Google의 DeepMind는 의학의 새로운 시대를 열 수 있습니다.

최근 구글의 딥마인드(DeepMind)가 한 단계 더 높은 수준에 도달했다는 소식으로 기술계가 들썩이고 있다. 퐁이나 체스를 두는 시대는 지났습니다. 2016년 초부터 DeepMind는 의료 분야에 영향을 미치기 시작했습니다. 최근에 DeepMind의 능력은 이제 우리를 의학의 새로운 시대로 완전히 전환시킬 수 있습니다. DeepMind가 어디에서 왔는지, 어떻게 그렇게 지능적이 되었으며 의학의 미래를 완전히 바꿀 수 있는지 살펴보겠습니다.

딥마인드의 기원

DeepMind는 원래 Shane Legg, Demis Hassabis 및 Mustafa Suleyman의 세 사람이 설립한 2010년 스타트업이었습니다. 인터뷰에서 Hassabis는 AI가 플레이할 1970년대와 1980년대의 원시 게임을 선택하여 인공 지능 기술에 대해 작업했다고 언급했습니다. 마치 Ready Player One에서 나온 것처럼 AI 머신은 Space Invaders, Breakout 및 심지어 복고풍 클래식인 Pong과 같은 게임을 재생했습니다.

AI가 도입되면서 사전에 규칙을 듣지 않고 게임 플레이를 통해 학습했습니다. 게임을 하고 잠시 실패하면 AI가 게임을 배우고 마스터합니다. 예를 들어, 이 비디오는 AI 마스터링 Atari Breakout을 보여줍니다. Forbes 기사에 따르면 AI의 인지 프로세스는 핵심 개념을 파악한 다음 능숙해지기 위해 "게임을 본 적이 없는 인간이 사용하는 것과 매우 유사"하다고 합니다.

진화 도구로서의 게임

DeepMind가 개발한 컴퓨터 바둑 프로그램 AlphaGo는 2015년 10월 유럽 바둑 챔피언 Fan Hui(9단 2단)를 5:0으로 꺾었습니다. 이는 AI 기술의 중요한 이정표였기 때문에 AI 기술의 중요한 이정표였습니다. 컴퓨터는 전문 바둑 선수를 이길 수 있었습니다. 그 이유는 복잡성 수준입니다. 바둑은 가능성의 범위가 넓기 때문에 체스와 같은 다른 게임에 비해 컴퓨터가 이기기가 훨씬 더 어렵기 때문에 AI가 철저한 검색 방법을 사용하여 이기기가 더 어렵습니다.

그리고 2016년 3월, AlphaGo는 4:1 경기에서 세계 최고 순위의 바둑 선수 중 한 명인 이세돌(9단 9단)을 꺾었습니다. 이듬해 알파고는 지난 2년간 바둑 세계 1위를 지켜온 케지에와의 3연전에서 승리했다. 학습을 위해 AI는 지도 학습 기술을 사용하여 인간이 서로 하는 많은 게임을 연구했습니다.

강화 딥러닝

알파고 기술은 머신러닝의 일종인 강화 딥러닝 기법을 기반으로 만들어졌다. 인공 지능 디포(Artificial Intelligence Depot)의 기사에 따르면 "기계와 소프트웨어 에이전트가 성능을 극대화하기 위해 특정 컨텍스트 내에서 이상적인 동작을 자동으로 결정할 수 있습니다." 예를 들어 AI가 바둑을 할 때 간단한 보상 피드백은 AI가 경험에서 배우는 데 도움이 되며 이를 "강화 신호"라고 합니다.

알파고 & 알파고 제로

AlphaGo가 다른 사람을 보고 더 많은 바둑 게임을 스스로 하며 배운 것처럼 실패뿐만 아니라 승리에서도 배웠습니다. 그런 다음 3천만 개 이상의 게임을 처리할 때까지 과거 데이터가 게임 지식에 추가되었습니다. 개선된 버전인 AlphaGo Zero는 2017년 AlphaGo 100개 게임을 0으로 물리쳤습니다. 놀랍게도 이 위업은 AlphaGo Zero가 게임을 배운 지 3일 만에 가능했습니다. 또한 수정된 AlphaGo Zero인 AlphaZero는 순수 자기 플레이를 통해 체스와 장기를 배우는 초인적인 능력을 갖추게 되었습니다.

DeepMind 건강 및 안과 질환 식별

2016년에 DeepMind는 Moorsfield Eye Hospital과 협력하여 의료용 AI 애플리케이션을 개발했습니다. 그들의 초점은 안과 질환에 대해 환자가 치료되고 의뢰되는 방식을 개선하는 데 있었습니다.

현재 안과 전문의는 OCT(광간섭 단층촬영) 스캔을 활용하여 안과 질환 진단을 돕고 있습니다. OCT 스캔은 눈의 뒷면을 매핑하는 3D 이미지입니다. 읽기 어려운 것으로 악명이 높으며 더 깊은 이해를 얻으려면 전문가의 분석이 필요합니다. 긴 분석 시간과 일일 스캔 수(Moorfields에서는 하루 약 1,000개) 사이에서 스캔과 치료 사이의 시간은 긴급 치료의 경우에도 상당히 지연될 수 있습니다. 불행히도 이는 출혈과 같은 갑작스러운 발병 문제가 있는 경우 스캔 후 치료 지연으로 인해 환자의 시력이 저하될 수 있음을 의미합니다.

