간단히 말해서, AI가 가까운 시일 내에 영상의학과 의사를 완전히 대체하지는 않을 것입니다. AI는 주로 환자 분류, 패턴 감지, 측정과 같은 특정 작업을 자동화하고, 영상의학과 의사의 역할을 감독, 명확한 의사소통, 중요한 판단으로 이끌어갈 것입니다. 영상의학과 의사가 AI 기반 워크플로에 적응하지 못하면 소외될 위험이 있지만, 임상적 책임은 여전히 인간에게 있습니다.
핵심 요약:
워크플로 변화 : 분류, 측정 및 "보조 검토자" 지원이 빠르게 확장될 것으로 예상됩니다.
책임성 : 영상의학 전문의는 AI 기반 임상 보고서 작성 시 서명에 대한 책임을 져야 합니다.
검증 : 다양한 사이트, 스캐너 및 환자 집단에서 테스트를 거친 경우에만 도구를 신뢰하십시오.
오용 방지 : 경고 소음을 줄이고 무음 오류, 드리프트 및 편향을 방지합니다.
미래 대비 : AI 오류 발생 유형을 학습하고 안전한 배포를 감독하기 위한 거버넌스에 참여하세요.
이 글을 읽고 나서 읽어보시면 좋을 만한 글들:
🔗 인공지능이 의사를 대체할 것인가: 의학의 미래
현대 의료 현장에서 인공지능의 역할에 대한 현실적인 고찰.
🔗 인공지능이 농업에 어떻게 도움이 될까요?
인공지능이 수확량, 계획 수립 및 농장 의사 결정을 개선하는 방법.
🔗 인공지능이 사회에 해로운 이유
편견, 일자리 손실, 감시, 허위 정보 유포와 같은 위험이 존재합니다.
🔗 인공지능이 이상 징후를 감지하는 방법
모델이 데이터와 시스템에서 비정상적인 동작을 어떻게 감지하는지.
냉혹한 현실 점검: 인공지능이 현재 하고 있는 일 ✅
오늘날 영상의학 분야의 AI는 주로 특정 분야에서 강점을 보입니다.
-
긴급한 발견 사항을 표시하여 우려스러운 연구들이 우선적으로 진행되도록 합니다 (선별 검사) 🚨
-
결절, 출혈, 골절, 색전증 등과 같은 "알려진 패턴"을 찾는 것.
-
사람이 측정할 수는 있지만 측정하기 싫어하는 것들(부피, 크기, 시간 경과에 따른 변화)을 측정합니다 📏
-
선별 검사 프로그램이 담당자의 과로 없이 많은 양을 처리할 수 있도록 지원합니다.
단순한 유행이 아닙니다. 규제된 임상 방사선학 AI는 이미 임상 AI 기기 시장의 상당 부분을 차지하고 있습니다 . FDA 승인 AI/ML 의료기기에 대한 2025년 분류 검토( 2024년 12월 20일 )에 따르면 대부분의 기기가 이미지를 입력으로 사용하고 있으며, 대다수 기기에 대한 주요 검토 패널이 방사선학 부서인 것으로 나타났습니다. 이는 "임상 AI"가 어디에 먼저 자리 잡을 것인지에 대한 중요한 단서입니다. [1]
하지만 "유용하다"는 것은 "의사의 자율적인 대체"와는 다른 의미입니다. 적용되는 기준도 다르고, 위험도 다르고, 책임 소재도 다릅니다.
대부분의 경우 "대체"라는 사고방식이 잘못된 이유 🧠
방사선학은 단순히 "픽셀을 보고 질병을 진단하는 것"이 아닙니다.
실제로 방사선 전문의들은 다음과 같은 일들을 합니다:
-
임상 질문이 처방된 검사와 일치하는지 여부를 결정하는 것
-
사전 정보, 수술 이력, 인공물 및 까다로운 예외 사례를 고려합니다.
-
실제 상황을 명확히 하기 위해 의뢰한 임상의에게 연락합니다.
-
단순히 발견 사항에 라벨을 붙이는 것이 아니라, 다음 단계를 권장합니다.
