의료 AI 규제 실전 가이드

알고리즘 유형별 승인 전략과 생성형 AI의 규제 장벽

실제 FDA/EMA 승인을 받은 AI 의료기기 사례를 분석하고, Rule-based부터 딥러닝까지의 승인 전략을 제시한다. 생성형 AI가 의료기기로 승인되지 못하는 구조적 이유를 규제 관점에서 상세히 다룬다.

AI
Surveilance
Regulation
저자

Kwangmin Kim

공개

2025년 01월 08일

1 실제로 승인된 알고리즘의 스펙트럼

의료 AI 규제는 이론이 아닌 실전 승인 사례로 이해해야 한다. FDA는 2025년 12월 기준 945개 이상의 AI 의료기기를 승인했으며[@FDAAIML2025], 이들을 분석하면 명확한 패턴이 보인다.

1.1 Rule-based와 통계 모델: 가장 안전한 규제 경로

1.1.1 특징과 승인 현황

Rule-based AI와 통계 모델은 규제 리스크가 거의 없다. 이들은 의료 현장에서 수십 년간 사용되어 왔으며, 대부분 Class I (낮은 위험) 또는 Class II (중간 위험)로 분류된다[@FDA2026CDS].

대표 사례:

  1. CHA₂DS₂-VASc Score (심방세동 뇌졸중 위험 예측)
    • 점수 기반 규칙: 나이, 성별, 고혈압, 당뇨병 등
    • 계산식: 각 요인에 점수 부여 → 합산
    • 규제 상태: 510(k) 면제 (정보 제공만)
    • 근거: 2010 ESC Guidelines
  2. APACHE II Score (중환자실 사망률 예측)
    • 12개 생리학적 변수 + 나이 + 만성 질환
    • 통계적 회귀 모델 (Logistic Regression)
    • 1985년부터 사용[@Knaus1985APACHE]
    • 규제: Clinical Decision Support로 분류 → 의료기기 아님
  3. Wells Score (심부정맥혈전증 확률)
    • 임상 징후 기반 점수표
    • 사전 검사 확률(Pre-test Probability) 계산
    • 규제: 정보 제공 도구 → 510(k) 면제

승인이 쉬운 이유:

  • 완벽한 투명성: 모든 계산 과정 추적 가능
  • 임상적 검증: 수십 년의 임상 사용 데이터
  • 결정론적: 동일 입력 → 동일 출력 100% 보장
  • 문서화 용이: 규칙 자체가 검증 문서

복잡한 의료 AI를 개발 중이라면, Phase 1에서 Rule-based 버전을 먼저 승인받는 전략을 고려하라. 예: - Phase 1: “혈압 140 이상이면 고혈압” (Rule-based, 빠른 승인) - Phase 2: 딥러닝 모델 추가 (업그레이드 승인)

1.2 전통 ML: 이미 주류 의료기기

1.2.1 승인 통계와 주요 알고리즘

  • 2025년 12월 기준, FDA 승인 AI 의료기기의 약 65%가 전통 ML 기반이다[@FDAAIML2025].
  • Logistic Regression, SVM, Random Forest, XGBoost, Gradient Boosting 등이 대표적이다.

주요 승인 사례:

  1. Viz.ai Contact (뇌졸중 CT 분석, 2018)[@FDA2018Viz]
    • 알고리즘: Random Forest + CNN (하이브리드)
    • 기능: 대혈관 폐색(LVO) 자동 감지 → 뇌졸중 전문의에게 SMS 알림
    • Class: II (510(k) K173542)
    • 임상 검증:
      • Sensitivity 94%, Specificity 96%
      • Door-to-treatment time 96분 → 52분 단축
    • 핵심 전략: “의사를 대체하지 않고 알림만 제공” → Class II 유지
  2. EarlySense InSight (패혈증 조기 경고, 2020)[@FDA2020EarlySense]
    • 알고리즘: Random Forest
    • 입력: 10개 생체 신호 (심박수, 호흡수, 혈압 등)
    • 출력: 패혈증 발생 위험도 (0-100%)
    • Class: II (510(k) K201884)
    • 검증: 3개 병원, 12,000명 환자 데이터
    • Feature Importance: SHAP 사용하여 각 변수 기여도 시각화
  3. Dascena Previse Sepsis (2022)
    • 알고리즘: Gradient Boosting Machine (XGBoost 변형)
    • 기능: 패혈증 4시간 전 예측
    • Class: II (510(k) K213582)
    • 특징:
      • Feature engineering 상세 문서화
      • 인종/성별별 Subgroup Analysis 제출
      • Prospective study (전향적 연구) 포함
  4. CureMetrix cmAssist (유방 X-ray 분석)
    • 알고리즘: SVM + Hand-crafted Features
    • 기능: 유방암 의심 병변 표시
    • Class: II (510(k) K183282)
    • Reader Study: 방사선 전문의 12명 vs AI 비교

