Current Issue

다양한 산업분야에서 정보통신기술(ICT)을 활용한 급속한 발전은 가속되고 있다. 특히 의료 분야는 4차 산업혁명 시대의 도래에 따라 빅데이터, 인공지능 등 신기술을 활용한 융복합 패러다임으로 변화하고 있으며, 이 중 인공지능기술을 활용한 질병 진단 서비스 분야는 주요 신 시장 중에서도 가장 높은 성장이 전망되는 분야로 인식되고 있다[1]. 이미 X-ray 영상 등 의료 데이터를 인공지능 기술을 사용하여 판독하여 질병을 진단하는 기술들은 많은 연구가 이루어지고 있으며, 상용화되어 활용되고 있다[2-4]. 그러나 국방 의료현장으로 눈을 돌려보면, 잦은 인력변동, 보안, 예산, 정책적인 문제 등 군 특성 상 새로운 의료 기술 도입은 제한적인 현실이다. 하지만 지속적인 병력감축과 군 의료인력 및 의료지원인력의 절대적인 부족 등 군 의료의 특수성으로 인해 미래 군 의료체계에서는 이를 뒷받침해 줄 기술의 향상이 다른 분야 보다 더욱 절실하다[5].

군 복무 중인 장병들에 대한 일반적인 생각은 20~30대의 젊고 건강한 청년들로 구성된 집단으로, 질병에 취약한 영유아, 노인보다는 상대적으로 낮은 유병률을 가질 것으로 인식된다. 하지만, 보험연구원(2019.8)의 병사 군 단체보험 도입방안 연구보고서에 의하면 부대별 주둔지에 따른 지형 및 위치별 다양한 근무환경, 스트레스, 입대 전 자유로운 생활에 따른 관리되지 않은 건강상태로 인하여, 군인의 유병률은 동일 연령대의 민간인에 비해 높은 편인 것으로 분석된다. 또한 군 특수성에 따라 생활관 위주의 집단생활의 파급력 등으로 폐렴, 결핵 등과 같은 전파력이 높은 감염병에 대한 조기 진단이 매우 중요하며, 개개인 보다는 집단 측면의 건강관리에 중점이 있다[6]. 이에 군 의료 지원분야에서 질병 유무, 신체 이상 등 군에서 이를 사전에 예측할 수 있도록 장병들에게 신장, 체중, 맥박, 혈압 등을 계측하는 신체검사, 혈액 및 소변검사 등의 검사실 검사로 구성된 건강검진(간 기능 검사 등 23개 항목)을 총 2회 군 복무기간 동안 정례적으로 시행하고 있다. 건강검진을 통해서 장병들의 질병이 예측되거나, 의심되는 경우 진료를 통해 조치되기도 하지만, 군 생활동안 발견되지 못한 질환이 단기간 내 악화되어 사망하거나, 감염병의 경우 집단 전파되는 사례가 종종 발생되어 각종 매체 등 여론에 조명되기도 한다[7]. 무증상을 보이는(건강에 이상이 없다고 판단되는) 군인 환자들은 젊고 건강한 신체적 특징으로 인해, 특정적으로 질병 발현이 되지 않아 조기 식별되지 않거나, 선별되지 않고 정상 판정 이후 부대원에게 전파 시킬 수 있는 위험이 잔존 할 수 있으며, 예방 및 치료가 늦어져 군 전투력 손실을 야기 할 수 있어 징후가 발견되기 전 사전에 진단 및 예측 할 수 있는 시스템 도입이 필요하다.

