AI를 사용한 의료기기와 디지털 헬스 - MATLAB & Simulink

eBook

챕터 2

조기 진단을 실현하고 임상 의사결정을 지원하는 AI

최근 보도에 따르면 미국의 사망 원인 중 3위는 의료 과실입니다[2]. 대부분은 오진 및 미진단 등 진단 관련 과실입니다. 미국인의 대부분은 일생 중에 이러한 오진을 최소 한 번 경험하고 그중 10%는 사망에 이르게 됩니다[2] [3].

AI를 이용하면 정보 처리와 의사결정의 효율이 높아지고 실수가 발생할 가능성이 낮아집니다. 아래의 예는 AI 기반 기기가 어떻게 의료 제공자들이 의료 영상, 생리 신호 또는 환자 건강 기록으로부터 직접 향상된 진단 결과를 내리도록 도와주는지 보여줍니다.

AI 기반의 실시간 심장 및 전기 활성도 지도는 의사들이 심방세동에 대한 수술적 중재를 특정하도록 돕습니다. (이미지 출처: Corify Care)

과제

매년 65세 이상 성인 3명 중 거의 1명이 낙상을 경험하며, 낙상은 이 연령대의 치명상 및 비치명적 부상의 주요 원인이 되고 있습니다.

솔루션

Kinesis Health Technologies는 QTUG™(Quantitative Timed Up and Go)라는 기기를 개발했으며 이는 환자의 다리에 장착한 무선 관성 센서를 사용하여 낙상 위험, 노쇠, 이동 장애를 선별하는 객관적이고 정량적인 방법입니다. 최종 제품은 MATLAB으로 개발한 AI 기반 모델을 활용하여 FRE(낙상 위험 추정값) 및 FI(노쇠 지수)를 계산합니다.

  • QTUG 테스트에서 환자는 양쪽 다리의 무릎 아래에 각각 1개씩 두 개의 무선 관성 센서를 착용합니다. 각 센서에는 가속도계와 자이로스코프가 포함되어 있습니다.
  • 센서에서 수집한 데이터에서 고주파 잡음을 제거하기 위해 그들은 Signal Processing Toolbox™의 필터 디자이너로 설계한 디지털 필터를 사용했습니다.
  • 이 팀은 Statistics and Machine Learning Toolbox™를 사용하여 예측도가 가장 높은 특징의 부분 집합을 선택하고 MATLAB에서 구현한 정규화된 판별 분류기 모델을 검증했습니다.
  • 팀은 수천 명의 환자에게서 수집한 임상 시험 데이터로 모델을 훈련시키고 조합된 분류기가 산출한 결과를 평가했습니다.
  • 새로운 참조 데이터셋에 기초하여 분류기 계수를 업데이트하기 위해 엔지니어들은 MATLAB에서 계수를 리소스 파일로 내보내고 해당 파일을 빌드에 통합했습니다.
QTUG 테스트에서 수집한 메트릭의 로그.

환자의 정량적 메트릭. (이미지 출처: Kinesis Health Technologies)

결과

지금까지 8개 국가의 임상의들이 QTUG를 사용하여 20,000명 이상의 환자를 평가했습니다. 팀은 새로운 결과가 나오는 대로 지속적으로 참조 데이터셋을 개선하고 있습니다. 이 팀은 Java®에서 개발할 때에 비해 개발 시간이 3배 빨라졌으며 미국 FDA, Health Canada, EMA(European Medicine Agency) 클래스 1 기기로서 등록하고 출시하는 시간이 단축된 것으로 추정하고 있습니다.

기사 보기

과제

AFib(심방세동)는 심장에서 일어나는 흔한 부정맥입니다. 약품 또는 충격 치료로 부정맥이 해결되지 않으면 환자는 문제성 전기 신호를 교란하고 심박을 정상으로 되돌리기 위한 침습적 절제 수술이 필요합니다. 의사가 정확한 심장 조직을 찾아 절제하기 어렵기 때문에 이 수술의 성공률은 50%에 불과합니다.