-
보고서에 대한 의료법적 책임을 지는 것
"지루하게 들리지만, 그게 전부야"라는 상황을 보여주는 간단한 장면입니다.
시간은 새벽 2시 7분. 두부 CT. 움직임으로 인한 아티팩트. 병력에는 "어지럼증", 간호 기록에는 "낙상", 항응고제 목록에는 "위험"이라고 적혀 있다.
이 일은 "출혈 부위 픽셀"을 찾는 게 아니다. 환자 분류, 상황 파악, 위험도 판단, 그리고 다음 치료 계획을 명확히 하는 것이 중요하다.
그렇기 때문에 임상 현장에서 가장 흔하게 나타나는 결과는 AI가 영상의학과 전문의를 대체하는 것이 아니라 오히려 보조하는 역할을 한다는 것입니다.
그리고 여러 방사선학회는 인간적 측면에 대해 명확히 밝혔습니다. 다학회 윤리 성명서(ACR/ESR/RSNA/SIIM 등)는 AI를 방사선 전문의가 책임감 있게 관리해야 하는 것으로 규정하고 있으며, 여기에는 AI 지원 워크플로에서 환자 치료에 대한 궁극적인 책임은 방사선 전문의에게 있다는
영상의학 분야에 적합한 인공지능(AI)이란 무엇일까요? 🔍
인공지능 시스템을 평가하거나 신뢰할지 여부를 결정할 때, 가장 멋진 데모를 보여주는 시스템이 아니라 임상 현실에 부딪혀도 제대로 작동하는 시스템이 바로 "좋은 버전"입니다.
우수한 영상의학 AI 도구는 다음과 같은 특징을 갖는 경향이 있습니다.
-
명확한 범위 - 한 가지 일을 잘 수행하거나 (엄격하게 정의된 여러 가지 일을 잘 수행하거나) 합니다.
-
강력한 검증 - 다양한 사이트, 스캐너, 인구 집단을 대상으로 테스트 완료
-
워크플로 적합성 - 모든 사람을 불편하게 하지 않고 PACS/RIS에 통합됩니다.
-
낮은 노이즈 - 불필요한 알림 및 오탐지가 적습니다 (아니면 무시하게 될 것입니다).
-
설명 가능성이 도움이 됩니다 . 완벽한 투명성은 아니지만, 검증하기에는 충분합니다.
-
거버넌스 - 표류, 실패, 예상치 못한 편향에 대한 모니터링
-
책임 소재 명확화 - 누가 서명하는지, 누가 오류를 책임지는지, 누가 보고하는지 명확히 함
또한 “FDA 승인을 받았다”(또는 이에 준하는 것)는 의미 있는 신호이지만 완벽한 안전장치는 아닙니다. FDA 자체의 AI 지원 기기 목록조차도 포괄적이지 않은 투명성 자료 , 포함 방법은 기기가 공개 자료에서 AI를 어떻게 설명하는지에 부분적으로 의존합니다. 즉, 여전히 현지 평가와 지속적인 모니터링이 필요합니다. [3]
이거 지루하게 들리는데… 의학에서는 지루한 게 좋은 거야. 지루함은 안전하니까 😬
비교표: 방사선 전문의가 실제로 접하는 일반적인 AI 옵션 📊
가격은 견적을 기준으로 책정되는 경우가 많으므로, 해당 부분은 시장 상황에 따라 달라질 수 있기 때문에 구체적으로 언급하지 않겠습니다.
