90년대 중반에 딥 러닝 혁명이 일어날 것을 예측한 사람은 거의 없었습니다.
그러나 미국 펜실베이니아주와 뉴저지주 주민을 대상으로 의료 시스템을 제공하는 가이징거(Geisinger)는 디지털 건강 기록의 가능성을 일찍이 알아봤죠. 그리고 이는 20년 후 AI를 구현하는데 큰 도움이 됐답니다.
가이징거는 1996년 전자건강기록 시스템을 도입해 2001년경 의료 이미지를 디지털 방식으로 저장하기 시작했습니다. 그 후 약 200여 명 환자들의 디지털 기록을 저장해 왔습니다. 가이징거는 지역 의료 서비스 제공 기관으로 안정적인 내원 환자수를 보유하고 있답니다.
가이징거 이미징 사이언스 · 혁신사업과 교수 겸 공동 과장인 브랜든 폰월트(Brandon Fornwalt)는 가이징거가 여러 환자에 대한 종적 데이터를 보유하고 있다며, 딥 러닝에 사용할 수 있을 만큼 풍부한 데이터세트라고 설명했습니다.
그는 “이 데이터세트를 활용해 다른 곳에서 못하는 걸 우린 할 수 있죠”라고 말했습니다.
최근 개최된 GPU 기술 컨퍼런스에서 브랜든 폰월트 교수와 알펜 파텔(Aalpen Patel) 방사선과 과장은 가이징거 의료 시스템이 임상 네트워크에서 NVIDIA DGX-1을 사용해 환자 진료를 향상시키는 여러 AI 솔루션을 실행하는 방법에 대해 들려줬습니다.
폰월트 교수는 “머신 러닝은 환자가 더 행복하게, 오래, 건강하게 삶을 살 수 있는 방법을 우리가 조금 더 빨리 찾아내는데 도움을 줄 것입니다”라고 말했습니다.
두부와 흉부 치료에 AI 적용
환자가 부상을 입었거나 뇌 출혈을 일으키는 뇌졸중이 발생한 경우, 뇌 손상을 최소화 하려면 신속한 진단과 치료가 필수적입니다. 방사선 전문의는 환자 한 명의 CT 스캔을 판독하는데 최소 5분 정도를 소요합니다. 그러나 이들에겐 그보다 더 급한 작업들이 있죠. 입원 환자나 응급 환자 자료는 외래 환자보다 우선적으로 처리되는 경우가 많습니다.
그러나 알펜 파텔 과장과 폰월트 교수의 설명에 따르면 외래 환자 스캔 자료 중에도 시급한 경우가 늘 있다고 합니다. 가이징거는 2017년 1월 엔비디아 GPU에서 학습된 딥 러닝 모델을 도입해 모든 두부 CT 스캔을 판독하고 몇 초 내에 자동으로 우선순위를 재편해 잠재적으로 시급한 사례를 방사선 전문의 작업 목록에 올려 두는 것이죠. 이 재편 작업으로 진단에 걸리는 시간이 무려 96%나 줄어들었답니다.
가이징거는 심장병 환자의 치료를 향상시키기 위해 심장 기능을 모니터링하는 가장 일반적인 테스트 방식인 심전도와 심초음파 검사에서 얻은 데이터를 분석해 딥 러닝 모델을 개발하고 있습니다. 가이징거는 데이터베이스에서 나온 200만 건의 EKG 기록을 활용해 환자에게 발생할 수 있는 심장 관련 사태를 예측할 수 있는 뉴럴 네트워크를 구축하고 있습니다.
심장 초음파의 경우 가이징거는 뉴럴 네트워크를 학습시켜 특정 건강 결과를 예측할 수 있습니다. EKG와 심초음파 모델 모두 현재 DGX-1에서 개발과 테스트를 실시하고 있으며, 가이징거는 곧 자체 파이프라인 속도를 향상시키기 위해 NVIDIA DGX-2를 설치할 예정입니다.
또한 가이징거는 머신 러닝을 사용해 심장 마비 환자를 위한 자원 할당을 최적화 합니다. 자체 모델로 연간 독감 예방 접종 등 특정 증거 기반 치료법을 받지 않은 심장 마비 환자와 그 결과 발생하는 사망 또는 입원 위험 확대 가능성 간 연관성을 찾아냈죠.
가이징거 약제사와 여러 의료진으로 구성된 팀은 이러한 인사이트로 가장 큰 혜택을 볼 수 있는 환자들에 이를 적용합니다. 이 팀은 NVIDIA RAPIDS 데이터 사이언스 라이브러리를 사용해 약 100만 건의 심장 마비 환자 데이터를 분석한 결과, 52-코어 CPU 서버 대비 단일 GPU를 사용해 세 배나 빠른 속도 향상을 경험했습니다.
가이징거의 약사 및 기타 의료 서비스 팀은 현재 이러한 통찰력을 활용해 증가된 자원으로 가장 많은 혜택을 볼 수 있는 환자를 대상으로 삼고 있습니다. NVIDIA RAPIDS 데이터 과학 라이브러리를 사용해 심장 마비 환자와의 만남 데이터를 거의 100만개 분석 한 결과 팀은 52 코어 CPU 서버에 비해 단일 GPU를 사용하여 3배의 속도 향상을 보았습니다.
폰월트 교수는 “거의 100만 개에 달하는 행과 100개의 열을 가진 대규모 테이블 형식의 데이터세트가 있다고 해보죠. 이런 경우 RAPIDS가 정말 도움이 된답니다”라고 말했습니다.
파텔 과장은 AI를 미국 인구가 고령화되고 기대 수명이 늘어남에 따라 점차 심화되는 의료진 부족 문제를 해결할 중요한 도구로 보고 있습니다.
그는 “우리가 환자를 돌볼 수 있게 해주는 머신 러닝은 더 이상 선택의 대상이 아닙니다. 이는 우리 생존에 필수적인 역할을 하게 될 겁니다”라고 말했습니다.
메인 이미지는 뇌 손상 환자의 CT 스캔을 검토하는 방사선 전문의의 모습입니다. 줄리앤 쇼월터 (Julianne Showalter) 미국 공군 고위 관계자 제공.