Can AI Catch What Doctors Miss? | Eric Topol | TED

번역: Seongjae Hwang 검토: DK Kim

I've had the real fortune of working at Scripps Research

저는 정말 운이 좋게 지난 17년 동안 스크립스 리서치에서 일했습니다.

for the last 17 years.

It's the largest nonprofit biomedical institution in the country.

미국에서 가장 큰 비영리 생의학 연구소죠.

And I've watched some of my colleagues,

저는 제 동료들 몇 명이 삼사 년이 걸려서

who have spent two to three years

to define the crystal 3-D structure of a protein.

3차원 단백질 결정 구조를 확인하는 것을 지켜봤습니다.

Well, now that can be done in two or three minutes.

이제는 이삼 분 안에 이 작업을 완료할 수 있습니다.

And that's because of the work of AlphaFold,

딥마인드에서 파생된 알파폴드 덕분인데

which is a derivative of DeepMind, Demis Hassabis and John Jumper,

딥마인드의 데미스 하사비스, 존 점퍼는 이 연구 성과로

recognized by the American Nobel Prize in September.

지난 9월 미국의 노벨상을 받았습니다.

What's interesting, this work,

이 연구에서 흥미로운 점은

which is taking the amino acid sequence in one dimension

1차원 아미노산 서열을 가지고

and predicting the three-dimensional protein at atomic level,

원자 수준에서 3차원 단백질을 예측하는 이 연구가

[has] now inspired many other of these protein structure prediction models,

수많은 다른 단백질 구조 예측 모델들로 하여금

as well as RNA and antibodies,

RNA 및 항체 예측뿐 아니라

and even being able to pick up all the missense mutations in the genome,

심지어 유전체의 모든 미세 변이를 식별하고

and even being able to come up wit proteins

이전에 발명된 적이 없고 자연에 존재하지 않는

that have never been invented before, that don't exist in nature.

새로운 단백질까지 생각해 낼 수 있게 한 것입니다.

Now, the only thing I think about this is it was a transformer model,

저는 이게 트랜스포머 모델이라는 점에만 관심이 가는데

we'll talk about that in a moment,

그건 곧 이야기하겠습니다.

in this award, since Demis and John

이 상을 받는 과정에서 데미스, 존과 과학자 30명 팀은

and their team of 30 scientists

don't understand how the transformer model works,

트랜스포머 모델이 어떻게 작동하는지 모르니까

shouldn't the AI get an asterisk as part of that award?

수상자 중에서 AI에 강조 표시가 되어야 하지 않을까요?

I'm going to switch from life science,

생명 과학의 큰 공로에 대해 지금까지 봤는데

which has been the singular biggest contribution just reviewed,

이제 의학 이야기로 넘어가겠습니다.

to medicine.

And in the medical community,

의학계에서 별로 이야기하지 않는 주제는

the thing that we don't talk much about are diagnostic medical errors.

진단에서 생기는 의학적 오류입니다.

And according to the National Academy of Medicine,

국립의학원에 따르면

우리 모두가 일생에 적어도 한 번은 경험하게 될 것입니다.

all of us will experience at least one in our lifetime.

And we know from a recent Johns Hopkins study

존스 홉킨스 대학의 최근 연구를 보면

that these errors have led to 800,000 Americans dead

이런 오류 때문에 매년 미국인 80만 명이

사망하거나 심각한 장애를 얻는다고 합니다.

or seriously disabled each year.

So this is a big problem.

따라서 이는 중대한 문제입니다.

And the question is, can AI help us?

궁금한 것은 과연 AI가 우리를 도울 수 있을까입니다.

And you keep hearing about the term “precision medicine.”

우리는 '정밀 의료'라는 말을 계속 듣습니다.

Well, if you keep making the same mistake over and over again, that's very precise.

뭐, 같은 실수를 계속 반복한다면 아주 정밀하긴 하죠.

(Laughter)

(웃음)

We don't need that,

그런 게 아니라 정확하면서 정밀한 의학이 필요한 겁니다.

we need accuracy and precision medicine.

So can we get there?

그래서, 가능할까요?

Well, this is a picture of the retina.

이건 망막 사진입니다.

이것이 첫 번째 중요한 단서였습니다.

And this was the first major hint,

training 100,000 images with supervised learning.

지도 학습을 통해 영상 십만 개를 학습시켰죠.

Could the machine see things that people couldn't see?

사람이 볼 수 없는 것들을 기계가 볼 수 있을까요?

And so the question was, to the retinal experts,

망막 전문가들에게 이런 질문을 던졌습니다.

is this from a man or a woman?