| 도구/카테고리 | (청중)에게 가장 적합합니다. | 가격 | 효과가 있는 이유 (그리고 함정은…) |
|---|---|---|---|
| 급성 소견(뇌졸중/출혈/폐색전증 등)에 대한 환자 분류 AI | 응급실 환자가 많은 병원, 당직팀 | 견적 기반 | 우선순위 지정 속도를 높여주지만, 설정을 잘못하면 알림이 너무 많아질 수 있습니다. |
| 유방암 검진 등 스크리닝 지원 AI | 선별 프로그램, 대규모 사이트 | 연구별 또는 기업별 | 볼륨 및 일관성 유지에 도움이 되지만, 로컬에서 검증해야 합니다. |
| 흉부 X선 영상 탐지 AI | 일반 방사선과, 응급 진료 시스템 | 다양함 | 일반적인 패턴에는 탁월하지만 드문 예외적인 경우는 놓칩니다. |
| 폐결절/흉부 CT 도구 | 폐종양 진료 경로, 후속 진료 클리닉 | 견적 기반 | 시간 경과에 따른 변화를 추적하는 데 유용하지만, 아주 작은 "없음" 지점을 과다 보고할 수 있습니다. |
| 근골격계 골절 탐지 | 응급실, 외상, 정형외과 파이프라인 | 연구별 (때때로) | 반복적인 패턴을 찾아내는 데 탁월합니다 🦴 - 위치나 주변 환경에 따라 결과가 달라질 수 있습니다 |
| 워크플로/보고서 작성(생성형 AI) | 업무량이 많은 부서, 행정 업무가 많은 보고 | 구독/기업용 | 타이핑 시간을 절약해 줍니다 ✍️ - 자신감 넘치는 허튼소리를 피하기 위해 엄격하게 통제해야 합니다 |
| 정량화 도구(부피, 칼슘 점수 등) | 심장영상팀, 신경영상팀 | 추가 기능 / 엔터프라이즈 | 신뢰할 수 있는 측정 보조 도구 - 여전히 인간적인 맥락이 필요합니다 |
서식 관련 제 습관 고백: "가격"을 모호하게 처리하는 이유는 판매자들이 애매한 가격을 좋아하기 때문입니다. 제가 일부러 피하는 게 아니라 시장 상황 때문입니다 😅
AI가 좁은 골목길에서 일반 사람보다 뛰어난 성능을 발휘할 수 있는 곳 🏁
인공지능은 다음과 같은 작업에서 가장 뛰어난 성능을 발휘합니다.
-
매우 반복적임
-
패턴 안정적
-
훈련 데이터에 잘 나타나 있음
-
기준치 대비 점수 계산이 용이함
일부 스크리닝 스타일 워크플로에서 AI는 매우 일관된 추가 눈처럼 작동할 수 있습니다. 예를 들어, 유방암 스크리닝 AI 시스템에 대한 대규모 후향적 평가에서는 평균 판독자 비교 성능(한 판독자 연구에서 AUC 기준)이 더 우수하고 영국식 이중 판독 설정에서 작업량 감소까지 시뮬레이션되었다고 보고했습니다. 이것이 바로 "좁은 레인"의 승리입니다. 즉, 대규모에서 일관된 패턴 작업을 수행하는 것입니다. [4]
하지만 다시 말씀드리지만… 이것은 워크플로 지원이지, “AI가 결과에 대한 책임을 지는 영상의학과 전문의를 대체한다”는 의미가 아닙니다.
인공지능이 여전히 어려움을 겪는 부분 (그리고 이는 결코 작은 문제가 아닙니다) ⚠️
AI는 인상적일 수 있지만 임상적으로 중요한 부분에서 실패할 수도 있습니다. 일반적인 문제점은 다음과 같습니다.
-
일반적이지 않은 사례 : 희귀 질환, 특이한 해부학적 구조, 수술 후 특이사항
-
맥락 맹점 : "이야기" 없이 영상 소견만으로는 오해를 불러일으킬 수 있다.
-
아티팩트 민감도 : 움직임, 금속, 특이한 스캐너 설정, 대비 타이밍… 재밌는 요소들이죠.
-
오탐지 : AI 오류 하루만으로도 시간을 절약하기는커녕 오히려 추가적인 업무가 발생할 수 있습니다.