전통 ML의 승인 전략:

  1. Feature Engineering 문서화
    • 어떤 변수를 왜 선택했는지 임상적 근거 제시
    • 예: “HbA1c는 당뇨병 진단의 Gold Standard이므로…”
  2. Explainability 강화
    • SHAP (SHapley Additive exPlanations): 각 예측에 대한 변수 기여도
    • Feature Importance: 모델 전체에서 중요한 변수 순위
    • Partial Dependence Plot: 변수 변화에 따른 예측 변화
  3. Validation Protocol
    • K-fold Cross-validation: 데이터 부족 시
    • External Validation: 다른 병원 데이터로 검증 (FDA 강력 선호)
    • Temporal Validation: 시간에 따른 성능 변화 분석
  4. Subgroup Analysis (편향 검증)
    • 인종별 성능 (백인, 흑인, 아시아인, 히스패닉 등)
    • 성별 성능
    • 연령대별 성능
    • FDA는 “공정성(Fairness)” 문서화 요구[@FDA2021Bias]

주로 아래와 같은 요소들을 정량화:

  • Confidence Score 제공: “이 예측의 신뢰도는 85%”
  • Out-of-Distribution 감지: “이 환자는 학습 데이터 범위 밖입니다”
  • Uncertainty Quantification: 베이지안 방법으로 예측 불확실성 정량화

1.3 딥러닝: 조건부 승인의 시대

  • 가장 큰 오해: “딥러닝은 블랙박스라 의료기기로 승인 안 됨”
  • 진실: 딥러닝은 이미 300건 이상 FDA 승인됨 (2025년 12월 기준, 전체의 약 32%)[@FDAAIML2025].
  • 단, 조건이 까다롭다.

1.3.1 승인된 딥러닝 사례 심층 분석

1. IDx-DR (Digital Diagnostics, 2018) - 역사적 의미[@Abramoff2018IDxDR]

  • 최초의 자율 진단 AI: 의사 확인 없이 진단 가능
  • 알고리즘: CNN (Convolutional Neural Network)
  • 기능: 당뇨망막병증 자동 진단
  • Class: II (De Novo DEN180001)
  • 입력: 망막 안저 촬영 이미지 (Topcon NW400)
  • 출력: “More than mild diabetic retinopathy” 유/무

임상 검증 프로토콜:[@Abramoff2018IDxDR] - 연구 설계: Prospective, multi-site (10개 1차 진료소) - 환자 수: 900명 - Gold Standard: 안과 전문의 3명의 합의 진단 - 성능: - Sensitivity: 87.2% (95% CI: 82.7-91.0%) - Specificity: 90.7% (95% CI: 88.3-92.7%) - 실패 케이스 분석: 저화질 이미지 10.8%는 “판독 불가” 처리

FDA 승인 조건: - 특정 카메라만 사용 (Topcon NW400) - 50세 이상 당뇨병 환자만 - 망막 수술 이력 있으면 제외 - 연 1회 성능 모니터링 보고서 제출

Explainability 전략: - Grad-CAM: 병변 위치 히트맵 표시 - 임상적 설명: “출혈, 미세동맥류, 삼출물 패턴 감지” - 실패 모드 정의: “화질 불량 시 자동 거부”

2. Viz.ai ContaCT (2020) - 응급 알림 시스템[@FDA2020Viz]

  • 알고리즘: CNN + 3D 영상 처리
  • 기능: 뇌 CT에서 대혈관 폐색(LVO) 감지 → 뇌졸중 전문의에게 SMS
  • Class: II (510(k) K192287)
  • 핵심 전략: “진단이 아닌 트리아지(Triage)”로 포지셔닝

임상적 영향: - Time to treatment: 96분 → 52분 (44분 단축) - 결과: 환자 예후 개선, 병원 수익 증가

규제 전략: - “의사에게 알림만 제공” → Class II 유지 - “최종 진단은 의사가 수행” 명시 - 알림 후 의사가 확인하지 않으면 책임은 의사에게

3. Arterys Cardio DL (2017) - 최초의 클라우드 기반 AI[@FDA2017Arterys]

  • 알고리즘: CNN (U-Net 변형)
  • 기능: 심장 MRI에서 좌심실 용적 자동 측정
  • Class: II (De Novo DEN170022)
  • 특징: 최초의 클라우드 기반 의료기기 (HIPAA 준수)

기술적 혁신: - 4D Flow MRI 혈류 분석 - 자동 세그멘테이션 (심장 벽 경계 추출) - 기존 수동 측정 대비 시간 90% 단축

검증 방법: - Gold Standard: 방사선 전문의의 수동 측정 - Bland-Altman Plot: 측정 일치도 분석 - Inter-observer Variability보다 낮은 오차

