medical-ai
코딩 없이 시작하는 의료 AI: 학회 강연을 글로 옮깁니다
10월 KSNR 추계심포지엄과 11월 가톨릭대학교 영상의학교실에서 한 강연 "Medical AI without coding"을 글로 정리했습니다. 챗봇에서 에이전트로 바뀐 점, 연구에서 직접 해 본 결과, 임상의가 만든 도구, 병원에서 지킬 원칙, 시작하는 방법을 담았습니다.
무엇이 달라졌나
10월 30일 대한신경두경부영상의학회 추계심포지엄 Session 3에서 "Medical AI without coding: A practical introduction"이라는 제목으로 20분 강연을 했고, 11월 11일 가톨릭대학교 영상의학교실 온라인 학술미팅에서 같은 내용에 실습 구역을 더해 한 번 더 했습니다. 이 글은 두 강연을 글로 옮긴 것입니다. 코딩을 해 본 적은 없지만 AI 에이전트를 진료와 연구에 쓸 수 있을지 궁금한 선생님들을 생각하고 썼습니다.
지난 반년 동안 이 주제로 열 번 남짓 강의하면서, 같은 도구를 드려도 질문이 달랐습니다. 전공의 선생님들은 판독문 문체, 발표자료, 데이터 정리처럼 내 일을 덜어 주는 쪽을 물으셨고, 교수님들은 유방재건 임플란트 처방, 드림렌즈 처방, 증례 관리처럼 기존에 없던 도구를 만들고 싶어 하셨습니다. 이 중 안과 교수님이 부탁하신 드림렌즈 피팅 계산기와, 다른 병원 영상의학과 교수님이 직접 만들어 공유하신 케이스 관리 프로그램은 실제로 만들어졌습니다.
예전에는 챗봇에 묻고 방법을 설명받았습니다. 지금 쓰는 에이전트는 목표를 주면 코딩, 문서 작업, 웹 검색까지 직접 실행합니다. MCP라는 연결 방식을 쓰면 다른 서비스나 프로그램도 다룹니다. 그래서 "이 CSV로 baseline table을 만들고 ROC를 그려 달라"는 한 문장이 실제 표와 그림 파일로 돌아옵니다. 코드를 외우거나 직접 입력하지 않고, 한국어로 목표를 설명하고 결과를 보고 맞는지 판정합니다.
구현이 쉬워진 만큼 문제를 정의하고, 일을 나누고, 결과를 검증하는 일이 중요해졌습니다. 판독에서 전공의 판독을 확인하고, 연구에서 PI로서 일을 맡기고 결과를 검토하던 일과 같은 구조입니다. 일하는 주체가 AI 에이전트로 바뀌었을 뿐이어서, 이런 일을 오래 해 오신 시니어 선생님들이 유리합니다.
쓰는 말도 프롬프트 엔지니어링에서 컨텍스트 엔지니어링, 지금은 하네스 엔지니어링으로 바뀌었습니다. LLM은 확률적으로 다음 단어를 내놓기 때문에 오류가 생기고, 여기에 코드와 제약, 검증을 걸어 원하는 방향으로 가게 하는 것이 하네스입니다. 강연 슬라이드를 학회에 낸 뒤 Meta의 Muse(9월 8일)와 ChatGPT의 dots(9월 29일)가 나왔습니다. 에이전트에게 일을 맡겨 자동화하도록 돕는 서비스라, 지금 시작하시는 분은 이런 서비스만 잘 다루셔도 좋은 결과를 얻으실 수 있습니다. 다만 결과를 믿고 쓰려면 확인하는 구조는 여전히 필요합니다.
연구에서 직접 해 본 것
연구용으로 만든 것은 MedSci Skills입니다. 데이터 정리와 통계부터 원고 작성, 투고 준비까지 연결한 스킬 모음으로, 연구 스킬 54개, 자동 검증 게이트 93개, 보고 가이드라인 49종을 담았고 MIT 라이선스로 무료 공개했습니다. Claude뿐 아니라 Codex나 Cursor에서도 씁니다. 인용한 논문이 PubMed와 CrossRef에 실제로 있는지 대조하고, 본문과 표와 초록의 숫자가 어긋나면 멈춥니다. 반복해서 확인할 수 있는 것은 자동으로 점검하고, 임상적 맥락과 최종 인용 여부는 사람이 판단합니다.
새 아키텍처 설계와 대규모 사전학습은 여전히 공학자와 협업할 영역입니다. 공개된 모델을 내 데이터에 적용하고 검증하는 연구는 임상의가 주도할 수 있습니다. GitHub에 공개된 nnU-Net을 받아 MSD 데이터의 CT로 비장 분할을 학습시켰고, Dice 중앙값은 내부 검증(MSD held-out, n = 9)에서 0.959, 외부 검증(AMOS CT, n = 298)에서 0.894였습니다. 9일, 약 50 GPU-시간이 걸렸고, 연구 설계와 평가 기준은 제가 정하고 클러스터 접속 같은 인프라 문제는 Claude Code와 함께 해결했습니다.
같은 방식으로 진행한 연구 세 편이 있습니다. 모두 기성 모델만 썼습니다.
- npj Digital Medicine: 전문의 시험 공부용 교육자료를 만들고 검증한 연구입니다. 텍스트 카드 6천 장과 인포그래픽 833장을 만들었고, 전공의 9명과 전문의 11명이 카드 1,284장을 검증했습니다. 자동 검증을 통과한 텍스트의 blocking-error FNR은 1.00%로 사전 기준 0.3%를 만족하지 못했고, 자동 검증 뒤에도 사람이 검토해야 한다는 결론을 냈습니다.
