실전 인공지능(의사를 위한)

이 책에 대하여

인공지능은 대표적인 공학적 응용 분야에 속하는 주제입니다. 한편 의학은 인간의 건강과 질병을 다루는 분야로서 공학과는 철학과 지향점이 다릅니다. 이 책은 공학과 의학이라는 서로 지향점이 다른 두 가지의 큰 주제를 복합적으로 다루고 있습니다. 따라서 이 책의 전개상 불가피하게 표현되는 공학 이론이나 의학적 서술 혹은 추상적인 개념 중 일부는 독자의 이해를 돕기 위해 의도적으로 단순화한 부분이 있음을 밝혀둡니다. 이 책은 교과서라고 하기는 매우 가볍고 가이드북이라고 하기는 약간 무거운 편입니다.



이 책은 인공지능과 의료라는 보다 구체화된 주제에 대해 다양한 하위 주제를 다룹니다. 인공지능의 대표적인 하위 분야인 기계학습에서부터 패턴인식, 퍼지이론을 비롯하여 최근 크게 관심을 받고 있는 딥러닝에 이르기까지 다양한 세부 주제가 학습목표에 포함되었습니다. 예제로 다루어진 주제들은 의료전달체계의 시작에 해당하는 가정의학과부터 의료전달체계의 마지막이라 할 수 있는 방사선종양학과에 이르는 임상 영역을 포함합니다.

인공지능 기술의 주체를 저수준(low level) 단계에서 이론과 알고리즘을 개발하는 연구자부터 완성된 기술의 결과물을 바로 이용할 수 있는 최종 사용자(end user) 단계까지 세분화할 수 있습니다. 이 책은 이미 개발된 알고리즘들을 이용하여 구체적인 지능형 시스템을 설계하는 중간 사용자(개발자)의 관점에 초점을 두고 있습니다.



대상 독자

이 책은 인공지능이나 기계학습의 이론 지식이 없는 임상 의사와 보건의료인 중 인공지능과 기계학습에 대하여 기본 개념부터 실제 적용에 이르기까지 구체적으로 알고 싶거나, 실제 데이터를 이용하여 인공지능을 자신의 문제 해결에 적용하고 싶은 분들을 대상으로 합니다.

의학 문헌 검색 엔진 Pubmed에는 기계학습 기법을 적용한 논문들이 꾸준히 업데이트 되고 있습니다. 하지만 기계학습이나 인공지능 알고리즘에 관한 기초 지식 없이는 이러한 논문들을 읽고 이해하기 쉽지 않습니다. 인공지능 기법을 적용한 논문을 읽고 이해하거나 직접 연구를 하는 분께 참고서로 활용할 수 있습니다. 임상 문제 뿐만 아니라 진료 지원에 관한 문제를 인공지능으로 해결하는 과정을 이해하고 싶은 의료인과 의학도에게도 영감과 지식을 공유할 수 있으리라 생각합니다. 모든 독자는 진료나 연구 현장에서 기본적 수준의 컴퓨터 활용능력을 가지고 있다고 가정하였습니다.



이 책의 구성

이 책은 다섯 개의 부와 15개의 장으로 구성되어 있습니다.



제1부 다가오는 미래의료

1부는 인공지능과 의학, 의료, 의사라는 하나의 장으로 이루어져 있습니다. 인공지능이란 무엇인지, 현대와 미래의 의료에서 어떤 의미를 지니고 있는 지, 그리고 어떤 하위 분야가 있으며 어떤 문제를 해결할 수 있는 지 소개합니다. 또한 실제 의료 현장에서 적용될 수 있는 사례들을 소개하고 현대의 의료인이 인공지능을 알아야 하는 이유를 정리해 봅니다.



제2부 분류와 예측을 위한 지도 기계학습

2부에서는 인공지능의 하위 분야 중 의학 연구에 가장 많이 활용되고 있으면서도 기본적인 주제에 해당하는 지도(supervised) 기계학습의 기법과 알고리즘을 주로 소개합니다. 지도 기계학습은 인공지능이 무엇을 해야 하는 지 인간이 모범 답안을 제시하여 기계를 학습시키고 새로운 문제에 대한 답을 찾아내도록 하는 방법으로서 주로 데이터를 분류하는 문제에 사용됩니다. 다양한 지도 기계학습 방법 중 어떤 문제를 해결하기 위해 어떤 알고리즘이 적합한지 논의합니다. 그리고 마지막장에는 이 책을 따라하며 여러분이 직접 구현한 기계학습 모델의 성능을 어떻게 평가하며, 성능을 높일 수 있을지 소개합니다.



