더 우수한 진단 기능을 위한 인공지능

[테크월드=정환용 기자] 의료용 이미징 기술은 임상의에게 보다 우수한 화질을 제공하기 위해 끊임없이 더 높은 컴퓨팅 성능을 추구한다. 이렇게 함으로써 보다 빠르고 정확한 진단, 그리고 보다 완벽한 수술이 이뤄질 수 있도록 지원한다. 여기에 인공지능(Artificial Intelligence, 이하 AI) 기술까지 도입되면 향후에는 지원 능력이 더 크게 향상될 수 있다. 이런 상황에서 오늘날의 임베디드 컴퓨터 기술은 어떤 역할을 할까?

의료용 이미징 기술은 최근 몇 년 사이 엄청난 발전을 거뒀다. 진단 이미징의 디지털화와 데이터·이미지 품질의 개선, 그리고 더 빨라진 이미지 활용 가능성이 주된 배경이다. 딥 러닝(Deep Learning)과 AI의 광범위한 확산과 함께, 이제는 다음 단계의 진화 과정으로 진입하고 있다. 기존의 컴퓨터 지원 진단(Computer-Aided Diagnostic) 시스템과 비교할 때, AI 자가 학습 시스템(Self-Learning System)은 정적 시스템(Static System)보다 새로운 상황의 포착 능력이 더 우수하기 때문에 자율성이 뛰어나고, 그 결과 더 빠르고 안전하며 신뢰할 수 있는 진단 결과를 제공한다.

 

AI가 제공하는 이점
오늘날 AI 기반 의료용 이미징 기술 시스템이 얼마나 빠르고 정확한지는 여러 연구 결과를 통해 입증되고 있다. 일례로 휴스턴 메소디스트 연구소(Houston Methodist Research Institute)의 시스템 의학·생물공학과 소속 연구원들은 500건의 유방암 조영검사 현장 시험에서 의사들보다 30배 빨리 유방암을 탐지해 내는 99% 정확도의 AI 소프트웨어를 개발했다. 이 시스템은 유방암을 보다 쉽게 인식할 수 있을 뿐만 아니라, 오진 확률도 낮아 불필요한 생체조직 검사도 줄일 수 있어 환자에게도 유리하다.

피부암 진단에 주력하는 인공지능 연구팀도 있다. 사진 판독을 기반으로 하는 이 시스템은 피부과 전문의처럼 피부암을 진단할 수 있다. 또한, 뉴욕시에 있는 마운트 시나이 이칸 의학대학교(the Icahn School of Medicine at Mount Sinai Hospital)의 프로젝트는 종양 전문의와 똑같은 수준의 정확도로 간암을 진단할 수 있는 능력을 입증했다. 이런 연구 과정에서 과학자들은 이 시스템을 활용해 환자가 향후에 정신 분열증이나 다른 정신 질환에 걸릴 가능성이 얼마나 높은지 알아볼 수 있다는 것도 알게 됐다.

 

AI의 대대적 확산이 필요
AI와 딥러닝은 심각한 질병의 조기 진단, 진단, 치료를 개선하는 데 중요한 도구임이 이미 입증됐다. 만약 모든 의사들이 이런 인텔리전스를 의료 영상을 통해 직접 사용할 수 있다면, 많은 생명을 구할 수 있을 뿐 아니라 잘못된 치료와 불필요한 수술을 피할 수 있을 것이다. 또한, 전례 없이 엄청난 양의 정보를 바탕으로 진단과 처방에 있어서 최고 수준의 전문성을 발휘하게 될 것이다. 이렇게 되면 수십 년 간의 전문의 경력을 갖고 있는 의사조차 경험해 보지 못한, 경미하고 희귀한 증상까지도 신뢰성 높게 검진할 수 있을 것이다. 이는 환자와 의사, 그리고 보건 당국 등 모든 이해관계자들에게 도움이 된다.

비즈니스 컨설팅 회사 PWC의 연구에 따르면, 유럽 전역에 AI가 광범위하게 사용되면 유럽 내에서만 향후 10년 내에 보건·요양 치료 분야에서 약 2000억 유로의 비용을 절감할 수 있을 것으로 예상된다. 이런 전망은 ‘AI가 광범위하게 적용될 수 있게 하는 기술 플랫폼은 대체 무엇일까?’ 하는 질문으로 자연스럽게 이어질 수밖에 없다.

