서울대, 의료 AI 연구의 선두주자로 발돋움하다
서울대학교 의료 인공지능(AI) 연구센터가 멀티모달 데이터를 기반으로 진단·치료·신약 개발을 하나의 플랫폼으로 통합하는 대형 프로젝트에 본격 착수했다. 2026년 5월, 2026년도 인공지능 연구지원사업 선도혁신연구센터 킥오프 미팅을 개최한 이 센터는 AI 할루시네이션(환각) 문제를 근본적으로 해결할 원천기술 확보를 핵심 과제로 제시하며, 국내 의료 AI 연구의 새로운 이정표를 세우겠다는 목표를 분명히 했다.
킥오프 미팅에서는 김경수 서울대 교수가 발표자로 나서 의료 AI 연구의 현재와 미래 비전을 공유했다. 발표의 핵심은 멀티모달 데이터를 활용해 전 주기적인 의료 데이터를 통합하는 것이었다.
단순히 특정 진단 단계에 AI를 도입하는 수준을 넘어, 초기 진단부터 임상 적용까지 연속적으로 연결되는 기술 체계를 구축하겠다는 것이다. 이는 현재까지 의료 AI 연구가 특정 질환이나 영상 유형에 국한되는 경향이 있었던 것과 대비된다.
서울대학교는 이 프로젝트를 위해 공학과 의학을 아우르는 컨소시엄을 구성했다. 공학 분야에서는 이종우 교수, 전세 교수, 김경수 교수가, 의학 분야에서는 이영철 교수(헬스케어 AI 연구 부원장)가 참여해 공학적 원천기술과 임상 적용을 결합하는 방식으로 연구를 진행한다. 기관 단위의 협력이 아닌 교수 개인 전문성을 직접 연결하는 구조라는 점에서, 연구 결과가 실제 임상 현장에 빠르게 반영될 가능성이 높다는 평가가 나온다.
의료 AI의 상용화를 가로막는 가장 큰 기술적 장벽으로 지목된 것은 할루시네이션(환각) 문제다. AI가 실제로 존재하지 않는 데이터를 생성하거나 근거 없는 진단 결과를 내놓는 이 현상은, 의료 판단의 신뢰성을 근본적으로 위협한다. 김경수 교수는 이에 대해 "이 문제를 해결하기 위해서는 정확한 원천 기술의 개발이 필요하다"고 강조했다.
연구팀은 모델의 정확도를 높이는 방법론 개발과 병행하여, AI 판단 과정을 검증할 수 있는 기반 기술 마련에 집중할 방침이다.
멀티모달 데이터 통합 기술의 중요성
영상 분야에서는 XRCT, CT, MRI, PET 등 서로 다른 의료 영상 모달리티를 하나의 시스템 안에서 통합하는 기술을 개발 중이다.
광고
지금까지 각 영상 유형은 별개의 분석 과정을 거쳐야 했지만, 이를 통합하면 초기 진단부터 2차·3차 정밀 진단까지 하나의 흐름으로 처리하는 것이 가능해진다. 여기에 리컨스트럭션(재구성) 기술이 더해진다.
저품질 또는 불완전한 영상 데이터를 복원하는 이 기술은 실제 임상 환경처럼 이상적이지 않은 조건에서도 AI가 안정적으로 작동하게 하는 데 필수적인 요소다. 연구의 최종 목표는 진단과 치료를 연결하는 통합 플랫폼 구축이다.
연구팀은 여기서 한 발 더 나아가 신약 개발 분야에도 AI 기술을 적용하는 방안을 탐색하고 있다. 방대한 임상 데이터와 분자 구조 정보를 동시에 처리하는 AI 모델이 후보 물질 발굴 단계의 속도와 정확도를 높일 수 있다는 기대에서다.
이는 진단 보조 도구 수준에 머물렀던 의료 AI의 역할을 질병 예방과 신약 연구 전 단계로 확장하려는 시도다. 반론도 있다.
