이번에 오즈코딩스쿨에서의 AI헬스케어 관련 특강을 보며 정리해본 내용입니다.
헬스케어 산업에 AI가 왜 필요한지부터 디지털 헬스케어 산업 구조, 의료 데이터와 규제 환경 그리고 취업 준비와 포트폴리오 구성 방법까지 전반적인 흐름을 정리해 보았습니다.
헬스케어 AI가 필요한 이유
헬스케어 분야에서 AI 도입이 필수적인 이유는 다음과 같습니다.
✅ 진단과 치료의 정확도와 효율성 향상입니다.
✅ 심각해지는 의료 인력 부족 문제 해결입니다.
- 2034년 미국은 최대 120만 명의 의료 인력 부족이 예상되고 있습니다(AAMC).
✅ 기존의 집단 통계 기반 의료에서 개인 맞춤형 의료로의 전환입니다.
- 웨어러블 기기, 생활습관, 식단, 운동, 바이오 데이터 등을 활용한 정밀 의료가 확대되고 있습니다.
✅ 신약 개발 과정의 고도화입니다.
- 임상 대상자 최적화, 약물 부작용 예측 등에서 AI가 중요한 역할을 합니다.
이외에도 임상 데이터 분석 자동화, 원격 의료 서비스, 의료 행정 처리 자동화 등 다양한 영역에서 활용됩니다.
디지털 헬스케어 산업 구조
디지털 헬스케어 산업은 기술 계층에 따라 다음과 같이 구분됩니다.
✔️ Digital Device (HW): 의료 영상 장비, 웨어러블, 생체 센서
✔️ Digital Solution (SW): 진단 보조, 치료 지원, 의료 영상 분석
✔️ Digital Platform: 병원 플랫폼, 원격 의료, 데이터 관리
✔️ Digital Enabler (Data/Infra): EMR, EHR, PHR, 빅데이터, 클라우드
서비스 영역은 질병(Illness) 영역과 웰니스(Wellness) 영역으로 나뉘며,
비즈니스 구조는 B2B, B2C, B2B2C 형태로 운영됩니다.
의료 데이터와 규제 환경 (2024)
AI 헬스케어가 해결해야 할 핵심 과제는 다음과 같습니다.
- 데이터 연계: 의료기관 간 데이터 연계, EMR–PHR 통합
- 개인정보 보호: 데이터 유출 방지, 개인정보 위험 관리
- 윤리적 책임: 알고리즘 설명 가능성 확보, 검증 기준 수립
또한 AI 헬스케어 비즈니스 모델 설계 시 다음 요소를 고려해야 합니다.
시장 니즈 분석, 의료기기 인허가 및 관련 법규, 사용자 중심 기술 설계, 임상 검증, 데이터 품질 관리가 필수 요소입니다.
의료 데이터와 규제 정책 변화 (2025)
2025년부터 국내 보건의료 정책은 AI 기반 의료 혁신을 본격적으로 추진합니다.
AI 진단기기 140여 종을 우선 검토 대상으로 선정하였고, 의료 데이터 활용을 확대하는 정책을 통해 AI 기술의 의료 현장 도입을 가속화하고 있습니다.
부트캠프 학습 방식과 내용
부트캠프에서는 동료들과 함께 복습 스터디와 논문 스터디를 진행하며 학습하신 것을 말씀해주셨습니다.
주요 학습 내용은 CNN 구조(DenseNet, GoogLeNet, ResNet), Transformer, Attention 메커니즘 등 딥러닝 핵심 구조 전반이었습니다.
취업 준비 및 포트폴리오 전략
포트폴리오에서 가장 중요한 것은 프로젝트 설명 방식이라고 합니다.
프로젝트는 다음 구조로 정리하는 것을 추천해주셨습니다.
- 프로젝트 목적: 해결하고자 한 문제와 접근 방법
- 모델링: 데이터셋, 전처리, 모델 선택 이유, 후처리
- 문제 해결 과정: 발생한 문제와 해결 방법, 의사결정 과정
- 결과: 평가 지표, 결과, 한계점
예시 프로젝트: 흉부 CT 외상 손상 탐지
약 3천 명의 CT 데이터와 segmentation 데이터를 사용하였으며,
U-Net과 ResNet 기반 모델을 활용하여 장기별 crop 후 classification을 수행하였습니다.
3D 영상 데이터는 GPU 메모리 문제로 인해 2D stack 방식으로 처리하였고, 전처리 과정에서는 crop, padding, resize 등을 적용하였습니다.
포트폴리오 구성 방법
포트폴리오는 Cover, Profile, 프로젝트 3개 내외(ML, CV, NLP)로 구성합니다.
각 프로젝트는 전체 개요, 개인 기여도, 결과 및 배운 점을 중심으로 정리하는 것이 효과적입니다.
실제 의료 AI 개발 업무 흐름
예시로 들어주신 실제 의료 AI 개발 과정은 다음과 같습니다.
- 문제 정의 및 기획
- 데이터 탐색 및 대상 설정
- 데이터 확보(공공데이터, 병원 협업, IRB)
- 개발 전 고려사항 정리(규제, 성능 지표, 최소 데이터 기준)
- 모델 개발 및 학습
- 의료진 검증, 재학습 및 파인튜닝
- 목표 성능 달성 후 임상시험 및 인허가 문서 작성
이 특강을 통해 헬스케어 AI 산업의 구조와 실무 흐름, 그리고 취업 준비 방향을 좀 더 확실히 이해할 수 있었습니다. 🙇🏻♀️