 

AI를 위한 준비
좋은 소식이 하나 있다. 최신 임베디드 플랫폼은 모든 초음파 장치와 진단 방사선 장치, 그리고 모든 진료실 PC에 고성능 인공지능을 통합하기 위해 컴퓨팅 성능, 에너지 효율과 프로그램 가능성 등과 관련한 필요한 모든 요구 사항들을 제공한다. 혹자가 전체 데이터센터의 AI가 저전력 임베디드 플랫폼에 들어맞을지 묻는다면, 그렇지 않고 그래서도 안 된다는 것이 진실이라 답할 수 있다. 자원집약적 머신 러닝의 한 형태인 딥러닝은 여전히 서버에서 돌아간다. 적어도 현재로서는 그렇다. 의료기기는 데이터센터에서 수집된 정보를 그저 사용할 뿐이다. 이 과정을 추론(Inference)이라 한다.

 

데이터 센터에서의 딥러닝
이 과정은 다른 어떤 유형의 작업에서든 거의 항상 동일하다. 대개 GP-GPU(General Purpose Graphics Process Units) 같은 많은 컴퓨팅 유닛들로 구성되는 네트워크는 심층 신경망(Deep Neural Network, DNN)에 결합된다. 이 딥러닝 네트워크는 학습을 받는다. 진단 이미징의 경우 유방암이나 간암의 조기 발견을 위한 방사선 이미지들을 학습할 수도 있고, 피부암 인지를 위해 정상적인 피부의 사진을 학습할 수도 있다.

이런 작업에는 어마어마한 양의 이미지 데이터가 필요하다. 실생활 연구 프로젝트에는 약 13~70만 장의 양성(+), 음성(-) 진단 이미지가 사용되는 것으로 알려졌다. 이처럼 방대한 정보들로 무장한 신경망은 숙련된 전문가에 비해 결코 뒤지지 않는 정확도의 특정 사례별 알고리즘에 기반해 파라미터와 루틴을 개발한다.

▲데이터 센터에서의 딥러닝과 로컬 의료기기의 인텔리전스를 나타낸 도식(Schema).

임베디드 컴퓨터에 인텔리전스 통합
현재로서는 이런 인텔리전스가 클라우드나 중앙의 데이터센터에 있을 뿐이고, 의료기기에는
통합돼 있지 않다. 의료기기는 아직은 추론이 작용하는 곳이다. 추론이란 학습된 내용을 로
컬 장치에 통합할 때 사용하는 프로세스다. 데이터 센터에 저장될 정도의 신경망 인텔리전스가 고작 한 개의 프로세서 상에서 구동되려면, 소프트웨어가 더 작아야 한다. 따라서 훈련을 성공적으로 마친 후 더 이상 필요 없는 신경망의 모든 부분들은 대개 생략된다.

이것들은 의사 결정 과정에는 관여하지 않기 때문에, 배제하더라도 크게 문제되지 않는다. 또한, 원래 신경망에서는 여러 개로 나뉘어 있던 결정 계층을 이제는 하나의 작업으로 묶을 수 있다. 즉 로컬 시스템이 자가 학습할 필요가 없기 때문에(설령 그럴 가능성이 있다고 하더라도) 이렇게 해도 아무런 문제가 없다.

그보다는 모든 새로운 데이터로 대규모 시스템을 계속 교육하고 정기적인 소프트웨어 업데이트를 통해 로컬 장치를 현재의 지식 수준까지 끌어 올리는 것이 훨씬 더 효율적이다. 이런 기술들을 더욱 발전시키기 위해서는, 로컬 장치들을 기술 공급자의 클라우드와 서버에 연결하기 위한 의료용 IoT 인터페이스가 매우 중요하다고 하는 이유가 바로 이 때문이다.