이 망막 사진 주인은 남자일까요, 여자일까요?

And the chance of getting it accurate was 50 percent.

정확하게 맞힐 확률은 50%였습니다.

(Laughter)

(웃음)

But the AI got it right, 97 percent.

하지만 AI는 97%를 맞혔습니다.

So that training,

심지어 이 학습에서는

the features are not even fully defined of how that was possible.

학습 자료가 완전히 정의된 것도 아닌데 이게 어떻게 가능했을까요?

Well that gets then to all of medical images.

모든 의료 영상으로 이 기술이 퍼집니다.

This is just representative, the chest X-ray.

한 예로 흉부 엑스레이입니다.

And in fact with the chest X-ray,

실제로 흉부 엑스레이를 가지고

the ability here for the AI to pick up,

AI 가 뭔가를 발견하는 능력이 어느 정도냐 하면,

the radiologists, expert radiologists missing the nodule,

전문 방사선사가 놓친 결절을

which turned out to be picked up by the AI as cancerous,

AI가 악성이라고 집어냈습니다.

and this is, of course, representative of all of medical scans,

물론 이것은 CT든, MRI든, 초음파든

whether it’s CT scans, MRI, ultrasound.

모든 의료 영상에 적용됩니다.

표지가 붙고 주석이 달린 대규모 데이터로 지도 학습을 하면

That through supervised learning of large, labeled, annotated data sets,

we can see AI do at least as well, if not better,

AI는 전문 의사보다 더 낫거나 최소한 그에 못지않습니다.

than expert physicians.

결장 내시경에 머신 비전을 적용해

And 21 randomized trials of picking up polyps --

용종을 찾아내는 무작위 실험을 21번 했는데

machine vision during colonoscopy -- have all shown

모든 실험에서 소화기 전문의 단독으로 할 때보다

that polyps are picked up better

with the aid of machine vision than by the gastroenterologist alone,

머신 비전의 도움을 받을 때 용종을 더 잘 찾아냈습니다.

especially as the day goes on, later in the day, interestingly.

특히 시간이 지날수록, 재미있게도 오후가 될수록 말이죠.

We don't know whether picking up all these additional polyps

용종을 추가로 발견하는 것이

암의 자연 경과를 바꾸는지는 알 수 없지만

changes the natural history of cancers,

but it tells you about machine eyes,

기계 시각의 능력은 알려줍니다.

the power of machine eyes.

Now that was interesting.

흥미로운 결과입니다.

But now still with deep learning models, not transformer models,

트랜스포머 모델이 아니라 딥 러닝 모델만 가지고도

we've seen and learned that the ability

컴퓨터 시각은 사람 눈이 보지 못한 것을 발견하는 능력이

for computer vision to pick up things that human eyes can't see

상당히 뛰어나다는 사실을 이제 보고 배웠습니다.

is quite remarkable.

Here's the retina.

이것은 망막입니다.

Picking up the control of diabetes and blood pressure.

혈당과 혈압 조절 능력을 알 수 있고

Kidney disease.

신장 질환,

Liver and gallbladder disease.

간 및 담낭 질환,

The heart calcium score,

심장 칼슘 수치도 알아내는데

which you would normally get through a scan of the heart.

보통은 심장 검사를 해야 알 수 있습니다.

어떤 임상 증상도 나타나기 전에 알츠하이머를 찾아내고

Alzheimer's disease before any clinical symptoms have been manifest.

심장 마비와 뇌졸중도 예측하며

Predicting heart attacks and strokes.

Hyperlipidemia.

고지혈증,

And seven years before any symptoms of Parkinson's disease,

증상이 나타나기 7년 전에 파킨슨병도 찾아냅니다.

to pick that up.

Now this is interesting because in the future,

대단히 흥미롭습니다.

미래에는 검진할 때 망막 사진을 찍게 될 테니까요.

we'll be taking pictures of our retina at checkups.

This is the gateway to almost every system in the body.

여기가 신체의 거의 모든 기관으로 통하는 관문인 겁니다.

It's really striking.

정말 놀랍습니다.

And we'll come back to this because each one of these studies

이 연구는 나중에 다시 보겠습니다.

was done with tens or hundreds [of] thousands of images

각각이 수만에서 수십만 개 영상으로 지도 학습을 한 산물이고

with supervised learning,

and they’re all separate studies by different investigators.

전부 다른 연구자들이 수행한 별개 연구거든요.

Now, as a cardiologist, I love to read cardiograms.

