과 기계학습의 관계 및 개념

인공지능 의료기기의 형태는 인공지능 기술을 제공하는 방법과 형태에 따라 크게 2가지로 구분할 수 있다.
먼저 특정 하드웨어에 종속되지 않고 단독으로 기능하는 소프트웨어의 형태, 즉 SaMD(Software as
Medical Devices)로 제공되는 경우다. 특정 질환을 진단하기 위하여 사용하는 진단 보조 소프트웨어가
대표적인 예이며, 많은 인공지능 의료기기가 이러한 형태를 가지고 있다. 다음으로 인공지능 기술이 특정
하드웨어에 종속된 형태로서 의료기기와 결합하여 동작하는 경우가 있으며, 이 경우에는 SiMD(Software
in Medical Devices)라고 할 수 있다. 즉 SaMD는 소프트웨어 자체가 의료기기인 형태이고, SiMD는
의료기기라는 시스템을 구성하는 한 부분을 소프트웨어가 담당한다는 것이 큰 차이점이다. 또한 SaMD는
주로 서버에서 동작함에 따라 컴퓨팅 리소스 활용에 제약이 적으나, SiMD는 기기에서 동작하므로 리소스
활용에 제약이 많은 편이다.

2 영상진단 분야 인공지능 의료기기의 개발 및 사례

다양한 의료 분야 가운데 특히 X-ray, MRI, CT, 초음파 영상, 내시경 영상 등 의료 영상진단 제품의 개발
추세가 전 세계적으로 두드러진다. GE 헬스케어, Arterys, iCAD 등의 기업은 심장, 폐 영상에 관한 진단
알고리즘을 개발하여 상용화했다. 국내에서는 2018년에 VUNO Med-Bond Age라는 제품이 처음으로
인공지능 의료기기로 인허가를 획득했다. 해당 제품은 의료영상분석장치소프트웨어(2등급) 품목으로 수골
X-ray 영상을 분석해 가장 유사한 골연령을 3순위까지 제시함으로써 의료진의 골연령 판독 지원을 위한
용도로 활용된다. 더불어 국내 주요 의료 인공지능 개발기업인 ㈜JLK, ㈜Lunit 등에서도 의료영상분석장치
소프트웨어에 대한 식약처 인허가를 획득했다.

그림 2. VUNO Med-Bond Age

인공지능 기술 기반 의료용 소프트웨어는 의료기기를 통해 디지털 영상을 1차적으로 획득한 후 해당 데이터를
서버에서 구동하는 인공지능 소프트웨어를 활용해 진단을 보조하는 절차로 기능한다. 이 경우 의료데이터의
획득과 동시에 진단 관련 정보를 제공하지 못하는 부분이 발생하고, 인공지능을 동작시키기 위하여 많은
컴퓨팅 리소스가 필요하기 때문에 사용자 편이성 측면에서 개선이 필요한 것으로 지적되었다.
위의 문제점을 해결하기 위해 의료 영상데이터의 획득과 동시에 질환을 진단 보조할 수 있도록 인공지능
알고리즘이 탑재된 의료기기의 개발 및 제품화가 증가하는 추세다. 또 의료 인공지능 제품의 개발 및 사업화를
촉진하기 위해 산업통상자원부에서는 영상진단 의료기기에 탑재하기 위한 AI 기반 영상분석 솔루션 개발
사업을 발굴하여 다양한 의료기관, 연구기관, 기업에 지원하고 있다. 해당 사업에서는 영상 획득과 동시에
진단이 가능한 기술을 확보하기 위하여 인공지능 알고리즘 개발 및 인허가 기술을 지원하고 있다. 기술개발에
필요한 고품질 다기관의 의료데이터 마련, 의료기기 하드웨어에서 구동이 가능한 인공지능 알고리즘 경량화
및 기술개발, 개방형 온오프라인 플랫폼의 기술개발, 개발된 제품의 시험·평가, 임상시험, 인허가 지원이
주요 내용이다.