적정 프로세서 기술
이런 작업은 의료기기에서 필요로 하는 컴퓨팅 성능을 크게 줄이기는 하지만, 그래도 단일 프로세서에 요구되는 프로세싱 능력은 여전히 매우 높은 편이다. 또한, 로컬 컴퓨팅 아키텍처와 데이터센터의 아키텍처는 소프트웨어와 알고리즘 포팅을 위한 오버 헤드를 줄이기 위해 비교할 수 있어야 한다.

최신 임베디드 가속 처리 장치는 고전적인 x86 프로세서와 AI, 머신러닝을 위한 강력한 GP-GPU를 통해 유연한 컴퓨팅 성능을 정확하게 측정한다. 이런 기능은 에너지 사용량이 매우 적기 때문에 모바일 팬리스 X-레이 기기부터 RIS(Radiology Information System), PACS(Picture Archiving and Communication System)용 에지 저장장치에 이르기까지, 오늘날의 거의 모든 이미지 처리 애플리케이션 영역에 손쉽게 합할 수 있다.

 

의료기기용 AMD 라이젠 임베디드 V1000
AMD 라이젠(Ryzen) 임베디드 V-시리즈는 컴퓨팅, 그래픽 성능이 크게 향상돼, 이런 용도에 특히 적합하다. 다목적 CPU와 강력한 GP-GPU를 통해 총 3.6테라플롭스(TFLOPs)의 성능을 제공하는 이 솔루션은, 몇 년 전만 해도 수백 와트를 소비하는 시스템에서만 달성할 수 있었던 유연한 컴퓨팅 성능을 제공한다. 지금은 이 컴퓨팅 성능을 불과 15W 이상의 전력으로 구현할 수 있다. 그 덕분에 이 디바이스는 환자 중심의 모바일 케어를 위해 냉각 팬이 필요 없고 밀폐형이라 매우 위생적이며 견고한 의료기기에 쉽게 통합할 수 있게 됐다.

 

휴대전화 앱까지 내려온 딥러닝과 AI
AMD 임베디드 프로세서는 인공지능과 딥러닝의 신속하고 완전한 도입에 필요한 텐서플로우(TensorFlow), 카페(Caffe), 케라스(Keras) 같은 도구와 프레임워크를 위한 포괄적 소프트웨어를 통해 지원된다. 개발자는 GP-GPU 응용 프로그램용으로 널리 사용되는 오픈소스 ROCm 플랫폼과 같은 딥러닝, AI 응용 프로그램을 위한 광범위한 소프트웨어 도구와 프로그래밍 환경을 찾을 수 있다.

오픈소스 개념은 OEM이 독점 솔루션에 의존하지 않도록 하기 위한 핵심 요소다. 여기에는 HIPfy 도구가 포함되는데, 이 도구는 독점적인 CUDA 기반 애플리케이션을 휴대용 HIP C ++ 애플리케이션으로 변환함으로써 하드웨어로부터 독립적으로 이용할 수 있게 해준다. 이런 에코시스템에 액세스할 수 있기 때문에 딥러닝과 AI를 구현하기가 비교적 쉽고, 구글(Google), 애플(Apple), 마이크로소프트(Microsoft), 페이스북(Facebook) 같은 IT 거물의 전유물로 전락하지도 않는다. 심지어는 모바일 앱 개발자조차도 휴대전화기 사진 속의 서로 다른 핫도그를 높은 신뢰 수준으로 구별할 수 있는 ‘낫 핫도그’(Not Hotdog) 앱 같은 실제 애플리케이션에 딥러닝과 국부 추론(Local Inference)을 구현하기 시작했다. 이는 인공지능이 개인의 영역까지 내려왔다는 것을 보여주는 단적인 예시다.

 

컴퓨터-온-모듈을 이용한 신속한 설계
이제 마지막 남은 질문은 이것이다. “의료기기 제조회사는 어떻게 해야 이런 AI 기술 인자를 최대한 빠르고 효율적으로 의료용 이미징 기기에 설계해 넣을 수 있을까?” 가장 효과적인 방법 중 하나는 표준화된 컴퓨터 온 모듈(Computeron-Module)을 사용하는 것이다. 모듈식 접근법은 의료기기와 프로세서 기술을 분리해, 의료기기 제조사에 자사 제품에 대한 안정적인 로드맵을 제공하는 방법이다. 이는 부품을 장기간 안정적으로 구매할 수 있다는 점과 의료기기 제조회사가 자신들의 개발 노력을 효과적으로 재사용할 수 있다는 점을 보장한다. 단지 모듈만 교체해 새로운 차원의 성능을 기존 설계에 통합할 수 있기 때문에, OEM은 이런 기능으로 자사 제품의 기능성을 손쉽게 확장할 수 있다.