본 논문에서는 딥러닝 기술을 통해 인공신경망(Artificial Neural Network)을 구성하여 3가지 주요 국방 의료 질병(폐렴, 결핵, 횡문근융해증)을 진단 및 분류하고 예측하는 연구를 수행한다. 건강검진, 신체검사 등의 검진 시점으로부터 특정 질병을 높은 정확성으로 예측이 가능하다면, 병력 감소 추세에 따라 감소해가는 군 의료진 부족현상에 의한 진단 결과의 지연을 방지하고, 진단 예측을 통한 환자의 조기 선별 치료에 대해 선제적 대응이 가능할 것이다. 특히, 무증상 환자들의 조기발견과 선별적 검사로, 군 내 조기 전파 차단, 치료, 예방을 통해 전투력 제고를 기대할 수 있을 것이다. 본 연구에서 다루는 질병 진단 시스템은 의료정보 데이터를 통해 특정 질병들을 예측 할 수 있는 모델 구축으로, 병영 생활의 특성상 개개인의 100% 정확성보다는 질병 유무의 70% 대의 답을 신속하게 도출하여, 의료진에게 사전 선별을 통한 환자의 진료 우선순위를 높이고, 진단의 보조를 통하여 전체 집단의 건강관리에 기여하기 위한 것으로 의학분야의 전문적 견해를 배제한 학문적 딥러닝 기술을 활용한 데이터 분석 연구로써 의학적 근거가 없음을 밝힌다. 본 논문에서 소개하는 구성은 다음과 같다. 인공지능 질병 진단 시스템과 의료 데이터에 관련한 기존 연구를 2장에서 소개한다. 3장에서는 국방의료 데이터와 인공지능 기술을 활용한 딥러닝 기반 주요 질병 진단 시스템을 제안한다. 4장에서 연구를 통해 제안된 실제 국방의료 데이터에 적용한 질병 진단 시스템의 실험 결과를 분석하고, 국방의료 데이터 기반의 질병 진단 시스템 연구에 대해 마지막 장에서 결론을 맺는다.

최근 인공지능과 의학기술이 융합한 연구 분야에서 고도화된 기술들이 등장하고 있다. 의학기술은 의사들의 의학적 지식과 판단을 더욱 정교하고 정확하게 진단 할 수 있도록 끊임없이 연구되고 발전하고 있다[8]. 이에 인공지능 기술은 의학기술과 더불어 질병에 대한 빅데이터를 다루는 알고리즘 연구가 발전하고 있다. 최근에는 심장병 환자의 사례기반 추론 데이터를 활용한 인공지능 예측 알고리즘 연구[9]와 같이 특정 질병에 대한 특성과 누적된 진료데이터가 존재한다면 인공지능 기술에 의한 다양한 학습 방법을 통해 최적의 일정 패턴을 갖는 질병을 높은 정확성을 보이며 진단 할 수 있다는 연구들이 등장하고 있다. [9]는 국민건강보험공단에서 보유하는 건강검진정보 데이터를 활용하여 특정 질병이 아닌, 진료과목을 예측하기 위한 연구에서 평균 80% 이상의 예측 모델을 제시하였다. [10]은 독감, 폐렴, 수족구 세 가지 질병 각각의 예측 모델을 연구 및 개발하였으며, 구글 등 사이트에서 수집한 빅데이터를 활용한 연구이다. 인공신경망을 활용한 랜덤 포레스트 모델(Random forest)을 통해 인공지능 기술을 통한 환자 발생 수 예측 가능성을 제시하였다. [11]에서는 질병은 환경적 요인이 고려되어 질병의 위험도를 높이며, 이에 따라 질환 발생의 예측과 예방을 위해 유전적 위험요인과 환경적 위험요인을 구체적으로 분류 할수 있는 접근 방법으로 변수 7가지와 염색체 정보를 로지스틱 회귀분석을 활용하여 고혈압 발생 예측 확률을 분석하였다.

딥러닝을 적용한 질병 예측진단 모델과 학습에 관한 연구로는, [12]는 심장병 환자의 일정한 패턴을 통한 진료 데이터를 활용하여 심장병 예측을 위해 텐서플로우를 기반으로하는 딥러닝 모듈의 학습으로 심장병 예측이 가능한 연구를 제시하였다.

[10]에서는 뇌파를 이용한 뇌졸중 질환 예측 시스템으로 RandomForest 알고리즘 이용한 예측 정확도가 92.52%, Relative 값과 RandomForest 알고리즘으로 90.50%의 예측 정확도를 실험을 통해 제시하였고, 의료진이나 재발 우려가 높은 뇌졸중 환자, 혹은 뇌졸중 발병률이 높은 고령자에게 유용한 분석학적 정보를 제공 할 수 있음을 연구 결과 제시하였다. 또한 생체신호 등 건강검진 데이터를 활용한 딥러닝 기술이 빠른 질병 진단이 가능하도록 돕는 것이 가능함을 연구를 통해 검증하였다.

정상군과 질병군 분류 실험과 연관하여 [10]에서는 딥러닝 기법을 활용해 환자를 정상으로 분류하는 거짓 음성 비율과 정상을 환자로 분류하는 거짓 양성 비율 비교를 통해 실험 정확도에 대한 신뢰도가 높음을 제시하였고, [11]은 국민건강보험공단에서 공개하고 있는 코호트 데이터(60세 이상의 고령자)를 활용하여 뇌졸중 질환예측 모델 연구에 합성곱 신경망(CNN, Convolution Neural Network)이 활용되었다.