66 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 67

4. 의료인공지능 기술동향과 발전방향

현재 주로 개발되고 있는 탑재형 의료기기는 크게 3가지 형태로 구분할 수 있다. ① 촬영을 통해 생성된 의료
데이터를 인공지능으로 분석하여 판독에 도움을 주는 형태, ② 실시간 영상과 인공지능 기술을 결합하여 영상
촬영과 판독에 도움을 주는 형태다. 마지막은 ③ 획득한 의료영상을 강화하여 촬영 시간을 단축하고 영상
품질의 개선을 수행하는 형태다.
영상 촬영 결과물을 분석하기 위해 인공지능을 탑재한 의료기기는 의료 CAD S/W와 결합하여 기존 의료기기의
성능을 쉽게 강화할 수 있는 형태를 가진다. DK메디컬에서 개발된 인공지능은 워크스테이션에 설치하여 활용
가능한 제품이며, X-ray 영상에서 폐질환을 검출하는 솔루션을 통해 촬영 결과물에서 질환의 발생 여부를
바로 분석하여 사용자에게 알려준다. 휴비츠에서 개발된 안저 영상 OCT 기반 인공지능 솔루션은 안저 영상
촬영 후 질병의 종류와 위치를 동시에 구분할 수 있도록 인공지능 알고리즘이 진단을 가이드하여 쉽게 활용이
가능하다. 엠티이지에서 개발 중인 수술 동영상 자동 분석 플랫폼은 수술 시간, 도구, 단계, 시나리오를
평가하여 해당 결과물을 바탕으로 시술자의 능력 평가, 가이드 교육 등에 활용할 수 있는 제품이다. 기존의
수술 동영상을 수기로 분석하는 형태에서 인공지능의 도움으로 계량화 및 정량화된 분석이 가능하여 수술
기술 개선과 수술 교육 등에 활용할 수 있다. 인피니트헬스케어에서는 응급 촬영된 CT/MRI에서 복부 출혈을
탐지하고 출혈 상황에 대해 인공지능 알고리즘이 CVR(이상검사결과의 보고)을 자동으로 생성하여 제공하는
것을 목표로 기술개발 중이다. 마지막으로 제노레이에서 개발 중인 인공지능 기반 진단 보조 시스템인 DBT
Mammography는 DBT 장비에서 촬영된 결과물을 워크스테이션에서 인공지능으로 분석하여 사용자에게
질환의 유무와 위치를 알려주는 기능을 제공할 예정이다.

그림 3. 영상진단 의료기기 탑재를 위한 AI 기반 영상분석 솔루션 개발 사업 추진 전력

그림 4. DK메디컬의 폐질환 검출 탑재 X-Ray의 예시

그림 5. 휴비츠의 안저 영상 인공지능 솔루션의 예시

그림 6. 엠티이지의 인공지능 기반 수술 동영상 자동 분석 플랫폼

그림 7. 인피니트헬스케어의 복부 출혈에 대한 CVR 솔루션

68 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 69

4. 의료인공지능 기술동향과 발전방향

그림 8. 제노레이의 DBT AI CAD 솔루션

또한 실시간 영상과 인공지능을 결합하여 의료진에게 알람을 주는 형태는 이상징후를 즉시 알 수 있어 내시경
의료기기를 중심으로 해당 기술이 도입되고 있다. 카이미는 위/대장 내시경 이미지를 처리하고 해당 영상에
인공지능 알고리즘 기술을 적용하여 이상징후를 보이는 병변의 위치를 실시간으로 나타내 주는 인공지능
의료기기를 개발하고 있다. 내시경 검사의 경우 의사가 다수의 환자를 오랜 시간 확인하는 경우가 많기 때문에
실시간으로 진단을 보조하고 정보를 제공하는 기능은 진료 시간 단축과 함께 진료의 질을 향상시킬 수 있는
기술로 기대된다. 엔티엘헬스케어는 자궁경부 영상을 실시간으로 분석하여 자궁경부의 질환을 탐지할 수 있는
자궁질환 탐지 인공지능 솔루션을 개발 중이다. 해당 솔루션은 자궁경부 이상형증 단계를 손쉽게 확인하고
분석할 수 있는 장점이 있다. 솔랜도스는 수술의 종류에 따라 실시간으로 촬영 중인 내시경 영상의 색감을
인공지능 솔루션이 사용자가 원하는 형태로 조절할 수 있는 기술을 개발하고 있다. 의사 등 의료인이 오랜
시간 사용하여 친숙한 기존 내시경 영상의 색감을 인공지능 알고리즘을 활용하여 재현할 수 있기 때문에
새로운 기기 사용에 따른 의료진의 부담을 경감하고 제품에 대한 접근성 향상 및 편리한 활용이 가능할
것으로 기대된다.