선도적인 모듈 폼팩터인 COM Express는 오늘날 많은 의료기기에 이미 사용되고 있다. 이를 통해 OEM은 플러그앤플레이 방식으로 간단히 모듈만 교체함으로써, 의료용 하드웨어에 AI를 통합할 수 있다.

콩가텍(congatec)은 AMD 라이젠 임베디드 V1000 프로세서를 탑재한 새로운 ‘Conga-TR4’ 모듈을 사용해, 몇몇 시스템 설계에서 이런 작업을 얼마나 빨리 수행할 수 있는지 이미 테스트를 마쳤다. 이 모듈을 다른 COM Express Type 6 모듈을 기반으로 하는 기존 시스템으로 마이그레이션하는 데, 파트너사의 개발자는 이미 평가를 마친 하드웨어를 시스템에 장착하는 정도의 시간밖에 걸리지 않았다. 소프트웨어 설치 역시 일반적인 설치 절차만 필요했다.

API가 모든 콩가텍 모듈에 대해 똑같이 표준화된 덕분에, 다른 어떤 추가적인 하드웨어 프로그래밍 작업도 필요하지 않았다. 그 결과, GPIO 제어가 각 모듈에 대해 똑같이 적용된다. 예를 들어 시스템 설계자는 디스플레이의 밝기를 자동으로 조절하기 위해 주변 밝기 레벨을 측정해야 한다. AMD 프로세서 기술로 전환하는 것은 콩가텍 모듈로는 전혀 문제가 되지 않지만 향후 인공지능을 구현할 시스템에는 큰 장점이 된다.

▲캐리어가 제공되는 모듈. 인공지능으로의 마이그레이션은 콩가텍이 제공하는 AMD 기반 COM Express 컴퓨터-온-모듈을 사용하면 매우 간단하다. 이 모듈을 사용하면 다른 프로세서 기술을 사용하는 기존 COM Express 설계를 쉽게 수정할 수 있다.

 

▲로컬 의료용 인공지능을 위한 최신 COM Express Type 6 벤치마크 모듈: AMD 임베디드 라이젠 프로세서를 탑재한 ‘Conga-TR4’.
▲표준 보드 상의 표준 모듈. 콩가텍의 ‘conga-IT6’ mini-ITX 마더보드에 새로운 모듈을 장착한 다음, ATX 표준을 사용하는 어떤 의료기기에든 연결할 수 있다.

 

임베디드 고급형 서버 설계 옵션
의료용 백엔드(Backend) 서버처럼, AMD 라이젠 임베디드 V1000 프로세서가 제공하는 것보다 더 많은 전력을 필요로 하는 고급형 시스템은 새로운 AMD EPYC Embedded 3000 프로세서를 대신 선택할 수 있다.

이 시스템은 많은 추가 병렬 처리와 머신러닝 이미지 처리 장치에 대해 최장 10년, 최대 16코어, 10기가비트 이더넷, 최대 64개 PCIe 레인의 장기 가용성을 제공하는 플랫폼으로서, 의료 환경에 사용하기에 매우 이상적이며 신뢰성이 뛰어나다. 고객이 요구할 경우, 콩가텍은 이들 프로세서 역시 COM Express 모듈로 제공하며, 궁극적으로는 COM Express용으로 새로운 고급형 임베디드 서버 핀아웃을 개발할 계획이다. 완벽히 맞춤화한 임베디드 보드가 대안 옵션이 될 것이다.

 

글: 젤리코 론카리치(Zeljko Loncaric) 콩가텍(Congatec) 마케팅 엔지니어

이 기사를 공유합니다
저작권자 © 테크월드뉴스 무단전재 및 재배포 금지