기존 연구들에서는 국내외 정제된 일정한 양식의 공개된 샘플 데이터, 단순 통계자료 및 연구데이터를 활용하여 결론을 제시하였으나, 본 논문에서는 실제 군 의료기관에 누적된 20~30대의 군 장병 건강검진 결과 로우데이터(Raw Data)를 바탕으로 가공한 국방 의료데이터를 기반으로 폐렴, 결핵, 횡문근융해 질병군의 환자 데이터와 정상수치의 건강한 정상군의 검사 결과 값을 딥러닝 기술을 활용한 기계학습을 통해 주요 질병의 진단 과 예측 가능성을 분석하였다.

딥러닝기반 진단 알고리즘을 구성하는 최적의 은닉층 계층수, 차원수, 학습률과 학습 횟수를 결정하기 위한 실험을 진행하였다. <표 3>의 실험에서 하이퍼 파라미터의 최적 값을 찾기 위해 일부 변수를 고정하였고, 은닉층 계층수와 차원 수의 변화에 대한 실험을 진행하였다. 기준 값을 설정하기 위해 학습횟수를 30,000회, 학습률은 0.001일 때의 정확도 값을 산출하였다.

Fig. 3. 
AI diseases diagnosis prediction(Table 3.)

동일 학습횟수에 따른 정확도 비교 실험을 통해, 차원수에 따라 정확도의 차이를 확인 할 수 있었고, 정확도가 상대적으로 양호하게 평가된 값인 은닉층 계층수(6, 7, 9, 10, 11)의 차원수(100, 150)에 따른 각각의 정확도 비교 분석 실험을 진행하였다.

<표 4> 에서는 차원수(N=150), 학습률(N=0.001), 은닉층 계층수(N=6, 7)을 고정하고, 학습횟수의 변화가 정확도에 주는 영향을 실험하였다. 실험 결과 은닉층 계층수(N=7)보다는(N=6)일 경우의 정확도가 상대적으로 보다 적은 학습횟수에서도 높은 정확도를 산출하였다. 차원수(N=7)일 경우 학습횟수(N=50,000) 까지 최대 정확도 60%가 한계였으나, 차원수(N=6)일 경우 학습횟수(N=1,000) 일 경우에도 66.67%, 학습횟수(N=28,500~30,000)의 경우 최대 70%의 정확도를 나타냈다. <표 4> 실험의 한계점으로 학습횟수(N=30,000) 이상의 실험에도 정확도 70% 이상은 예측되지 않았다.

Fig. 4. 
AI diseases diagnosis prediction(Table 4.)

<표 5>와 <표 6>은 차원수(N=100), 학습률(N=0.001)을 고정하여 각각의 은닉층 계수(N=9, 10)에 대한 학습횟수의 변화의 정확도를 비교 실험하였다. 비교적 낮은 학습횟수에도 60% 이의 정확도를 예측한 은닉층계수(N=9)의 실험에서 학습횟수(N=7,000) 이상부터 66.67% 이상의 정확도를 유지하면서 소폭 감소했으며, 학습횟수(N=17,000)에서 정확도 73%로 본 연구 중 가장 높은 정확도를 산출하였다. 이후 소폭 감소 후 학습횟수(N=18,000)에서 70%의 정확도를 예측하였으나, 학습횟수(N=50,000) 실험까지 질병 진단 예측 정확도는 지속 감소하였다.

Fig. 5. 
AI diseases diagnosis prediction(Table 5.)

Fig. 6. 
AI diseases diagnosis prediction(Table 6.)

<표 7>의 실험은 은닉층계수(N=11)를 고정하고, 차원수(N=100, 150)를 비교하면서 학습횟수에 대한 정확도를 비교 분석 하였다. 은닉층계수(N=11) 실험은 차원수(N=100)과 (N=150)의 동일한 학습횟수(N=30,000) 실험 시 동일한 정확도 결과 값(56.67%)을 산출하여, 각각의 차원에 대한 학습횟수 증가에 따른 정확도 값이 어떻게 달라지는지 비교 분석한 실험이었다. 실험결과, 차원수(N=100)일 때의 정확도는 50~56.67% 범위 내 소폭 증가 및 감소를 반복하였으며 56.67% 이상 예측 정확도는 향상되지 않는 것을 실험을 통해 확인 할 수 있었다. 차원수(N=150) 실험의 경우 정확도는 초기 학습횟수(N=4,500)까지 63.33%의 정확도를 산출하였으나 학습횟수 증가 간 정확도 산출값은 소폭 감소 및 증가를 반복하였으며, 학습횟수(N=10,000)에서 정확도 60%, 학습횟수(N=40,500)에서 정확도 70%의 최대값을 예측하였으며, 이후 학습에서는 감소하며 70% 이상의 예측 정확도는 산출되지 않았다. 결론적으로 본 연구에서 실험을 통해 확인 할 수 있는 가장 높은 정확도 예측 값의 하이퍼파라미터는 실험결과, 학습률(N=0.001), 학습횟수(N=5,000), 차원수(N=100), 은닉층 계층수(N=9)의 설정 값일 때 가장 높은 정확도(73.33%)의 예측 결과 값을 보여주었다.