DeepMind 기사에 따르면 AI 시스템은 "정상적인 임상 실습의 눈 스캔을 전례 없는 정확도로 신속하게 해석하고" "세계 최고의 전문 의사만큼 정확하게" 치료 과정을 추천할 수 있습니다. 이 시스템은 몇 초 만에 안구 질환의 존재를 감지할 수 있을 뿐만 아니라 긴급 치료가 가장 필요한 환자의 우선 순위를 지정할 수 있습니다. 이 기술로 인해 스캔과 치료 사이의 대기 시간이 크게 줄어들어 위험에 처한 사람들을 돕고 시간 경과로 인한 실명의 가능성을 낮출 수 있습니다.

DeepMind 건강 및 안과 질환 식별

올해 초 DeepMind는 Cancer Research UK Imperial Center와 협력하여 AI 기술이 전문가가 인간 전문가보다 더 효과적이고 빠르게 유방 조영술에서 유방암을 진단하는 데 도움이 될 수 있는지 여부를 평가했습니다. DeepMind가 안과 질환과 마찬가지로 유방암 인식 개선에 도움이 되기를 희망하면서 작업은 계속됩니다.

2018년 10월 4일 DeepMind 기사는 DeepMind Health 프로젝트가 일본 최고의 의료 기관 중 하나인 Jikei 대학 병원으로 확장되어 5년간 파트너십을 맺는다고 발표했습니다. 페어링의 목적은 기술이 엑스레이에서 암 조직의 징후를 보다 효과적으로 찾을 수 있는지 확인하기 위해 영국에서 제공한 역사적인 비식별화된 유방조영술 데이터베이스와 함께 약 30,000명의 여성의 비식별화된 유방조영술을 분석하는 것입니다. 현재의 기술보다

그러나 AI 시스템이 돕거나 평가하려는 데이터를 정확하게 반영하지 않는 데이터에 대해 훈련될 때 편향이 발생할 수 있으므로 연구를 신중하게 수행해야 합니다. 예를 들어, 인종 그룹 간에 유방 밀도의 차이가 있을 수 있으며, 실제로는 밀도가 더 높을 때 일부 환자를 실수로 암으로 분류할 수 있는 요인입니다.

DeepMind 및 안구 질환 예측

DeepMind Health가 질병의 존재를 확인하기 위해 OCT 스캔을 사용한 것처럼 전문가들은 또한 질병이 발생하기 전에 임박한 질병을 예측하는 데 사용할 수 있는지 확인하려고 노력하고 있습니다. 무어필드 안과병원에서 한쪽 눈에만 안과 치료를 받은 환자 7000명을 분석해 다른 쪽 눈의 악화를 예측할 수 있다.

DeepMind 기사에 따르면 "질병에 대한 잠재적 지표를 예측하는 것은 기존의 알려진 증상을 식별하는 것보다 훨씬 더 복잡하고 계산적으로 집약적인 작업입니다." 능력을 컴퓨팅 요구에 맞추기 위해 DeepMind와 Moorfields는 영국과 미국에서 Google의 클라우드 컴퓨팅 인프라를 사용하기로 합의했습니다.

AlphaFold 단백질 폴딩

최근 DeepMind의 최신 AI 프로그램인 AlphaFold는 단백질의 3D 모양을 예측하는 한 가지 특히 힘든 업적에서 경쟁자를 이겼습니다. 학계 외부에서는 거의 논의되지 않을 수 있지만 단백질 접힘은 모든 사람과 관련이 있습니다. Guardian의 기사에 따르면 "분자 종이 접기"의 한 형태입니다. 과학자들은 일반적으로 단백질 모양을 결정하기 위해 극저온 전자 현미경, X선 결정학 및 핵 자기 공명을 사용하지만 시행착오, 시간 및 비용에 따라 다릅니다.

단백질이 클수록 고려해야 할 상호 작용이 더 많기 때문에 올바르게 모델링하기가 더 어렵습니다. 예를 들어, DNA에는 긴 사슬을 형성하는 아미노산에 대한 정보가 들어 있습니다. 이러한 사슬의 구조와 3D 모양으로 형성되는 방식을 예측하는 것이 "단백질 접힘 문제"입니다. DeepMind 기사에 따르면 Levinthal의 역설은 "올바른 3D 구조에 도달하기 전에 일반적인 단백질의 가능한 모든 구성을 열거하는 데 우주의 나이보다 더 오래 걸릴 것"이라고 말합니다.

단백질의 모양을 이해하는 것은 그 기능을 이해하는 데 큰 도움이 됩니다. AI 예측 단백질 접힘의 이 행위만으로도 과학 및 의료 분야에 거대한 프로세스를 가져올 수 있습니다. 단백질이 엉키거나 잘못 접히면 당뇨병, 파킨슨병, 헌팅턴병, 낭포성 섬유증 및 알츠하이머병을 유발할 수 있다는 점을 고려하십시오.

과학자들이 화학 성분에서 단백질의 모양을 예측할 수 있다면 그것이 하는 일과 그것이 잘못 접혀서 해를 입힐 수 있는 방법을 알아낼 수 있기를 바랍니다. 또한 AI 응용 프로그램은 질병과 싸우거나 의무를 수행하기 위해 새로운 단백질을 설계할 수도 있어 의학의 새 시대를 열 수 있습니다.