- BMC Medical Education: 이 자료를 전공의 41명에게 Anki 카드로 배포한 파일럿입니다. 인지부하와 자기효능감 변화에서 군 간 유의한 차이는 없었습니다.
- medRxiv preprint: 판독의 60명이 6개 모달리티, 9개 세부분과의 영상에서 AI가 만든 영상을 구별할 수 있는지 본 사전등록 연구입니다. pooled AUC는 0.71(95% CI 0.69–0.74)로 우연보다 높았지만, 사전에 정한 탐지기 기준 0.75에는 미치지 못했습니다. 연구에 쓴 리더 스터디 웹앱도 공학자 없이 Claude Code로 하루 만에 만들었습니다.
임상의가 만든 도구
현장에서 필요해서 직접 만든 도구 세 가지를 소개했습니다.
- Clinova: 정형외과 의사가 만들었습니다. 진료 대화를 기록해 병원 양식에 맞춘 차트 초안으로 정리합니다. 로컬 처리 옵션을 두고, 기존 EMR은 그대로 쓰며, 의사가 확인한 뒤에만 EMR에 입력되게 했습니다.
- Altician: 신경외과 의사가 만든 내시경 척추 수술 시뮬레이터입니다. CT에서 구조를 나누고 접근 방향, 내시경 시야, 기구 배치를 미리 확인합니다. 기존 수술 네비게이션은 하드웨어 5억 원, 세팅 30분, 추가 인력 2명이 필요해 웬만한 수술에는 쓰이지 않습니다. 그래서 이미 쓰는 장비를 소프트웨어와 연결하는 방향으로 발전했습니다.
- Aperivue RADS: 제가 만든 구조화 판독 도구입니다. 소견을 고르면 점수와 카테고리, 판독문 초안까지 나옵니다.
병원에서 쓸 때 지킬 네 가지
- 환자 정보는 넣기 전에 로컬에서 지웁니다. 식별자 제거는 네트워크나 LLM을 거치지 않는 로컬 스크립트로 합니다.
- 산출물은 전부 초안이고, 서명은 사람이 합니다.
- 어디까지 맡길지, 초안까지인지 실행까지인지 미리 정합니다.
- 문서 정리, 발표자료, 공개 데이터 분석처럼 환자 데이터가 없는 일부터 시작합니다.
도구를 직접 만들든 제품을 사든 마지막 확인은 사람이 합니다. 인허가를 받은 동맥류 AI를 실제 진료 MRA 442건에 적용한 독립 평가(Ito 2026)에서는 동맥류 94개 중 73개를 찾았고, 잘못된 표시가 520개(증례당 1.18개)여서 표시 여덟 개 중 하나만 진짜 동맥류였습니다. 경험이 다른 판독자 9명이 상용 동맥류 AI의 표시와 함께 TOF-MRA 20건을 읽은 연구(Kim 2025)에서는, AI가 잘못 표시하면 동맥류를 더 의심하게 됐고 경험이 적은 판독자는 더 강한 추적 검사를 권했습니다. 판독 시간은 경험과 관계없이 AI를 쓸 때 짧아졌습니다. 빨라지는 만큼 잘못된 표시를 걸러 내는 판독 경험이 중요합니다.
시작하는 방법
가톨릭대학교 강의에서는 실습 구역 10장을 더해, 앱을 열고 처음 하는 일을 화면으로 보여 드렸습니다.
- Claude 앱은 왼쪽 위 Code 탭에서 입력창 아래 폴더를 고르고, ChatGPT 앱은 Codex에서 프로젝트를 고릅니다. 그다음 "이 폴더의 CSV로 Table 1 만들어 줘"처럼 한국어로 부탁합니다.
- 합성 건강검진 CSV로 Table 1과 ROC를 만들어 봅니다. 시연에서 AI는 일부러 넣어 둔 이상값(체중 6.5 kg, 공복혈당 999, 흡연 "NEVER")을 찾아 처리했고, 근거 없이 짐작한 값도 남겼으며, AUC 0.822가 같은 데이터로 잰 낙관적인 값이라고 스스로 적었습니다. 이 요약을 읽고 무엇이 맞는지 판단하는 것은 연구를 설계하는 사람의 몫입니다.
- 권한은 처음에는 수동으로, 큰 작업은 계획 모드에서 시작합니다. 권한 무시 모드는 환자 자료가 있는 폴더에서 쓰지 않습니다.
- 세 가지 부탁을 저장해 두고 씁니다. 시작 전에 필요한 것을 질문해 달라는 부탁, 끝났다고만 하지 말고 실행한 코드와 출력을 보여 달라는 부탁, 새 대화로 넘어가기 전에 결정한 것과 남은 일을 정리해 달라는 부탁입니다.
- 막히면 Esc로 멈추고, 에러 메시지를 그대로 붙여 넣어 다음에 할 일을 물어봅니다. 작업 전에는 폴더를 복사해 두십시오.
슬라이드와 강의 정리는 KSNR 추계심포지엄 강의 페이지와 가톨릭대학교 강의 페이지에 있습니다. MedSci Skills를 설치하신 뒤 합성 검진 데이터로 Table 1과 ROC를 한 줄로 시켜 보시고, 정답 예시와 어디가 다른지 직접 찾아보시면 좋겠습니다.