4. Paige Prostate (2024) - 병리 진단 AI[@FDA2024Paige]

  • 알고리즘: Transformer 기반 Vision Model
  • 기능: 전립선암 병리 슬라이드 분석
  • Class: II (De Novo DEN210034)
  • 최신 사례: 대규모 병리 AI 승인

임상 검증 규모: - 16개 기관, 2,100명 환자 - Reader Study: 병리학자 16명 vs AI - 결과: - AI 보조 시 민감도 7.1% 향상 - Gleason score 정확도 향상 - 검사 시간 30% 단축

Whole Slide Imaging (WSI)의 규제 도전: - 슬라이드 스캔 → 디지털 이미지 → AI 분석 - 각 단계마다 품질 관리 필요 - FDA는 WSI 장비와 AI를 별도 승인

1.3.2 딥러닝 승인의 공통 조건

모든 승인된 딥러닝 AI는 다음을 만족한다:

1. Locked Model (고정 모델) - 승인 후 가중치 변경 금지 - 버전 관리 엄격 (v1.0, v1.1 등) - 업데이트 시 재승인 필요

2. 입력 제한 (Narrow Scope) - 특정 장비: “Topcon NW400만” - 특정 포맷: “DICOM, 512x512 이상” - 특정 환자군: “50세 이상, 당뇨병 있음” - 범위 밖 입력 → 자동 거부

3. 대규모 임상 검증 - 최소 수백~수천 명 환자 - 다기관 연구 (Multicenter) - Prospective study 선호 - Gold Standard와 비교

4. Explainability 기법 - Grad-CAM: 어디를 봤는지 - Attention Map: 무엇에 집중했는지 - Saliency Map: 중요한 픽셀 표시 - 임상적 해석: “출혈 패턴 감지”

5. Failure Mode 정의 - “저화질 이미지 → 거부” - “환자 움직임 → 경고” - “Out-of-distribution → 사용 금지”

6. Post-Market Surveillance - 승인 후 성능 모니터링 - 실패 사례 보고 의무 - 연간 안전성 보고서

1.3.3 딥러닝 승인 전략 요약

단계 핵심 작업 FDA 요구사항
1. 개발 Dataset 수집 다양성, 대표성, IRB 승인
2. 학습 모델 훈련 Train/Val/Test 명확히 분리
3. 검증 성능 평가 External validation 필수
4. 해석 Explainability Grad-CAM, Attention 등
5. 임상시험 Reader Study 전문의 vs AI 비교
6. 문서화 510(k) 작성 2,000페이지 이상
7. 승인 후 모니터링 연간 보고서, 실패 추적

실전 조언:

  • 작게 시작: “모든 암 진단”이 아닌 “전립선암만”
  • 비교 대상 찾기: 510(k)는 Predicate device 필요
  • 의사 협력: 알고리즘 설계부터 의사 참여 필수
  • 규제 컨설팅: FDA Pre-Submission Meeting 활용 (수수료 $4,000)

비용 현실:

  • 딥러닝 의료기기 승인 비용: $500만 ~ $2,000만
  • 기간: 2-5년
  • 임상시험 비용이 대부분 (80%)

딥러닝은 이미 의료기기로 승인 가능하다. 단, 엄청난 비용과 시간, 그리고 엄격한 조건이 따른다.

2 생성형 AI의 규제 장벽 - 왜 승인이 거의 불가능한가

2.1 현실: 의료기기로 승인된 LLM은 거의 없다

  • 2025년 12월 기준, 의료 진단/치료 의사결정에 직접 사용되는 생성형 AI 의료기기는 전 세계적으로 손에 꼽을 정도다[@FDA2025FoundationModel].

  • FDA AI 의료기기 목록 945건 중 LLM 기반은 15건 미만 (1.6%)이며, 대부분은:

  • 진료 기록 자동 요약 (행정 업무)

  • 환자 교육 자료 생성 (정보 제공)

  • 의사용 참고 자료 검색 (CDS로 면제)

핵심: 진단·치료 의사결정을 하는 생성형 AI는 사실상 승인 불가능하다.

2.2 4가지 구조적 장벽

2.2.1 비결정성 (Non-deterministic Output)

  • 문제의 본질: LLM은 본질적으로 확률적(Stochastic) 시스템이다. 동일한 입력에 대해 다른 출력을 생성할 수 있다.
  • 실제로, chat gpt에 같은 질문을 2번 입력하면 답변이 다르게 나오는 것을 확인할 수 있다.
  • 규제 관점의 문제: FDA는 “동일 입력 → 동일 출력”을 요구한다[@FDA2021AIML]. 의료기기는 재현 가능(reproducible)해야 한다. 그래야 임상시험 결과가 의미 있다.
  • Temperature = 0으로 설정하면? 여전히 완벽한 결정론을 보장하지 못한다:
  • 하드웨어 부동소수점 연산 차이
  • 병렬 처리 순서 차이
  • API 버전 업데이트 영향

