MRI로 PET 정보 예측하는 생성형 AI, 척추 질환 진단 혁신의 신호탄
의료 현장에서 영상 진단의 정밀도와 접근성은 환자의 생사, 치료의 효율성에 직결되는 요소다. 최근 영남대병원과 산학연구진이 이끄는 프로젝트는 이 문제의 첨단 해결책에 한 발 다가섰다. MRI 하나만으로 PET(양전자방출단층촬영)의 대체 정보를 얻는 ‘생성형 AI 기반 척추 영상 진단’ 모델이 세계적으로 주목받고 있다.
MRI와 PET, 두 영상 진단법의 물리적·임상적 차이는 크다. MRI는 인체 조직의 구조적 정보를 강점으로 하고, 방사선 노출이 없지만 혈류·대사 등 기능적 변화에는 한계가 있다. PET은 역으로 미세한 대사 변화를 민감하게 포착하지만, 방사선 동위원소를 사용해 환자 부담이 크다. 이 두 진단법의 시너지 효용성은 높았지만, 비용·시술 시간·노출 우려로 임상에서 통합 활용은 제한적이었다.
영남대병원 연구팀이 주목한 건, 최근 비약적으로 발전한 ‘생성형 AI(Generative Model)’의 파워다. 촬영된 MRI 데이터를 입력하면, 딥러닝 기반 생성형 AI가 마치 PET 촬영을 한 것처럼 뇌 및 척추 영상을 ‘예측’해낸다. 이 AI는 수천 건의 MRI·PET쌍 영상을 학습해 구조-기능 상관관계를 자기 주도적으로 맵핑한다. 연구진은 실제 PET 결과와 AI 예측값의 정량적 차이, 임상적 진단 가치까지 다각도 검증을 수행했다.
전 세계 의료계의 연구 흐름과 비교할 때 이번 프로젝트는 여러모로 첨단에 가깝다. MRI-to-PET 생성 AI는 이미 유럽, 미국 협진 병원에서 임상시험에 들어간 바 있다. 해당 분야의 대표적 사례로는 MIT·스탠포드 등과 네이처 자매지 발표 논문이 있다. 영남대병원의 연구는 이들과 매우 유사한 네트워크 구조(GAN, U-Net 변형)와 최적화 Loss function 방식을 적용, 국내 환경에 맞는 신경망 모델 운영의 신뢰도를 높였다. 특히 MRI만으로 PET 표지자(예: 대사성 장애 신호, 염증 등)까지 예측하는 점은 차별화 포인트로, PET 가용성이 낮은 지역이나 환자군에서 진단 격차 해소에 실질적 도움이 될 수 있다.
기술 적용의 기회와 한계도 동시에 존재한다. AI의 수학적 매핑 적합성(=PET 생리신호의 실제 반영력)이 환자 상태, 장비 종류, 촬영 환경에 따라 변한다는 점은 현 시점의 커다란 제약이다. 실제로 다양한 질환군(신경 퇴행, 암, 만성염증 등)의 데이터를 대폭 보강하고, 장비별 스캐닝 환경 변주에 따른 알고리즘 튜닝이 요구된다. 국내 의료 데이터의 표준화 격차 역시 AI 학습 효율성에 영향을 준다. 딥러닝 기반 영상 생성은 검증 자료가 늘수록 예측의 신뢰도와 임상 안전성 평가가 진화하나, 데이터 품질·윤리적 사용·환자 정보 보호 등 포괄적 고민이 필요하다.
의료 AI의 현장 적용 사례는 올해 들어 급격히 확장되는 양상이다. 생성형 AI의 유전체 분석, 임상 영상 리포트 자동 생성, 병리 조직 진단 등 ‘보조적 의사결정’ 역할에서 이제 ‘데이터 부족 보완’(예: 원 데이터 미촬영 정보 생성)까지 실험이 이어진다. 이번 MRI-PET 생성 AI는 PET센터 확충이 어려운 국내 현실에서 의료 형평성, 진단 효율성 양 측면에서 자원 배분의 미래형 솔루션으로 부상할 수 있다. 물론 의료 현장에서의 ‘AI 보조 진단’은 2차·3차적 확인 과정을 전제로 해야 하며, 생성 영상이 갖는 허상(Artifact)에 대한 지속적인 내부 검증과 국제적 가이드라인 마련이 뒤따라야 한다.
진단 자동화에 대한 의료계-산업계-윤리사회적 논의 역시 본격화되고 있다. 생성형 AI의 예측이 한눈에 그럴듯할지라도, 의학적 의사결정의 주체성·설명가능성(Explainability)은 필수다. 임상의의 경험·판단과 AI의 예측이 충돌할 수 있는 시나리오—특히 암, 퇴행성 질환의 치료 결정 등 고위험군 환자에서 신중해야 한다. PET 결과를 통상적 참조값으로 취급하는 것도 무비판적 수용을 지양해야 한다. 생성형 AI 진단의 결과는 의료진의 보조적 참고자료로 남는 게 현재로선 타당하며, 개인정보보호, AI알고리즘의 투명성 공개 등도 최우선 과제다.
병원 주도의 산학 프로젝트가 실제 임상 변화를 촉진한 사례라는 점에서, 현장의 피드백·누적 경험을 통한 알고리즘 개선이 기대된다. 장기적으로는 데이터 플랫폼 표준화를 추진해 국내외 자료와 경쟁력 있는 AI헬스케어 생태계를 구축하는 것이 다음 과제가 될 것이다.
MRI만으로 PET 수준의 진단 정보를 확보하는 기술은 임상 효율화, 환자 편의는 물론 의료 접근성의 대중화, 비용 최소화까지 실질적 변화의 잠재력이 있다. 그러나 AI가 여전히 ‘의료 현실’을 완전 대체하기에는 한계가 뚜렷하다. 생성형 AI의 변별력, 데이터 다양화, 의료윤리 가이드 구축 등 다방면에서 연구진과 의료계, 규제당국의 공조가 필수적이다. 척추 질환 진단 혁신은 결국 기술과 사람, 데이터와 신뢰가 어우러졌을 때 진정한 성과로 이어질 것이다.
— 유재혁 ([email protected])