저는 심장병 전문의로서

심전도를 읽는 것을 좋아하고 이 일을 30년 넘게 해 왔습니다.

I've been doing it for over 30 years.

But I couldn't see these things.

그런데 이런 것들은 알 수가 없었습니다.

Like, the age and the sex of the patient,

환자의 나이와 성별에

or the ejection fraction of the heart,

심장의 박출률도 알아내고

making difficult diagnoses that are frequently missed.

흔히 쉽게 놓치는 어려운 진단도 내립니다.

The anemia of the patient, that is, the hemoglobin to the decimal point.

소수점 단위로 혈색소 수치와 빈혈 여부도 알 수 있고

Predicting whether a person,

심방세동이나 뇌졸중을 겪은 적 없는 사람에게,

who's never had atrial fibrillation or stroke

from the ECG,

그런 병이 생길 가능성이 있는지도 심전도로 예측합니다.

whether that's going to likely occur.

Diabetes, a diagnosis of diabetes and prediabetes, from the cardiogram.

당뇨병과 당뇨병 전증 여부도 심전도로 찾아냅니다.

The filling pressure of the heart.

심장의 충만기 압력,

Hypothyroidism

갑상선 기능 항진증 여부,

and kidney disease.

신장 질환.

Imagine getting an electrocardiogram to tell you about all these other things,

이렇게 심장과 관계없는 모든 것들에 대해

심전도만으로 알 수 있다고 상상해 보세요.

not really so much about the heart.

Then there's the chest X-ray.

흉부 엑스레이도 있습니다.

Who would have guessed that we could accurately determine

환자의 인종을 정확히 판별할 수 있다고 누가 상상이나 했을까요?

the race of the patient,

no less the ethical implications of that,

이것의 윤리적 의미는 말할 필요도 없겠지만,

from a chest X-ray through machine eyes?

기계 눈으로 흉부 엑스레이를 보고 판별할 수 있습니다.

And interestingly, picking up the diagnosis of diabetes,

그리고 흥미롭게도 당뇨병 여부와

as well as how well the diabetes is controlled,

당뇨가 얼마나 잘 관리되고 있는지도

through the chest X-ray.

흉부 엑스레이로 판단합니다.

And of course, so many different parameters about the heart,

물론 심장에 대한 매개 변수가 너무 많고 다양해서

which we could never,

우리 방사선 전문의, 심장병 전문의는 절대로

radiologists or cardiologists, could never be able to come up

머신 비전이 할 수 있는 이런 일들을 생각해낼 수 없었습니다.

with what machine vision can do.

Pathologists often argue about a slide,

병리학자들은 흔히 슬라이드 하나를 두고

about what does it really show?

그게 뭘 나타내는지 논쟁을 벌입니다.

But with this ability of machine eyes,

하지만 이 기계 눈의 능력으로

the driver genomic mutations of the cancer can be defined,

암을 유발하는 주요 유전체 변이뿐 아니라

no less the structural copy number variants

종양에 나타나는 구조적인 복제수 변이도 정의할 수 있습니다.

that are accounting or present in that tumor.

Also, where is that tumor coming from?

또, 많은 환자들에서는 종양이 어디에서 번졌는지 알 수 없습니다.

For many patients, we don’t know.

But it can be determined through AI.

하지만 AI를 통해 확인할 수 있습니다.

And also the prognosis of the patient,

또한 환자의 예후 역시 슬라이드만으로 알 수 있습니다.

just from the slide,

by all of the training.

이런 모든 학습을 하면 말이죠.

Again, this is all just convolutional neural networks,

다시 말씀드리지만, 여기까진 합성곱 신경망일 뿐이며

not transformer models.

트랜스포머 모델은 아닙니다.

So when we go from the deep neural networks to transformer models,

이 심층 신경망에서 트랜스포머 모델로 넘어가 봅시다.

this classic pre-print,

이 고전적인 예비 논문은

one of the most cited pre-prints ever,

역대 무척 많이 인용된 예비 논문 중 하나인

"Attention is All You Need,"

'Attention is All You Need'입니다.

the ability to now be able to look at many more items,

이 기술은 언어든 영상이든

더 많은 요소를 보고

whether it be language or images,

and be able to put this in context,

맥락에 맞춰 구성해서

setting up a transformational progress in many fields.

많은 분야에서 혁신적인 진전을 이뤘습니다.

The prototype is, the outgrowth of this is GPT-4.

시험 작품은 지피티4입니다.

With over a trillion connections.

지피티4에는 1조 개가 넘는 연결이 있습니다.

Our human brain has 100 trillion connections or parameters.

