Blackjack3d/Getty 이미지
인공지능은 산업화된 사회에 거주하는 많은 사람들의 삶 속에 널리 퍼져 있습니다. 퓨 리서치 센터(Pew Research Center)에 따르면 미국 성인의 63%가 일주일에 여러 번 AI를 사용하며, 그 중 31%는 하루에 여러 번 AI를 사용한다고 답했습니다. 우리는 고객 서비스 챗봇, 피트니스 트래커, 심지어 특정 자료를 스팸으로 식별하는 이메일을 통해 일상 생활에서 AI를 자주 접합니다. 이러한 보편성으로 인해 의료 혁신과 연구에 AI를 사용하려는 움직임이 매우 크다는 것은 놀라운 일이 아닙니다. 특히 올해 발표된 여러 리뷰에서는 췌장암, 전립선암, 유방암에 대한 AI 도구를 강조했습니다. 조기 진단 탐지, 약물 표적화, 돌연변이 식별 등 이러한 도구의 용도가 다양해지고 있습니다.
주목할만한 암 치료에 AI 사용의 잠재적 이점 중 하나는 췌장암의 조기 발견입니다. 이러한 형태의 암은 특히 치명적이며 발병률이 증가하고 있습니다. 췌장암의 합병증은 초기 단계에서는 영상이 대부분 정상적으로 보이기 때문에 조기 발견이 매우 어렵다는 것입니다. 따라서 이미 퍼질 때까지 발견되지 않는 경우가 많습니다. 그러나 조기 발견은 결과를 개선하는 데 매우 중요합니다. 올해 발표된 연구에 따르면 REMOD(Radomics-based Early Discovery MODel)로 알려진 AI 도구가 현재 방사선 방법보다 두 배 빠른 속도로 가장 일반적인 형태의 췌장암을 조기 발견할 수 있는 것으로 나타났습니다. 완벽하지는 않지만 그럼에도 불구하고 이는 진단 자료의 유망한 개선을 제시합니다.
암 연구에서 AI의 일반적인 사용
와일드픽셀/게티 이미지
향상된 암 탐지 외에도 AI 방법은 암 치료와 관련된 표적 치료법에서 잠재력을 보여주었습니다. AI를 사용하면 많은 데이터 세트를 효율적으로 결합하고 분석할 수 있기 때문에 치료에 집중하는 데 유용한 세포와 단백질의 식별을 개선할 수 있는 기회가 있습니다. 또한 AI 모델을 사용하면 한 약물이 표적이나 환자가 복용하는 다른 약물과 어떻게 상호작용할 수 있는지 예측하는 데 도움이 될 수 있습니다.
약물의 잠재적인 표적이 확인되면 AI는 약물 설계에도 도움을 줄 수 있습니다. 컴퓨터 모델은 효율성을 높이기 위해 새로운 분자 구조를 제시하고 화학적 특성을 개선할 수 있습니다. 특정 화합물이 표적 생물학적 부위에 얼마나 잘 결합할 수 있는지 예측하기 위해 추가 모델을 사용할 수 있습니다. 이러한 도구는 약물 발견 과정을 간소화하고 테스트 안전성을 향상시키는 데 도움이 될 수 있습니다.
이러한 혁신은 맞춤형 의학을 개선할 수 있는 기회를 제공합니다. 암의 다양한 결과는 종양 세포 돌연변이의 차이에 의해 영향을 받습니다. 이러한 종양의 이미지를 분석하고 제시된 표현형을 사용하여 유전자 돌연변이를 알리고 예측하기 위해 AI 모델이 구현되었습니다. 이러한 도구는 분석할 종양 조직이 거의 없을 때 특히 유용하며 이는 유전자 검사보다 더 빠른 과정입니다. 따라서 이러한 방법은 환자별 치료를 개선하고 효율성을 높이는 데 도움이 될 수 있습니다.
한계와 논란
니코엘니노/게티 이미지
물론 이러한 방법은 진화하고 있으며 완벽함과는 거리가 멀다는 점을 기억하는 것이 중요합니다. 따라서 AI를 사용한다고 해서 과학에서 추가적인 연구 방법의 필요성이 배제되는 것은 아닙니다. 결국 AI 모델에 정보를 제공하는 데 사용되는 데이터는 기초 및 임상 연구를 통해서만 이용 가능해졌습니다. 또한 이러한 방법 중 상당수는 여전히 광범위한 검증이 필요합니다. 따라서 이러한 새로운 기술은 연구 관행과 치료를 간소화하고 정보를 제공하는 데 도움이 될 수 있지만 정확성과 효능을 결정하려면 훨씬 더 많은 분석이 필요합니다.
예를 들어 REDMOD는 췌장암 조기 발견이 증가한 반면, 그렇지 않은 일부 이미지에는 암으로 표시되기도 했습니다. 430개의 통제 사례 중 REDMOD는 81개를 표시했는데 이는 거의 19%에 달하는 거짓 양성 비율입니다. 또한, 암 진단을 받은 환자의 영상 중 73%에서 암이 정확하게 검출되었음에도 불구하고, 암 환자의 표본 수가 각각 63명, 430명으로 대조군에 비해 현저히 적다는 점도 주목할 만하다. 따라서 이러한 도구를 사용하더라도 추가 분석이 계속 필요할 것입니다.
설명된 제한 사항과 함께 많은 사람들은 이러한 AI 모델 훈련이 환자의 개인 정보 보호에 어떤 영향을 미칠 수 있는지에 대해 우려하고 있습니다. 또 다른 과제는 편향을 방지하기 위해 알고리즘이 다재다능하도록 보장하는 것입니다. 따라서 이러한 혁신은 유망하지만 많은 제한 사항이 남아 있으므로 해결해야 합니다. 이러한 모델에 성급하게 의존하면 건강 격차가 더 커질 수 있습니다.