-
조용한 실패 : 위험한 종류 - 무언가를 조용히 놓칠 때
-
데이터 드리프트 : 프로토콜, 장비 또는 모집단이 변경될 때 성능이 변하는 현상
마지막 항목은 이론적인 것이 아닙니다. 고성능 이미지 모델조차도 이미지 획득 방식이 변경될 때(스캐너 하드웨어 교체, 소프트웨어 업데이트, 재구성 조정) 드리프트가 발생할 수 있으며, 이러한 드리프트는 임상적으로 의미 있는 민감도/특이도를 위험에 중요한 방식으로 변화시킬 수 있습니다. 이것이 바로 "생산 중 모니터링"이 유행어가 아니라 안전 요구 사항인 이유입니다. [5]
또한 이것은 매우 중요한데, 임상적 책임은 알고리즘으로 이전되지 않습니다 . 많은 곳에서 방사선 전문의가 여전히 책임 서명자로 남아 있어 현실적으로 얼마나 손을 떼고 있을 수 있는지 제한됩니다. [2]
방사선과 전문의 직업은 줄어드는 것이 아니라 오히려 늘어나고 있습니다 🌱
아이러니하게도, 인공지능은 방사선학을 덜 "의사다운" 분야로 만드는 것이 아니라 오히려 더 "의사다운" 분야로 만들 수 있다.
자동화가 확대됨에 따라 영상의학과 의사들은 다음과 같은 일에 더 많은 시간을 할애하는 경우가 많습니다.
-
까다로운 사례 및 여러 문제를 가진 환자(AI가 싫어하는 유형)
-
프로토콜, 적합성 및 경로 설계
-
임상의, 종양 위원회, 그리고 때로는 환자에게 검사 결과를 설명합니다 🗣️
-
중재적 방사선학 및 영상 유도 시술(자동화 수준이 매우 낮음)
-
품질 리더십: AI 성능 모니터링 및 안전한 도입 환경 구축
또한 "메타" 역할도 있습니다. 누군가는 기계들을 감독해야 하죠. 자동 조종 장치와 비슷한데, 조종사는 여전히 필요합니다. 약간 어색한 비유일지도 모르지만, 무슨 말인지 아시겠죠?
AI가 방사선 전문의를 대체할까요? 솔직한 답변은? 🤷♀️🤷♂️
-
단기적으로는 일부 업무(측정, 분류, 일부 2차 판독 패턴)를 대체하고, 주변부의 인력 수요를 조정합니다.
-
장기적으로는 특정 선별 과정을 대폭 자동화할 수 있지만, 대부분의 의료 시스템에서는 여전히 사람의 감독과 문제 발생 시 해결을 위한 상위 조치가 필요합니다.
-
가장 가능성이 높은 결과는 방사선 전문의와 AI가 협력하여 각각의 전문의보다 뛰어난 성과를 내고, 의료 업무는 감독, 소통 및 복잡한 의사 결정 중심으로 전환되는 것입니다.
의대생이나 인턴 의사라면: (당황하지 않고) 미래를 대비하는 방법 🧩
기술에 관심이 없더라도 도움이 될 수 있는 몇 가지 실용적인 방법:
-
AI가 실패하는 방식(편향, 드리프트, 오탐)을 배우세요 - 이것이 현재 임상적 지식입니다[5].
-
워크플로우 및 정보학 기본 사항(PACS, 구조화된 보고, QA)에 익숙해지세요.
-
효과적인 의사소통 습관을 기르세요. 인간적인 측면이 더욱 중요해집니다.
-
가능하다면 병원 내 AI 평가 또는 관리 그룹에 참여하세요.
-
맥락적 맥락과 절차가 중요한 분야(IR, 복잡한 신경 영상, 종양 영상)에 집중하세요.
네, 맞습니다. "이 모델은 여기서는 유용하고, 저기서는 위험하며, 이렇게 모니터링합니다."라고 말할 수 있는 사람이 되세요. 그런 사람은 대체하기 어렵습니다.
마무리 및 간단한 요약 🧠✨
인공지능은 영상의학을 완전히 바꿔놓을 것이며, 그렇지 않은 척하는 것은 현실을 외면하는 것일 뿐입니다. 하지만 "영상의학 전문의는 망했다"는 식의 이야기는 대부분 자극적인 제목에 불과하며, 그저 언론의 관심을 끌기 위한 뻔한 수법일 뿐입니다.