제3부 자율(비지도) 기계학습과 강화학습

2부에서 모범 답안을 학습하여 문제를 해결하는 지도 학습에 관한 내용을 다루었다면 3부에서는 모범 답안을 제시하지 않고 인공지능이 스스로 어떤 규칙을 찾아내거나 데이터를 분류할 수 있는 비지도(unsupervised) 기계 학습을 소개합니다. 매 순간 무수히 쏟아져 나오고 있는 치료와 진단에 관한 실제 의료 데이터에 대한 답을 일일이 의사가 정의하고 분류하기는 어려우므로 인공지능이 스스로 이를 수행하게 할 필요가 있습니다. 따라서 비지도 학습은 인공지능이 궁극적으로 지향해야 할 구현 목표라고 평가받기도 합니다. 3부의 또 다른 주제는 강화학습에 관한 것입니다. 강화학습은 어떤 상황에서 선택할 수 있는 여러 경우의 시나리오가 있을 때 시행착오를 통해 가장 적절한 대안을 찾아내는 기계 학습 방법입니다. 강화학습의 방법론을 맞춤의학(Individualized medicine) 구현에 적용하는 이론과 방법을 소개합니다.



제4부 지능적인 탐색과 예측, 응용

4부에서는 3개의 장으로 각각 다른 주제를 다룹니다. 첫 번째 장은 유전 알고리즘을 이용한 최적 문제 해결 방법을 소개합니다. 유전 알고리즘은 인공지능의 고전적인 분야이지만 여전히 해결하기 어려운 다양한 난제의 답을 찾아내는 강력한 기법입니다. 두 번째 장은 퍼지 이론을 다룹니다. 사람이 사용하는 언어는 본질적으로 경계의 불분명함, 즉 애매모호함을 지니고 있습니다. 그러나 연속적이지 않은 정보를 다루는 컴퓨터는 경계가 불분명한 사람의 언어를 적절하게 다룰 수 없습니다. 컴퓨터에게 사람의 언어적 표현을 처리하고 적절한 정보를 추론해 내는 퍼지 이론을 소개하고 의학 문제에 접근하는 방법을 소개합니다. 세 번째장은 기계학습의 특별한 응용 분야를 소개합니다. 의료영상에서 의미 있는 특징을 추출하고 기계학습을 이용하여 의료 영상을 병의 진단과 예측에 이용하는 분야인 의료영상체학

(radiomics)을 소개하고 간단한 구현 예제를 다루겠습니다.



제5부 딥러닝

5부에서는 최근 가장 급속히 발전하고 있는 고차원 기계학습 이론인 딥러닝(Deep learning)에 대해 소개합니다. 딥러닝은 오디오나 영상, 언어를 대상으로 하는 인공지능 기법 중 다른 방법에 비해 월등히 우수한 성능을 보여주고 있습니다. 인공지능에 대한 기대가 극히 높아지는 이유도 딥러닝의 성공에 있다고 하겠습니다. 이 책에서는 딥러닝을 통해 의료영상을 분류하거나 병변의 위치를 찾아내는 기법, 비언어적이거나 시계열적인 의료 정보를 처리하는 예시를 다룹니다. 딥러닝은 강력하지만 앞선 장에서 소개하는 다른 주제와는 달리 특별한 컴퓨팅 환경을 필요로 할 수 있습니다. 5부의 첫 번째 장에서는 딥러닝을 구현하기 위한 기초 준비 과정을 다루고 나머지 2개의 장에서 구체적인 소주제를 다룹니다. 첫 번째 소주제는 딥러닝의 가장 대표적인 응용 분야이며, 주로 영상 데이터의 인식을 위해 사용되는 합성곱 인공 신경망입니다. 두 번째 소주제는 기억 능력을 가진 재귀형 인공 신경망과 몇 가지 변형 신경망의 예제와 응용에 관한 것입니다.



선수 과목

인공지능의 모든 하위 주제는 엄밀한 수학적 논리에 따라 전개된 이론에 근거하여 발전해 왔습니다. 그러므로 인공지능의 심도 있는 이론적 이해를 위해서는 수학 지식이 필요합니다. 그러나 심도 있는 이론은 이 책의 범위를 벗어납니다. 부득이한 경우에 한하여 이 책에서 기술하는 모든 수학적 전개는 고등학교 이과 수학의 범위 이내에서 다루었습니다. 독자 여러분에게는 윈도우 운영체계를 바탕으로 기본적인 컴퓨터 활용능력이 요구됩니다. 프로그래밍 언어를 사용하지만 능숙한 프로그래밍 능력이 반드시 필요하지는 않습니다. 이 책은 프로그래밍 기법을 알려드리는 책은 아니지만 책에서 다루는 쉬운 코드는 직관적으로 따라 할 수 있으며, 어려운 코드는 필요한 부분만 수정하여 사용할 수 있습니다. 이 책에서 다루는 모든 소프트웨어나 라이브러리는 설치방법과 사용방법이 기술되어 있습니다. 독자 여러분이 구체적인 코드를 이해하기 보다는 인공지능의 접근에 대한 큰 그림을 그릴 수 있게 되기를 바랍니다.