인간의 뇌에는 연결 또는 매개 변수가 100조 개 있습니다.

But one trillion,

하지만 1조 개 연결에 들어간 정보와 지식을 상상해 보세요.

just think of all the information, knowledge,

that's packed into those one trillion.

And interestingly, this is now multimodal with language, with images,

이제는 거기에 문자, 영상, 음성 등 복합적인 데이터가 있어서

with speech.

And it involves a massive amount of graphic processing units.

그래픽 처리 장치가 엄청나게 많이 필요합니다.

그리고 자기 지도 학습을 합니다.

And it's with self-supervised learning,

which is a big bottleneck in medicine

설명 붙이기는 의학에서 큰 병목인데

because we can't get experts to label images.

영상에 설명을 붙일 전문가를 구하기 힘들거든요.

This can be done with self-supervised learning.

이 문제를 자기 지도 학습을 통해 해결할 수 있죠.

So what does this set up in medicine?

그렇다면 이것이 의학에는 어떤 영향을 미칠까요?

It sets up, for example, keyboard liberation.

예를 들어 자판에서 해방될 수 있습니다.

The one thing that both doctors, clinicians

의사, 임상의, 환자 모두가 원하는 것입니다.

and patients would like to see.

Everyone hates being data clerks as clinicians,

데이터 입력은 누구나 싫어합니다.

환자들은 오래 기다린 끝에 드디어 병원에 오면

and patients would like to see their doctor

when they finally have the visit they've waited for a long time.

의사를 보고 싶어합니다.

So the ability to change the face-to-face contact

대면 진료의 경험을 바꾸는 것은

이제 바로 한 발짝 앞에 와 있습니다.

is just one step along the way.

By having the liberation from keyboards with synthetic notes

대화에서 도출된 내용으로 노트를 만들어서

that are driven, derived from the conversation,

자판에서 해방된다면

and then all the downstream normal data clerk functions that are done,

일반적인 후속 작업인 데이터를 입력하는 부분은

often off-hours.

대개 업무가 끝나고 처리되는 거죠.

Now we're seeing in health systems across the United States

이제 우리는 미국 전역의 보건 체계에서

where people, physicians are saving many hours of time

사람들, 의사들이 많은 시간을 절약하고,

and heading towards ultimately keyboard liberation.

궁극적으로 자판이 없는 곳을 향해 가는 걸 보고 있습니다.

We recently published, with the group at Moorfields Eye Institute,

우리는 최근에 피어스 킨이 이끄는 무어필드 안과 연구소 팀과 함께

led by Pearse Keane,

the first foundation model in medicine from the retina.

망막 진단용 기초 모델을 처음 내놓았습니다.

And remember those eight different things that were all done by separate studies?

각각 다른 연구자가 한 여덟 가지 연구가 기억나시나요?

This was all done with one model.

그게 다 한 모델로 이루어졌습니다.

This is with 1.6 million retinal images

망막 영상 160만 개를 통해

predicting all these different outcome likelihoods.

이렇게 다양한 결론들의 가능성을 예측할 수 있습니다.

게다가 모두 공개되어 있는데

And this is all open-source,

which is of course really important that others can build on these models.

다른 사람들이 이 모델을 기초로 삼아 개발할 수 있어서 정말 중요합니다.

Now I just want to review a couple of really interesting patients.

이제 정말 흥미로운 환자 몇 명에 대해 이야기 해 보겠습니다.

앤드류는 이제 여섯 살입니다.

Andrew, who is now six years old.

He had three years of relentlessly increasing pain, arrested growth.

3년 동안 끊임없는 고통이 점점 심해졌고

성장이 멈췄습니다.

His gait suffered with a dragging of his left foot,

왼발이 질질 끌려 걷기가 힘들었으며 심한 두통에 시달렸습니다.

he had severe headaches.

He went to 17 doctors over three years.

앤드류는 3년 동안 의사 17명을 찾아갔습니다.

His mother then entered all his symptoms into ChatGPT.

그 후 어머니는 아이의 증상을 챗지피티에 모두 입력했습니다.

It made the diagnosis of occulta spina bifida,

거기서 잠재성 이분 척추라는 진단을 얻었습니다.

which meant he had a tethered spinal cord that was missed by all 17 doctors

그 말은 척수가 묶여 있는 상태였는데

3년 동안 의사 17명이 모두 놓쳤다는 겁니다.

over three years.

He had surgery to release the cord.

척수를 풀어주는 수술을 받은 뒤 아이는 이제 완벽히 건강합니다.

He's now perfectly healthy.