간략한 설명
-
인공지능은 이미 환자 분류, 질병 탐지 지원 및 측정 지원에 사용되고 있습니다.
-
단순하고 반복적인 작업에는 탁월하지만, 드물고 맥락이 복잡한 임상 상황에는 취약합니다.
-
방사선 전문의는 단순히 패턴을 감지하는 것 이상의 일을 합니다. 그들은 맥락을 파악하고, 소통하며, 책임을 집니다.
-
가장 현실적인 미래는 AI가 방사선 전문의 직업 자체를 완전히 대체하는 것이 아니라, "AI를 사용하는 방사선 전문의"가 "AI를 거부하는 방사선 전문의"를 대체하는 것입니다. 😬🩻
자주 묻는 질문
인공지능이 향후 몇 년 안에 영상의학과 전문의를 대체할까요?
완전히 그렇지는 않으며, 대부분의 의료 시스템에서도 마찬가지입니다. 오늘날의 영상의학 AI는 진단 전반을 책임지기보다는 분류, 패턴 감지, 측정과 같은 특정 기능을 자동화하는 데 주로 초점을 맞추고 있습니다. 영상의학 전문의는 여전히 임상적 맥락을 제공하고, 특수한 사례를 처리하며, 의뢰팀과 소통하고, 보고서에 대한 의료법적 책임을 져야 합니다. 시급한 변화는 업무 흐름을 재설계하는 것이지, 업계 전반의 AI 대체는 아닙니다.
인공지능이 현재 실제로 수행하고 있는 방사선학 관련 업무는 무엇인가요?
대부분의 AI 도구는 우선순위 지정을 위한 긴급 검사 표시, 결절이나 출혈과 같은 일반적인 패턴 감지, 측정값 생성 또는 종단적 비교와 같은 반복적이고 집중적인 작업에 초점을 맞춥니다. 또한 AI는 일부 선별 검사 방식에서 "보조 판독자" 역할을 하여 검사량 관리 및 일관성 유지를 지원합니다. 이러한 시스템은 대기 시간을 단축하고 수작업을 줄일 수 있지만, 여전히 사람의 검증이 필요합니다.
인공지능 기반 보고서가 잘못된 경우 누가 책임져야 할까요?
실제 임상 현장에서는 AI가 환자 분류나 진단에 기여하더라도 영상의학과 전문의가 최종 승인 책임자로 남는 경우가 많습니다. 임상적 책임이 알고리즘이나 공급업체에게 자동으로 이전되는 것은 아닙니다. 따라서 영상의학과 전문의는 AI 결과물을 의사결정 지원 도구로 활용하고, 결과를 검증하며, 적절하게 문서화해야 합니다. 명확한 보고 절차와 관리 체계를 마련하면 AI 결과물이 임상적 판단과 충돌할 때 어떻게 처리해야 할지 정의할 수 있습니다.
우리 병원에서 사용할 인공지능 도구가 신뢰할 만한지 어떻게 알 수 있을까요?
일반적으로 임상적 현실성을 기준으로 도구를 평가하는 것이 일반적이며, 데모 성능만으로는 부족합니다. 명확하게 정의된 범위, 다양한 기관, 스캐너 및 환자 집단에 걸친 검증, 그리고 시스템이 사용하는 프로토콜 및 영상 품질 제약 조건 하에서 안정적으로 작동하는지 여부를 확인해야 합니다. 워크플로 통합(PACS/RIS 호환성)은 정확도만큼 중요합니다. 판독 과정을 방해하는 "좋은" 모델이라도 실제로 사용되지 않는 경우가 많기 때문입니다. 지속적인 모니터링은 필수적입니다.
"FDA 승인"(또는 규제)을 받았다는 것은 해당 모델을 안전하게 신뢰할 수 있다는 의미인가요?
규제 승인은 의미 있는 신호이지만, 특정 환경에서 뛰어난 성능을 보장하는 것은 아닙니다. 실제 결과는 스캐너 업그레이드, 프로토콜 변경, 사용자 집단 차이 등에 따라 달라질 수 있습니다. 승인된 도구라 할지라도 현지 평가 및 생산 모니터링은 여전히 중요합니다. 승인은 기준선으로 삼고, 사용 환경에 맞춰 검증한 후 지속적으로 성능 편차를 측정하십시오.