그림 9. 카이미의 위장 질환 탐지 인공지능의 예시

그림 10. 엔티엘헬스케어의 자궁경부 질환 탐지 인공지능의 예시

그림 11. 솔랜도스의 수술 내시경 영상 최적화 솔루션의 예시

그림 12. 에어스메디컬의 MRI 촬영 가속 솔루션인 SwiftMR

그림 13. 디엘텍이 개발 중인 인공지능 기반의 저선량 DBT 시스템

마지막 형태는 의료 영상 장비에 인공지능을 결합하여 촬영 시간 감소, 영상 노이즈 균일도 등을 개선하는
목적으로 사용하는 인공지능 솔루션이다. 에어스메디컬에서는 인공지능 솔루션을 활용하여 저품질의
MRI 영상을 고품질로 재생성하는 기술을 개발하고 상용화했다. 일부 환자에게 공포감을 줄 수 있는 MRI
촬영시간을 줄여 환자의 심리적 부담을 줄이고 MRI 활용률을 향상시킬 수 있는 일석이조의 기능을 가진
제품으로 인정받고 있다. 디알텍에서 개발 중인 인공지능 기반의 저선량 DBT 시스템은 저선량으로 촬영 시
발생하는 노이즈를 감소시키기 위해 인공지능 기술을 적용한 제품이다. 해당 제품은 저선량 영상의 품질을
향상시켜서 진단의 정확성을 높이기 위한 정보를 제공할 뿐만 아니라 영상 촬영 시 환자에게 인가하는
피폭량을 경감시켜 인체에 발생하는 부담을 줄일 수 있다. 오스템임플란트에서는 치아 CBCT 영상의 정확도
및 균일도를 개선하는 인공지능 시스템을 개발 중이며, 환자가 CBCT를 한 번 촬영하면 CT를 추가로 촬영하지
않아도 골밀도를 분석할 수 있는 기능이 제공되기 때문에 편이성이 향상될 것으로 예상된다.

70 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 71

4. 의료인공지능 기술동향과 발전방향

그림 14. 오스템임플란트의 치아 CBCT 정확도 및 균일도 개선 시스템

3 의료 인공지능 기술의 미래와 과제

탑재형 인공지능 의료기기를 포함하여 그간 의료 인공지능 개발 과정에서 지적된 주요 문제점들을 도출하고,
인공지능과 관련한 최신 기술을 여기에 적용함으로써 해결할 수 있는 방안을 고찰해 볼 필요가 있다. 의료
인공지능의 개발과 관련하여 주로 기술개발을 위한 의료데이터의 활용, 실제 임상 환경에서 인공지능
알고리즘의 성능, 민감한 개인정보의 보안 유지 등이 지속적으로 핵심 이슈로 고려되고 있다.
의료 인공지능을 개발하기 위하여 고품질의 의료데이터 활용은 필수이며, 데이터 3법과 「보건의료데이터
활용 가이드라인」 등의 개정으로 의료데이터에 대한 접근성은 개선되는 추세다. 하지만 여전히 의료 인공지능
기술을 개발하는 기업에서는 의료데이터에 대한 접근성이 낮고, 데이터를 활용하기 위하여 지불해야 하는
비용이 부담스러운 현실이다. 다양한 기관에서 의료데이터를 활용할 수 있도록 공공 플랫폼을 통해 안내하고
있지만, 이러한 의료데이터 또한 안심존으로 지정된 곳에 한하여 활용하거나 VDI 기술을 적용한 환경에서만
의료데이터 활용을 요구하고 있어 사용성이 낮다는 문제점이 지속되고 있다.
의료 인공지능 기술이 개발되어 시장에 출시되었지만, 알고리즘의 성능이 의료진의 눈높이를 충족하지
못하는 경우도 종종 발생한다. 특정 의료기관에서 실시한 임상시험 결과에 따른 인공지능의 명시적 성능은
실제 필드에서 제시한 성능을 만족하지 못하는 수준이다. 이러한 경우, 인공지능 모델과 관련된 문제이거나
학습을 수행한 데이터와 관련하여 발생한 문제로 추정할 수 있다.
의료 인공지능은 그 사용범위가 점차 확산되고 있으며, 이와 관련하여 개인정보 보안에 대한 이슈도 종종
발생하고 있다. 기존 인공지능 소프트웨어는 대부분 의료기기를 통하여 수집한 개인의 의료정보를 중앙
클라우드 서버로 전송해 분석하고, 다시 기기에 보내는 방식으로 구동하고 있다. 이러한 과정에서 개인정보가
노출되거나 보안상 문제가 발생할 확률이 높아지고 있다.
최근 의료 인공지능과 관련한 데이터, 모델, 보안 등 핵심적인 요소에 대해 문제를 해결하는 데 적용할 수
있는 새로운 기술들이 지속적으로 개발되고 있다. 구체적으로 합성데이터(Synthetic Data), 생성형 AI
(Generative AI), 온-디바이스 AI(On-device AI) 기술이 핵심 요소와 연관된 문제를 해결하는 대표적인
예시로 제시될 수 있다. 또 이러한 기술을 적극적으로 활용하여 글로벌 트렌트에 따른 의료 인공지능 개발을
위한 인프라와 기술력이 확보되어야 할 것이다.

