머신러닝 및 딥러닝 등을 비롯한 인공지능(AI) 기술이 폭넓게 사용되면서 헬스케어 분야의 혁신이 가속화되고 있다.

환자는 물론, 의료서비스 제공업체와 병원, 의료장비 제조업체, 제약회사 등과 전문가 및 다양한 이해관계자들 모두 머신러닝 기반의 툴을 통해 혜택을 누릴 수 있는 것이다.

해부 기하학 측정에서 암 검출 및 방사선, 수술, 신약 개발 및 유전체학에 이르기까지 그 가능성은 무한하다. 이러한 시나리오에 머신러닝을 적용하면, 운영 효율성을 향상시키고, 매우 긍정적인 결과를 도출하는 것은 물론, 상당한 비용 절감 효과를 거둘 수 있다.

또한 규제 차원의 지원도 계속해서 확대되고 있다. 미국 FDA(Federal Drug Administration)는 진단 지원을 비롯한 여러 애플리케이션에 대해 갈수록 더 많은 AI 방식을 승인하고 있다. 또 FDA는 머신러닝 기반 제품에 대한 새로운 규제 프레임워크도 만들었다. 이 새로운 프레임워크에서는 머신러닝 기술을 ‘SaMD(Software as a Medical Device)’로 명명하고 있으며, 치료의 질과 효율을 높이는데 상당한 이점을 제공할 것으로 기대하고 있다.

이러한 전략을 지원하기 위해 FDA는 시판 전에 제출해야 하는 ‘예정된 변경관리 계획’을 도입하고, 예상되는 수정 유형과 이러한 변경사항을 제어 가능한 방식으로 구현하는데 사용할 수 있는 관련 방법론들을 포함시키도록 하고 있다.

FDA는 의료기기 제조업체들로부터 SaMD의 투명성 및 실제 성능 모니터링에 대한 약속뿐만 아니라 승인된 사전 사양 및 알고리즘 변경 프로토콜의 일환으로 구현된 변경사항에 대한 정기적인 업데이트를 요구하고 있다. FDA와 제조업체는 이 프레임워크를 통해 시판 전 개발 단계와 시판 후 성능 모니터링에 이르기까지 제품을 모니터링하는 규제 감독을 통해 환자의 안전을 보장하고, SaMD의 반복적인 성능 개선이 이뤄지도록 노력하고 있다.

헬스케어 분야에서 머신러닝의 가능성

머신러닝을 이용해 중요한 헬스케어 문제를 해결할 수 있는 다양한 방법이 있다. 예를 들어, 디지털 병리학이나 방사선, 피부과, 혈관진단 및 안과 등에서는 모두 표준 이미지 처리 기술을 사용한다.

흉부 X-레이는 가장 일반적인 방사선 시술로, 전세계적으로 해마다 20억건이 넘는 스캔이 이뤄지고 있으며, 하루 기준 548,000건에 이른다. 이러한 대규모 스캔 물량은 방사선 전문의의 부담을 가중시키고, 작업 플로우 효율에도 영향을 미치게 된다. 머신러닝 및 심층신경망(DNN, Deep Neural Network), 컨볼루션 신경망(CNN, Convolutional Neural Network) 방식을 도입하면, 방사선 전문의보다 훨씬 빠르고 정확하게 처리할 수 있지만, 전문의의 전문지식은 그 무엇으로도 대체할 수 없는 가장 중요한 부분이다.

그러나 빠른 의사결정 과정에서 스트레스로 인해 발생할 수 있는 인적 오류율은 30%에 이르는 것으로 알려져 있다. 머신러닝 방법으로 의사의 의사결정 과정을 지원하기 위해 방사선 전문의나 기타 전문가들에게 부가적인 툴을 제공함으로써 결과의 질을 향상시킬 수 있다.

머신러닝의 유효성 검증은 매우 신뢰할만한 여러 소스에서도 확인할 수 있다. 한 연구(논문: 스탠포드 머신러닝 그룹, '딥러닝을 통한 흉부 X- 레이에서의 방사선과 전문의 폐렴 탐지')에 따르면, 학습된 121-레이어의 CNN이 4명의 방사선 전문의보다 폐렴 검출 정확도가 훨씬 더 높은 것으로 나타났다. 마찬가지로 국립보건원(National Institute of Health) 및 다른 기관들이 진행한 여러 연구에서는 DNN 모델을 사용한 폐암 검출을 위한 악성 폐결절 조기 검출 실험에서 여러 명의 방사선 전문의의 진단보다 더 나은 정확도를 달성했다.