솔루션

Corify Care는 환자의 가슴과 등에서 얻은 비침습적 신호 측정치를 기반으로 거의 실시간으로 심장 및 전기 활성도 지도를 제공하는 Acorys®라는 기기를 개발했습니다. 몸통의 기하구조와 어떤 전기 신호가 몸통의 어느 부분에서 오는지 알면 역으로 심장을 복원해 낼 수 있습니다.

Corify 팀에서는 머신러닝과 신호 처리에 MATLAB을 사용하여 잡음을 필터링하고 심장 활동을 정확하게 복원할 수 있도록 추가 신호 처리를 거친 더 깨끗한 데이터를 생성했습니다.

그들은 환자와 수학 모델에서 나온 데이터를 모두 활용하여 복원 알고리즘을 훈련시켜 Acorys가 모든 환자의 전기 신호를 받아서 그것을 심장 지도로 변환할 수 있게 했습니다.

3차원으로 렌더링된 심장을 보여주는 시스템 옆에서 몸통에 전극을 장착하고 서 있는 남성.

사람 몸통에서 신호를 읽고 해당 신호를 심장 지도로 복원하는 초기 프로토타입. (이미지 출처: Corify Care)

결과

이 팀은 EMA(European Medicines Agency)의 CE(Conformité Européenne) 마크와 미국 FDA(Food and Drug Administration)의 승인 획득을 추진하고 있습니다. 심장과 심장의 전기 활성도의 상세하고도 비침습적인 보기를 제공하는 Acorys는 불필요한 절제 수술을 방지하여 환자와 의료 시스템의 시간과 비용을 줄여줍니다.

기사 보기

과제

백내장 환자는 안구 수정체 안이 불투명해져서 시력이 흐릿해집니다. 수백 만 명의 사람들이 자연 수정체를 제거하고 인공 IOL(안내 렌즈)로 교체하는 백내장 수술을 선택해야 합니다. 안과의사가 최적의 수술 후 결과를 위해 필요한 인공 수정체의 굴절력을 정확히 예측하기란 매우 어렵습니다.

솔루션

Warren Hill이라는 안과의사는 MathWorks 팀과 협력하여 IOL에 대해 계산한 굴절력을 예측하는 새로운 RBF(방사형 기저 함수)를 만들었습니다.

  • Lenstar 생체계측기를 사용하여 얻은 수술 전 환자 수천 명의 안구에 대한 상세한 측정치로 MATLAB에서 AI 기반 모델을 훈련시켜 RBF를 개발했습니다.
  • 관찰된 수술 후 성과도 훈련 데이터에 포함되었습니다.
  • 팀원들은 시스템 설계, 시뮬레이션 및 테스트를 위한 그래픽 환경인 Simulink로 모델을 내보낸 후 모델에서 코드를 생성하여 이를 Lenstar 기기에 배포했습니다.
AI 모델 예측을 보여주는 MATLAB 스크린샷.

MATLAB에서 개발한 RBF(방사형 기저 함수) IOL 계산기.

이 계산기를 Hill-RBF 계산기라고 합니다. 이 계산기는 전 세계의 모든 안과의가 사용할 수 있도록 온라인 버전도 동시에 출시되었습니다.

결과

2016년에 출시된 이 계산기는 전 세계 안과 커뮤니티에 빠른 속도로 도입되었습니다. 이제 집도의들은 훨씬 더 큰 데이터셋이 통합된 한층 업데이트되고 개선된 버전의 계산기를 사용하고 있으며 결과값의 90%가 ±0.50D의 정확도에 달하고 있습니다. 이는 더 널리 사용되는 오래된 기존 방법의 성공률이 78%인 것과 크게 대조됩니다. 달리 설명하자면, 전 세계적으로 매년 약 2,800만 건의 수술이 실시되므로 결과가 12% 개선되면 수술 성공 사례는 340만 건 더 증가하게 됩니다.

기사 보기

참고문헌

[2] Makary, Martin A, and Michael Daniel. “Medical Error—the Third Leading Cause of Death in the US.” BMJ, May 3, 2016. https://doi.org/10.1136/bmj.i2139.

[3] Balogh, Erin, Bryan T. Miller, and John Ball. Improving Diagnosis in Health Care. Washington, DC: The National Academies Press, 2015.