Fig. 7. 
AI diseases diagnosis prediction(Table 7.)

연구결과는 주요 질병 진단 예측을 위한 평가 항목인 정확도 예측 목표로 설정한 60% 이상(최대 73.33%)의 실험 결과를 보였다. <표 8>의 연구는 정상군과 질병군 분류의 정확도를 평가하는 실험으로 최소 60% 이상의 예측 정확도 결과 모델을 선정하여 평가하였다. 정상군과 질병군 분류 예측 정확도는 최소 70% 이상, 최대 100% 분류 가능성을 <표 8>의 실험 결과에서 확인 할 수 있다. 은닉층계수(N=9), 차원수(N=100), 학습횟수(N=17,000)일 경우 질병 진단 예측 정확도는 73.33%로, 정상군 분류는 100%, 질병군 분류는 90%로 정상군 예측이 매우 우수하였다. 또한 은닉층계수(N=6), 차원수(N=150), 학습횟수(N=30,000)일 경우 질병 진단 예측 정확도는 70%로, 정상군 분류는 90%, 질병군 분류는 100%로 질병군 분류 예측 정확도가 매우 우수하였다. 각각의 질병별 양질의 데이터가 확보된다면, 질병 진단 예측의 정확도는 보다 향상될 수 있을 것으로 판단된다. 국방의료분야에서의 환자 의료데이터를 활용한 예측 모델을 통하여 질병 예측 가능성을 확인 할 수 있었다.

본 논문에서는 폐렴, 결핵 같이 전파력이 높은 감염성 질병을 건강검진 및 신체검사 등 검진 시점부터 초기 진단과 예측을 통한 무증상 환자, 의심환자 선별 등 조기발견과 선제적 검사 지원, 조기 분류 및 차단을 통한 예방, 의심환자 분류 및 격리, 집단 전염 확산 예방 및 차단 등 의료분야에서 선제적으로 대응할 수 있는 분야에 기여할 수 있는 인공지능 기술 연구를 수행하였다.

본 연구는 개인정보를 제외한 의학적 데이터를 활용하여 순수 인공지능 기술(딥러닝)을 적용한 의료데이터 분석 연구로써 의학적 견해를 배제하고, 누적된 데이터를 통한 인공지능이 데이터가 가지고 있는 의미를 정확히 분석하고 예측 할 수 있다는 가능성을 연구하였다.

본 연구의 제한점으로는 특정 질병 데이터의 부족에 따른 진단분류 예측 정확도 산출의 한계였다. 의료데이터가 상대적으로 적었던 질병에 대한 예측 정확도가 낮게 산출되어 전체적인 예측 정확도가 낮아진 결과로, 향후 추가 데이터의 확보를 통한 지속적인 학습을 통해 본 실험에서 산출된 최대값(73.33%) 이상의 질병 진단분류 예측이 가능할 것으로 기대한다.

딥러닝 기반의 질병 진단 예측 알고리즘 연구간 의학적 관점의 검증 및 연구를 병행하는 것은 제한되었으나 향후 추가적인 의학적 검증 및 관련 연구를 통한, 다양한 인공지능 기술의 접목, 융합을 통해 의료분야의 질병 진단 정확도 예측을 지속적으로 높일 수 있을 것이다. 또한 CT, X-Ray와 같은 의료영상 등 정성적 데이터, 검사 수치와 같은 정량적 데이터 등 의학적 진단을 위한 항목들을 추가로 선별하여 추가 확보된 데이터의 학습과 알고리즘의 고도화 연구를 지속적으로 연구한다면, 인공지능을 활용한 질병 진단 예측은 발전성이 매우 높은 분야가 될 것으로 기대된다.