인공지능 기술개발을 위한 합성 의료데이터 마련

의료 인공지능 기술개발과 관련하여 핵심적인 요소는 의료데이터와 인공지능 알고리즘이라 할 수 있다. 특히
개발하고자 하는 인공지능 알고리즘에 필요한 정보를 가진 의료데이터의 확보 여부에 따라 인공지능 알고리즘의
성능이 좌우된다고 할 수 있다. 하지만 의료데이터를 확보하는 것은 비용과 제도 등으로 인해 많은 어려움이
있으며, 실제 의료데이터가 아닌 합성데이터를 생성하여 활용하는 것은 합리적인 대안이 될 수 있다.
합성데이터란 실제 데이터와 유사하지만 실제로 존재하지 않는 데이터를 의미하며, 의료 분야에서는 실제
환자의 의료데이터를 시뮬레이션하여 인위적으로 생성된 데이터를 말한다. 이러한 합성데이터를 생성하기
위한 대표적인 기술이 생성적 적대 신경망(GAN; Generative Adversarial Networks)이며, 두 개의 네트워크로
구성된 심층 신경망이 서로 경쟁하는 네트워크 구조를 나타내고 있다. GAN은 인공지능 알고리즘의 종류
중에서도 학습이 까다로운 편이며, 이러한 문제점을 해결하고 성능을 향상시키기 위하여 Deep Convolutional
GAN, Wasserstein GAN, Boundary Equilibrium GAN 등의 응용 기술이 활용되고 있다.

그림 15. GAN 알고리즘 구조의 개요

출처: developers.google.com/machine-learning/gan/gan_structure?hl=ko

합성데이터를 사용하는 경우, 다양한 장점이 있다. 수집된 불완전한 의료데이터는 AI 모델 개발에 좋지 않은
영향을 미칠 수 있으므로 합성데이터를 생성하여 불완전한 데이터를 보완할 수 있다. 또 합성데이터를 통해
잠재적으로 발생 가능한 예외 사례를 학습에 포함시킬 수 있고, 데이터 수집 비용의 절감과 개인정보 보호 등
긍정적인 결과를 도출할 수 있다. 대표적인 사례로 수집된 시계열 생체신호 데이터에 일부 결손이 발생하였을
경우 인공지능 기술을 활용하여 결손된 부분을 합성데이터로 보완할 수 있다. 인공지능 개발과 관련하여
서양에서 흔히 발생하는 흑색종을 검출하는 알고리즘을 개발하기 위해 합성데이터를 활용한 사례를 해외
기업이나 국내 의료기관 등에서 쉽게 찾아볼 수 있다.
다양한 장점에도 불구하고 GAN 알고리즘을 활용해 합성데이터 생성하는 기술은 난이도가 높다는 단점이 있다.
서로 비슷한 수준의 생성자(Generator)와 구분자(Discriminator)가 함께 조금씩 발전해야 하지만, 그렇지 못한
경우에는 학습이 제대로 이루어지지 않아 생성된 합성데이터의 품질이 낮아질 우려가 있다.