감사의 글ㆍ4

추천의 글ㆍ5

머리말ㆍ8

이 책에 대하여ㆍ10



PART 01 다가오는 미래 의료

제1장 인공지능과 의학, 의료, 의사 / 24

1.1. 현대 의학은 어디로 가고 있는가? / 24

1.2. 인공지능이란 무엇인가? / 31

1.3. 병원의 인공지능은 어떻게 다가올까? / 37

1.4. 인공지능은 의사를 대체할 것인가? / 39

1.5. 의사가 인공지능을 알아야 하는 이유 / 40



PART 02 분류와 예측을 위한 지도 기계학습

제2장 기계학습을 위한 기본기 다지기 / 44

2.1. 기계학습이란 무엇인가? / 44

2.2. 기계가 학습을 할 수 있는 원리 / 47

2.3. 분류와 예측의 문제 / 49

2.4. 중요한 개념과 용어 / 50

2.5. 기계학습과 다른 기법과의 차이 / 55

2.6. 기계 학습이 이루어지는 절차 / 56

2.7. 기계학습을 위한 R의 준비 / 57

2.8. R언어의 기초 / 61

2.9. 이 단원의 마무리 / 67



제3장 직관적이고 빠르게 질병 진단하기 : K-최근접 이웃 방법 / 69

3.1. 비슷한 것끼리 모여 있는 유유상종의 원리 / 70

3.2. 차원의 확장과 거리의 계산 / 73

3.3. 데이터의 정규화와 매개변수 k의 선택 / 75

3.4. 예제 : 세포 모양으로 유방암 진단하기 / 77

3.5. 예제 : 폐암 수술 후 사망 위험군 예측하기 / 86

3.6. k-최근접 이웃 방법의 특징 / 90

3.7. 이 단원의 마무리 / 90



제4장 진단과 예측 근거를 명확하게 설명하기 : 의사 결정 나무 / 91

4.1. 스무고개 게임을 이기는 원리 / 92

4.2. 나무 구조의 기계학습 모델 / 93

4.3. 나무의 모양을 결정하는 정보의 이득과 엔트로피 / 96

4.4. 예제 : 요로 감염 진단 문제 / 100

4.5. 예제 : 홍반성 피부 병변 진단하기 / 104

4.6. 의사 결정 나무의 특징 / 106

4.7. 이 단원의 마무리 / 107



제5장 복잡합 차원의 질병 진단 및 예후 예측 : 서포트 벡터 머신,

인공 신경망 / 108

5.1. 국경선은 어떻게 결정해야할까? / 109

5.2. 데이터를 고차원 공간으로 연결하는 커널 트릭 / 112

5.3. 인공 신경망의 기초 / 113

5.4. 인공 신경망의 구조와 학습 원리 / 117

5.5. 예제 : 자살 고위험군 감별 시스템 만들기(국민건강영양조사 원시자

료 사용) / 122

5.6. 인공 신경망을 이용하는 코드 실습 / 135

5.7. 이 단원의 마무리 / 138



제6장 보다 고성능의 진료 지원 시스템 설계하기 : 성능 평가, 앙상블

학습, 회귀 문제 / 140

6.1. 기계학습에서 반드시 오류가 발생하는 이유 / 141

6.2. 정량적으로 모델 평가하기 / 143

6.3. 교차 검증으로 보다 일반화된 모델 만들기 / 148

6.4. 앙상블 학습으로 똑똑한 인공지능 만들기 / 150

6.5. 회귀 문제 : 저밀도 지방단백질(콜레스테롤) 수치 예측하기 / 153

6.6. 이 단원의 마무리 / 157



PART 03 자율 기계학습과 강화 학습

제7장 스스로 질병군을 찾아내는 인공지능 : K-평균 군집화 / 160

7.1. 답을 모르는 의학 문제 / 161

7.2. 인공지능은 스스로 유방암을 찾아낼 수 있을까? / 161

7.3. 유유상종하는 무리의 범위는 어떻게 정할까? / 164

7.4. 예제 : 간 질환 환자군 찾아내기 / 169

7.5. 군집화를 적용 할 수 있는 의료적 문제 / 171

7.6. 이 단원의 마무리 / 173



제8장 의무 기록에서 미지의 규칙 찾아내기 : 어프라이어리 / 175

8.1. 약물상호작용은 어떻게 발견할 수 있을까? / 176

8.2 연관 분석의 이론적 배경 / 177

8.3. 연관 패턴을 효율적으로 찾아내는 어프라이어리 / 179

8.4. 예제 : 의무기록에서 약물 병용 부작용 찾아내기 / 181

8.5. 임상 의사의 관점에서 규칙의 해석 / 185

8.6. 이 단원의 마무리 / 186