(Applause)

(박수)

This is a patient that was sent to me,

제가 진료 의뢰를 받은 어떤 환자는

who was suffering with, she was told, long COVID.

장기 코로나라는 진단을 받고 고통을 받고 있었습니다.

She saw many different physicians, neurologists,

이 환자는 여러 의사와 신경외과 전문의를 만났는데

and her sister entered all her symptoms after getting nowhere,

어떤 진전도 없자 그녀의 여동생이 모든 증상을 입력했습니다.

no treatment for long COVID,

장기 코로나 치료를 받지 못했고 검증된 치료법도 없습니다.

there is no treatment validated,

and her sister put all her symptoms into ChatGPT.

그래서 환자의 여동생이 모든 증상을 챗지피티에 입력해서

It found out it actually was not long COVID,

사실은 장기 코로나가 아니라

she had limbic encephalitis, which is treatable.

변연계 뇌염이란 걸 알아냈고 이건 치료가 가능한 것입니다.

She was treated, and now she's doing extremely well.

이 환자는 치료를 받았고 지금은 상태가 아주 좋습니다.

But these are not just anecdotes anymore.

그런데 이것들은 더 이상 단순한 일화가 아닙니다.

70 very difficult cases

아주 어려운 진단 사례 70건을

that are the clinical pathologic conferences

뉴 잉글랜드 의학 저널의 임상병리학회에서 골라

at the New England Journal of Medicine

were compared to GPT-4,

지피티4와 비교해봤습니다.

and the chatbot did as well

챗봇은 진단을 내리는 데에 전문 임상의와 같거나

or better than the expert master clinicians

더 나은 모습을 보여줬습니다.

in making the diagnosis.

So I just want to close with a recent conversation with my fellow.

최근에 동료와 나눈 대화로 마무리를 짓겠습니다.

Medicine is still an apprenticeship,

의학은 여전히 견습생 제도로 교육하며

and Andrew Cho is 30 years old,

앤드류 조는 서른 살인데

in his second year of cardiology fellowship.

심장학 전문의 이 년차입니다.

We see all patients together in the clinic.

우리는 진료실에서 모든 환자를 함께 봅니다.

And at the end of clinic the other day,

하루는 진료가 끝날 무렵에

I sat down and said to him,

제가 자리에 앉으며 말했죠.

"Andrew, you are so lucky.

“앤드류, 당신은 정말 운이 좋아요."

You're going to be practicing medicine in an era of keyboard liberation.

"자판이 필요 없는 시대에 진료를 하게 될 거예요."

You're going to be connecting with patients

"수십 년간 우리가 해 보지 않은 방식으로 환자와 소통하게 되는 거죠."

the way we haven't done for decades."

That is the ability to have the note

이 기술이 대화를 듣고 노트도 써 주고

and the work from the conversation

대화를 듣고 일도 대신해 주는 겁니다.

to derive things like pre-authorization,

예를 들어 사전 승인이나

billing, prescriptions, future appointments --

청구서를 작성하고, 처방하고, 다음 진료를 예약하는 것까지요.

all the things that we do,

환자들을 유도하는 것까지 우리가 하는 모든 일들 말입니다.

including nudges to the patient.

For example, did you get your blood pressure checks

예를 들어 혈압 검사를 받았는지 묻고

and what did they show

결과가 어땠는지 물으면 그것들이 모두 여러분에게 돌아옵니다.

and all that coming back to you.

But much more than that,

하지만 훨씬 중요한 것은 진단에 도움을 주는 겁니다.

to help with making diagnoses.

And the gift of time

그리고 시간을 벌어 주기도 하는데

that having all the data of a patient

환자의 모든 정보를 만나기도 전에 준비해 줍니다.

that's all teed up before even seeing the patient.

And all this support changes the future of the patient-doctor relationship,

이런 도움이 앞으로 환자와 의사의 관계를 바꿔서

bringing in the gift of time.

시간이란 선물을 가져다 줍니다.

So this is really exciting.

정말 신나는 일이죠.

I said to Andrew, everything has to be validated, of course,

저는 앤드류에게, 물론 모든 걸 검증해야 한다고 했습니다.

that the benefit greatly outweighs any risk.

이익이 위험성을 훨씬 상회한다는 걸 확인해야겠죠.

But it is really a remarkable time for the future of health care,

그래도 지금은 의료 서비스의 미래를 위한 정말 놀라운 시기입니다.

it's so damn exciting.

정말 너무나도 신나는 일입니다.

Thank you.

고맙습니다.

(박수)

(Applause)