실제 현장에서 영상의학 AI가 실패하는 가장 큰 이유는 무엇일까요?
일반적인 오류 원인으로는 분포 외 사례(희귀 질환, 특이한 해부학적 구조), 맥락 파악 불능, 인공물에 대한 민감도(움직임, 금속, 조영제 투여 시점), 그리고 추가적인 작업량을 유발하는 오탐지 등이 있습니다. 가장 위험한 문제는 명확한 경고 없이 모델이 소견을 놓치는 "조용한 오류"입니다. 또한, 영상 획득 조건이 변화함에 따라 성능이 저하될 수 있으므로 모니터링 및 안전장치는 환자 안전의 핵심 요소이며, 선택 사항이 되어서는 안 됩니다
부서에서 알림 피로도를 줄이고 시끄러운 AI 분류를 피하려면 어떻게 해야 할까요?
우선 이론상의 최대 민감도를 쫓기보다는 임상 우선순위와 인력 현황에 맞춰 임계값을 조정하는 것부터 시작하십시오. 실제 오탐지 부담을 측정하고, AI가 경고를 표시하면 일관되고 관리 가능한 조치가 취해지도록 에스컬레이션 규칙을 설계하십시오. 많은 파이프라인은 단계별 검토(AI → 방사선사/기술자 확인 → 영상의학 전문의)와 AI 도구 사용 불가 시를 대비한 명확한 안전장치 마련을 통해 효율성을 높일 수 있습니다. "낮은 노이즈"는 AI를 일상적으로 활용할 수 있게 하는 핵심 요소입니다.
인공지능이 영상의학과 전문의를 대체할 것이라는 예측이 과장되었다면, 수련의들은 어떻게 미래를 대비해야 할까요?
AI 기반 워크플로우를 안전하게 관리할 수 있는 전문가가 되는 것을 목표로 하세요. 편향, 드리프트, 아티팩트 민감도와 같은 핵심적인 오류 유형을 학습하고, PACS, 구조화된 보고, QA 프로세스와 같은 정보학 기본 사항에 대한 이해도를 높이세요. 특히 종양 위원회나 중요한 자문 회의에서 일상적인 업무가 자동화됨에 따라 의사소통 능력의 중요성이 더욱 커집니다. 평가 또는 거버넌스 그룹에 참여하는 것은 전문성을 꾸준히 쌓아가는 구체적인 방법입니다.
참고 자료
-
Singh R. 외, npj Digital Medicine (2025) - 2024년 12월 20일까지 FDA 승인을 받은 1,016개의 AI/ML 의료기기에 대한 분류 체계 검토. 의료 AI가 영상 입력에 얼마나 자주 의존하는지, 그리고 영상의학과가 주요 검토 패널로 얼마나 자주 참여하는지를 중점적으로 다룬다. 자세히 보기
-
ESR이 주최한 다학회 공동 성명 - 영상의학 분야 AI 윤리 프레임워크에 대한 학회 간 합의를 도출하고, AI 지원 워크플로우 내에서의 거버넌스, 책임 있는 도입, 그리고 임상의의 지속적인 책임성을 강조합니다. 자세히 보기
-
미국 식품의약국(FDA)의 AI 기반 의료기기 페이지 - FDA의 AI 기반 의료기기 투명성 목록 및 방법론 설명(범위 및 포함 기준 결정 방식에 대한 주의 사항 포함). 자세히 보기
-
McKinney SM 외, Nature (2020) - 판독자 비교 분석 및 이중 판독 환경에서의 업무량 영향 시뮬레이션을 포함한 유방암 검진용 AI 시스템의 국제적 평가. 자세히 보기
-
Roschewitz M. 외, Nature Communications (2023) - 의료 영상 분류에서 획득 시점 변화에 따른 성능 저하 연구: 배포된 영상 AI에서 모니터링 및 성능 저하 보정이 중요한 이유 설명. 자세히 보기