72 한국산업기술기획평가원 KEIT Issue Review • 의료인공지능 기술동향과 발전방향 73

4. 의료인공지능 기술동향과 발전방향

생성형 AI 기술과 관련하여 거대언어모델(LLM; Large language model)을 기반으로 데이터를 스스로
생성하는 기술이 주목받고 있으며, 주요 글로벌 IT 기업들이 앞다투어 시장에 진출하고 있다. 마이크로
소프트는 진료 기록 앱인 ‘닥스 익스프레스(Dax Express)’, 구글은 의료전문가와 환자의 질문에 유용한
답변을 생성하도록 설계한 ‘메드팜 2(Med-PaLM 2)’, 아마존은 환자의 진료 기록을 자동으로 작성해
주는 서비스인 ‘AWS 헬스 스크라이브’ 등을 시장에 출시하고 있다.

그림 16. Google의 Med-PaLM 2에 사용된 Ensemble Refinement 기법

생성형 AI 기술은 제시된 문제에 대한 답변을 생성할 수 있으나 생성된 답변의 적절성을 스스로 평가할 수
없다는 한계가 있다. 이로 인해 생성형 AI 기술을 적용함에 있어 잘못된 정보를 사실 같이 전달하는
할루시네이션(Hallucination)이 가장 대표적 문제로 지적된다. 향후 생성형 AI를 의료 현장에서 사용하는
경우 할루시네이션을 예방하기 위해 고품질의 학습 데이터 제공, 전문가 피드백을 통한 강화학습(RLHF;
Reinforcement learning from human feedback) 등이 실시되어야 할 것이다.
보안성 향상을 위한 온-디바이스 AI 기술 적용
타 산업 분야에 비해 의료 분야에 인공지능을 적용하고 활성화하기 어려운 이유 중 하나는 개인 의료정보에
대한 유출 우려 때문이다. 개인의 의료정보는 「개인정보보호법」 제23조에 따라 “민감 정보”에 해당하므로
정보 활용을 위해서는 일반 개인정보 관련 동의와 구분되는 별도의 추가 동의를 얻어야 한다. 더불어 사회적
구성원들은 의료정보의 경우 일반적인 개인정보보다 안전성 및 보안성을 확보하기 위해 필요한 조치를 더
강화해야 한다는 인식이 팽배하다. 이러한 흐름에서 온-디바이스 AI 기술은 개인 의료정보의 보안성 이슈를
해결할 수 있다.
기존 의료 인공지능 제품은 의료기기에서 데이터를 수집하고 이를 서버로 전송하여 인공지능으로 분석한 후
다시 의료기기로 정보를 전달하는 방식으로 구동했다. 하지만 온-디바이스 AI는 분리된 클라우드 서버를
거치지 않고 의료기기 자체적으로 정보를 수집하여 인공지능 알고리즘을 구동하고 분석을 수행할 수 있는
기술이다.
온-디바이스 AI 기술 적용의 대표적인 장점 중 한 가지는 의료데이터를 생성한 기기 내부에서 정보를
처리하므로 서버로 데이터 전송을 하지 않아 빠른 분석 및 진단이 가능하다는 것이다. 또한 서버와 빈번하게
통신하지 않으므로 서버 중심의 기존 의료 인공지능 제품과 비교하여 통신 해킹 등으로 인한 개인정보
유출 및 보호에서도 일정 부분 자유로울 수 있다. 이러한 장점으로 인해 별도의 네트워크가 제공되지 않아도
인공지능 알고리즘 기반의 신속한 진단 보조 기능을 활용할 수 있다.
온-디바이스 AI 기술은 의료 AI 저변 확대를 위한 마중물 역할을 할 것으로 기대되고 있으나, 원활한
확산을 위해 해결해야 하는 문제도 있다. 제한된 하드웨어 사양과 컴퓨팅 리소스의 한계로 인공지능
알고리즘이 오작동할 수 있다는 점이다. 또한 개별 기기 수준에서 인공지능이 구동함에 따라 알고리즘의
오류 등을 사전에 예방하기 어려울 수 있으며, 왜곡된 데이터를 중심으로 로컬 영역에서 집중적인 학습을
하는 경우 잘못된 결과를 도출할 수 있다. 때문에 이러한 문제들의 발생 가능성을 고려하여 위험 관리 분석
등을 토대로 대응 방안의 마련이 필요하다.
인공지능 기술은 4차 산업혁명과 관련하여 핵심적인 기술로 각광 받고 있다. 하지만 의료 인공지능 기술이
데이터를 활용하기 위해서는 「의료법」과 「개인정보보호법」뿐만 아니라 제품의 시장 진출과 관련된
「의료기기법」과 「의료기기 허가·신고·심사 등에 관한 규정」 등 다양한 규제가 적용되기 때문에 사업화가
어려운 분야다. 하지만 최근 「보건의료데이터 활용 가이드라인」의 발간 및 개정과 「혁신의료기기 허가 등에
관한 특례」 등을 통하여 의료 인공지능 생태계 마련을 위한 전반적인 제도를 지속적으로 정비하고 있다.
이와 더불어 정부의 인공지능 분야에 관한 지속적인 기술개발 지원을 통한 결과물이 가시적인 성과를
도출할 수 있는 환경도 조성되고 있다.
의료 분야의 특수성으로 인해 타 분야와 비교했을 때 자유로운 기술개발에 제약이 많아 여전히 사업화 등이
어려운 상황이다. 그러나 생성형 AI 등을 활용하여 가까운 미래에는 제도적인 한계를 기술력으로 극복하고
보다 자유로운 기술개발이 가능한 환경으로 조성되리라 예상된다. 합성데이터, 생성형 AI, 온-디바이스
AI라는 세계적인 인공지능 기술 트렌드를 중심으로 의료 인공지능 분야에 대한 기술개발과 제도 개선을
체계적으로 추진할 때 우리나라는 의료 인공지능 분야 세계 강국으로 도약하기 위한 발판을 마련할 수 있을
것이다.