제9장 1차 진료에서의 맞춤 의료, 동적 치료 계획 : 강화학습 / 188

9.1. 1차 진료에서의 인공지능, 만성 질환의 동적 정밀 치료 / 189

9.2. 동적 치료 계획과 SMART 데이터 / 190

9.3. 강화학습은 최적의 동적 치료 계획을 어떻게 찾아내는가? / 194

9.4. Q학습을 이용한 최적 동적 치료 계획 탐색 / 196

9.5. 예제 : 비만 환자의 최적 동적 치료 계획 결정 문제 / 199

9.6. 동적 치료 계획은 어떤 문제에 적용되었는가? / 204

9.7. 이 단원의 마무리 / 207



PART 04 지능적인 탐색과 예측, 응용

제10장 난해한 의료 경영 문제의 가장 좋은 답 찾기 : 유전 알고리즘 / 210

10.1. 최적화란 무엇인가? / 211

10.2. 인공 염색체, 인공 유전자 그리고 지능적 인공 진화 / 213

10.3. 가장 우수한 인공 염색체를 찾는 과정 / 217

10.4. 유전 알고리즘 설계시 고려할 사항 / 219

10.5. 유전 알고리즘은 어떤 문제를 해결할 수 있는가? / 222

10.6. 예제 : 응급 수술 최적 스케줄 만들기 / 223

10.7. 예제 : 원자력병원의 인턴 의사 배치 문제 / 227

10.8. 이 단원의 마무리 / 231



제11장 인공지능 의사와 모호한 언어로 소통하기 : 퍼지 시스템 / 232

11.1. 모호한 인간 의사의 언어, 명확한 컴퓨터 의사의 언어 / 233

11.2. 모호한 표현을 퍼지 집합으로 나타내기 / 234

11.3. 논리 연산으로 퍼지 집합 확장하기 / 236

11.4. 결국 퍼지 논리로 무엇을 할 것인가? / 239

11.5. 의학적 명제를 퍼지 규칙으로 표현하기 / 240

11.6. 퍼지 추론으로 문제 해결하기 / 242

11.7. 예제 : 퍼지 시스템으로 신생아 사망 위험률 추정하기 / 248

11.8. 이 단원의 마무리 / 256



제12장 기계학습을 이용한 의료영상의 재발견 : 의료영상체학 / 257

12.1. 의료영상에 숨겨진 비밀 / 258

12.2. 의료영상체학은 어떤 문제를 해결할 수 있을까? / 260

12.3. 영상학적(radiomic) 속성은 어떻게 정의하는가? / 262

12.4. 전체적인 의료영상체학 접근 과정 / 266

12.5. 예제 : MRI 영상에서 교모세포종(glioblastoma) 예후 예측하기 / 269

12.6. 의료영상체학의 한계와 미래 / 278

12.7. 이 단원의 마무리 / 279



PART 05 딥러닝

제13장 딥러닝을 위한 준비 / 282

13.1. 인간을 닮아가는 깊은 수준의 인공지능 / 283

13.2. 딥러닝 인공 신경망의 구조 / 284

13.3. 심층 학습이 이루어지는 원리 / 286

13.4. 파이썬과 텐서플로우 준비하기 / 288

13.5. 딥러닝의 성능 향상을 위한 고민 / 296

13.6. 이 단원의 마무리 / 298



제14장 의료영상을 학습하는 인공지능 : 심층 합성곱 신경망 / 299

14.1. 의사는 처음 보는 의료영상을 어떻게 판독하는가? / 300

14.2. 시각피질의 구조를 닮은 인공 신경망 / 301

14.3. 예제 : 유방촬영술에서 치밀 유방 영상 가려내기 / 306

14.4. 소스 코드 살펴보기 / 312

14.5. 영상 인식 딥러닝에 관한 특별한 주제들 / 322

14.6. 이 단원의 마무리 / 329



제15장 의사의 눈과 귀에 도전하는 특별한 딥러닝 / 331

15.1. 맥락을 기억하는 재귀 신경망 / 332

15.2. 숨은 병변을 찾는 변형 신경망 / 335

15.3. 이미지를 설명하는 하이브리드 신경망 / 336

15.4. 예제 : 자궁경부암 환자의 생존 기간 추정하기 / 337

15.5. 예제 : 보행분석으로 파킨슨병 감별하기 / 345

15.6. 예제 : 초음파 영상에서 완신경총(brachial plexus) 찾기 / 349

15.7. 딥러닝의 미래와 의사의 역할 / 354



연습문제ㆍ355

참고자료ㆍ365

색인(찾아보기)ㆍ369

차유진