디지털 병리학 채택은 더디게 이뤄지고 있지만, 유방암 연구에 적용된 다중 알고리즘 기반 검출에서 확인할 수 있듯이 여러 병리학자의 진단에 비해 훨씬 뛰어난 것으로 나타났다. 이와 유사하게 유전체 주석에 대한 순환신경망(RNN, Recurrent Neural Network)과 장단기 메모리 방식(LSTM, Long-Short Term Memory) 기반 접근법은 단일 뉴클레오타이드(Nucleotide) 변형체에 대한 병원성 여부 진단에서 더 나은 결과를 예측했다.

특히 방사선학, 병리학, 피부과, 혈관진단 및 안과 등에서 수행되는 수많은 시술에는 복잡한 이미지 프로세싱을 필요로 하는 5M 픽셀 이상의 큰 이미지들이 종종 포함되기도 한다. 또한 머신러닝 작업 플로우도 컴퓨팅 및 메모리 집약적 작업이 될 수 있다. 대부분의 연산 방식은 선형대수학(Linear Algebra)이고, 많은 연산과 수많은 매개 변수(Parameter)를 필요로 한다.

이로 인해 수십억 개의 MAC(Multiply-Accumulate) 연산과 수백 메가바이트의 파라미터 데이터가 발생하고, 다수의 연산자와 고도로 분산된 메모리 하위 시스템이 필요하게 된다. 따라서 PC와 GPU 상에서 수행되는 기존의 컴퓨팅 방식으로 조직 검출이나 분류를 위한 정확한 이미지 추론을 수행하는 것은 비효율적이기 때문에 헬스케어 업체들은 이러한 문제를 해결할 수 있는 대체 기술을 찾고 있다.

ACAP 디바이스를 통한 효율성 향상

자일링스 기술은 헬스케어 업체들의 이러한 문제를 해결할 수 있는 이기종의 고도로 분산된 아키텍처를 제공한다. 자일링스의 적응형 컴퓨팅 가속화 플랫폼(ACAP, Adaptive Compute Acceleration Platform)인 버설(Versal™) SoC 제품군은 적응형 FPGA(Field Programmable Gate Array)를 기반으로 통합 DSP(Digital Signal Processor) 및 딥러닝을 위한 통합 가속기와 SIMD VLIW 엔진, 고도로 분산된 로컬 메모리 아키텍처 및 멀티프로세서 시스템을 갖추고 있으며, 실시간에 가까운 고속 데이터의 대규모 병렬 신호처리가 가능하다.

또한 버설 ACAP은 초당 수 테라비트의 NoC(Network on Chip) 인터커넥트 기능과 상호 긴밀하게 통합된 수백 개의 VLIW SIMD 프로세서로 구성된 첨단 AI 엔진을 갖추고 있다. 이는 컴퓨팅 성능을 100TOPS(Tera Operations per Second) 이상으로 끌어올릴 수 있음을 의미한다.

이러한 디바이스 성능은 복잡한 헬스케어 머신러닝 알고리즘을 매우 효율적으로 해결할 수 있으며, 리소스 및 비용, 전력을 절감하면서도 엣지 상의 헬스케어 애플리케이션을 크게 가속화하는데 도움을 준다. 버설 ACAP 디바이스를 사용하면, 아키텍처의 간단한 특성과 라이브러리 지원을 통해 반복되는 네트워크 지원 작업을 원활하게 처리할 수 있다.

또한 자일링스는 알고리즘 및 애플리케이션 개발자를 위해 혁신적인 에코시스템을 지원한다. 애플리케이션 개발을 위한 바이티스(Vitis™)와 머신러닝 추론 가속화를 최적화하고 배치할 수 있는 바이티스 AI(Vitis AI™)와 같은 통합 소프트웨어 플랫폼을 통해 개발자들은 ACAP과 같은 첨단 디바이스를 프로젝트에 손쉽게 사용할 수 있다.

결론적으로 헬스케어 및 의료기기의 작업 플로우는 크게 변하고 있다. 앞으로 의료 분야의 작업 플로우는 컴퓨팅, 개인정보보호, 보안, 환자의 안전 및 정확도에 대한 요구가 크게 높아지면서 빅데이터 기업과 같은 형태가 될 것으로 예상된다. 이러한 복잡성을 해결하고 관리하기 위해서는 분산형의 비선형, 병렬 및 이기종 컴퓨팅 플랫폼이 대안으로 떠오르고 있다. 버설과 같은 자일링스 디바이스와 바이티스 소프트웨어 플랫폼은 헬스케어 산업과 미래의 AI에 최적화된 아키텍처를 제공하는 것이다.