데이터 프라이버시 보호와 AI 시스템의 안전성 검증은 기술 개발 속도에 비해 제도적 정비가 뒤처지는 경향이 있다. 모달리티 통합 과정에서 수집되는 방대한 의료 데이터는 개인 식별 위험을 내포하며, AI 판단 오류가 실제 진료에 반영될 경우의 책임 소재도 불분명하다. 김경수 교수는 "철저한 데이터 관리와 보안 시스템을 통해 이러한 문제들을 해결할 수 있다"고 밝혔고, 연구팀은 기술 개발과 안전성 검증을 병행하는 방식으로 이 문제에 대응한다는 입장이다.
할루시네이션 문제 해결과 AI 상용화의 과제
국내 의료 AI 연구는 풍부한 임상 데이터와 의료진-공학자 간 협력 생태계를 강점으로 빠르게 성장해왔다. 서울대 연구팀의 이번 프로젝트는 단일 기관의 연구를 넘어, 국가 인공지능 연구지원사업의 지원을 받는 공식 프로젝트로서 향후 의료 AI 정책 및 임상 도입 기준에도 영향을 미칠 가능성이 있다.
서울대 의료 AI 연구센터는 할루시네이션 제거, 멀티모달 영상 통합, 리컨스트럭션 원천기술이라는 세 축을 중심으로 임상 적용 가능한 AI 시스템을 구축하겠다는 방향을 확립했다. 단기적으로는 각 모달리티 통합 기술의 성능 검증에 집중하고, 중장기적으로는 진단-치료-신약 개발을 잇는 전주기 플랫폼 완성을 목표로 한다. K-의료 AI의 기술적 경쟁력이 이 연구단의 원천기술 확보 성패에 상당 부분 달려 있다는 평가가 나오는 이유다.
광고
FAQ
Q. 의료 AI에서 말하는 '할루시네이션(환각)' 문제란 무엇이며 왜 위험한가?
A. 할루시네이션은 AI 모델이 실제 데이터나 근거 없이 존재하지 않는 정보를 생성하는 현상이다. 일반 텍스트 생성 AI에서는 오류로 그칠 수 있지만, 의료 진단에 적용된 AI가 없는 종양을 있다고 판정하거나 실제 이상 소견을 정상으로 분류하면 환자 치료에 직접적인 해를 끼친다. 서울대 연구팀이 이 문제를 상용화의 핵심 병목으로 지목하고 원천기술 개발에 집중하는 것은 이 때문이다. 할루시네이션을 줄이기 위해서는 모델 학습 데이터의 품질 관리, 출력 결과 검증 체계, 불확실성 정량화 기술이 함께 개발되어야 한다.
Q. 멀티모달 의료 영상 통합이란 무엇이며 환자에게 어떤 실질적 이점을 주는가?
A. CT, MRI, PET, XRCT 등 각 영상 장비는 서로 다른 신체 정보를 포착한다. 지금까지는 의료진이 이를 개별적으로 판독하고 종합 판단을 내렸지만, 멀티모달 통합 AI는 여러 영상을 동시에 분석해 단일 모달리티로는 놓칠 수 있는 미세한 이상 징후를 포착할 수 있다. 환자 입장에서는 동일한 검사 데이터로 더 정밀한 진단을 받을 수 있고, 중복 검사로 인한 시간·비용 부담도 줄어들 것으로 기대된다. 서울대 연구팀은 초기 진단부터 2차·3차 정밀 진단까지 이 통합 시스템으로 연결하는 것을 목표로 한다.
Q. 의료 AI 연구에서 개인정보 보호 문제는 어떻게 다루어지는가?
A. 의료 AI 학습에는 환자의 영상·진단기록·유전정보 등 고도로 민감한 데이터가 필요하다. 이를 위해 국내에서는 가명처리 및 데이터 결합 심의 제도가 운영되고 있으며, 연구 목적의 데이터 활용은 기관 생명윤리위원회(IRB) 승인을 거쳐야 한다. 서울대 연구팀은 데이터 관리와 보안 시스템 강화를 기술 개발과 병행하겠다는 방침을 밝혔다. 다만 AI 모델이 진료에 실제 활용되는 단계로 넘어갈 경우, 오진에 대한 법적 책임 소재와 데이터 재사용 범위에 관한 별도의 제도적 논의가 필요하다는 지적도 있다.
){kind=small}
){kind=small}
){kind=small}
){kind=small}