4 결론 및 시사점

인공지능 기술은 4차 산업혁명과 관련하여 핵심적인 기술로 각광 받고 있다. 하지만 의료 인공지능 기술이
데이터를 활용하기 위해서는 「의료법」과 「개인정보보호법」뿐만 아니라 제품의 시장 진출과 관련된
「의료기기법」과 「의료기기 허가·신고·심사 등에 관한 규정」 등 다양한 규제가 적용되기 때문에 사업화가
어려운 분야다. 하지만 최근 「보건의료데이터 활용 가이드라인」의 발간 및 개정과 「혁신의료기기 허가 등에
관한 특례」 등을 통하여 의료 인공지능 생태계 마련을 위한 전반적인 제도를 지속적으로 정비하고 있다.
이와 더불어 정부의 인공지능 분야에 관한 지속적인 기술개발 지원을 통한 결과물이 가시적인 성과를
도출할 수 있는 환경도 조성되고 있다.
의료 분야의 특수성으로 인해 타 분야와 비교했을 때 자유로운 기술개발에 제약이 많아 여전히 사업화 등이
어려운 상황이다. 그러나 생성형 AI 등을 활용하여 가까운 미래에는 제도적인 한계를 기술력으로 극복하고
보다 자유로운 기술개발이 가능한 환경으로 조성되리라 예상된다. 합성데이터, 생성형 AI, 온-디바이스
AI라는 세계적인 인공지능 기술 트렌드를 중심으로 의료 인공지능 분야에 대한 기술개발과 제도 개선을
체계적으로 추진할 때 우리나라는 의료 인공지능 분야 세계 강국으로 도약하기 위한 발판을 마련할 수 있을
것이다.

 

 

AI 기반 자율로봇 기술 동향 소개

 

2024년 산업혁신인재성장지원(교육훈련)첨단산업 특성화대학원 지원사업 시행계획 및 지정 통합