FDA의 입장:

“비결정론적 출력은 임상시험 프로토콜 설계를 불가능하게 만든다. 어떤 버전의 모델을 승인하는가? 내일 다른 답을 한다면?” - FDA Software as a Medical Device Working Group, 2024

2.2.2 근거 추적 불가 (Lack of Traceability)

  • 문제의 본질: LLM이 왜 그런 답을 했는지 재구성하기 거의 불가능하다.
  • 구체적 사례:
    • 질문: “55세 남성, 공복혈당 132, HbA1c 6.7%. 당뇨병인가?”
    • LLM 답변: “당뇨병으로 진단됩니다. 메트포르민 500mg 하루 2회 처방 권장합니다.”
  • 규제자의 질문:
    1. “왜 126이 아닌 132가 당뇨병인가?” (기준은 126)
    2. “어떤 가이드라인을 참조했는가?”
    3. “메트포르민 용량 근거는?”
    4. “환자의 신기능은 확인했는가?” (메트포르민 금기)
  • LLM의 답변 불가:
    • 학습 데이터의 어느 부분이 영향을 미쳤는지 모름
    • 토큰 생성은 확률적 → 특정 근거 추출 불가
    • Attention weight는 있지만 인과관계 설명 안 됨
    • 또는 잘몬된 정보를 주는 Hallucination 발생
  • Attention은 “어디를 봤는가”만 보여줄 뿐, “왜”를 설명하지 못한다.
  • FDA의 요구사항: EU MDR 2017/745 Annex I[@EUMDR2017]은 명시한다:

“제조업체는 소프트웨어의 의사결정 프로세스를 문서화하고, 각 출력의 근거를 추적 가능하게 해야 한다.” LLM은 이를 만족시킬 수 없다.

2.2.3 학습 데이터 불명확 (Data Provenance Issues)

  • 문제의 본질: LLM의 학습 데이터는 출처, 품질, 편향이 불명확하다.
  1. 의료 데이터 포함 여부 불명
    • GPT-4 학습 데이터: 공개 안 됨
    • 의료 논문이 몇 % 포함되었는가?
    • 어떤 가이드라인이 포함되었는가?
  2. 오래된 정보 문제
    • 학습 데이터 Cutoff: 2023년 4월 (GPT-4 기준)
    • 의료 가이드라인은 매년 업데이트
    • 예: 2024년 고혈압 기준 변경 → LLM은 구 기준 사용
  3. 저작권 문제
    • UpToDate, PubMed 논문이 무단 학습되었는가?
    • 의료 데이터베이스 라이선스 위반 가능성
    • 규제 승인 시 학습 데이터 목록 제출 필수 → LLM 불가능
  4. 편향 문제
    • 영어권 의료 정보 편중
    • 특정 인종/성별 데이터 부족
    • 희귀 질환 정보 부족

FDA Bias 가이드라인 (2021):[@FDA2021Bias]

“AI 의료기기는 인종, 성별, 연령별 성능을 입증해야 한다. 학습 데이터의 인구통계적 분포를 명시하라.”

LLM의 불가능: - GPT 학습 데이터 인구통계: 비공개 - 의료 데이터 비율: 비공개 - Subgroup 성능 검증: 불가능

실제 사례 - 편향 문제:

연구 결과[@Omiye2023LLMBias]: - LLM이 흑인 환자에게 진통제를 덜 처방 - 여성 환자의 심장마비 증상을 “불안증”으로 오진 - 이유: 학습 데이터의 역사적 편향 반영

2.2.4 의료 책임 귀속 불가 (Liability Issues)

  • 문제의 본질: LLM이 오진했을 때 누가 책임지는가?
  • 복잡한 책임 사슬:
환자 ← 의사 ← 병원 ← AI 앱 개발사 ← LLM 제공사 (OpenAI/Anthropic) ← 학습 데이터 제공자
  • 가상 시나리오:
    • 사건: LLM이 “메트포르민 처방”을 권장 → 환자의 신장 기능 저하 간과 → 젖산산증 발생 → 사망
    • 책임 소재:
      1. 의사: “LLM을 맹신했다”
      2. 병원: “AI 검증 없이 도입”
      3. AI 앱 개발사: “우리는 API만 호출, LLM은 OpenAI 책임”
      4. OpenAI: “우리는 도구만 제공, 의료 판단은 의사 책임”
      5. 학습 데이터 제공자: “우리는 단순 데이터 제공”

현행법의 공백:

미국 제조물책임법(Product Liability): - 전통 의료기기: 제조사 책임 명확 - LLM: “제품”인가 “서비스”인가? 불명확 - API 형태 제공 시 책임 경계 모호

FDA의 입장:

FDA는 2025년 현재 “Foundation Model 기반 의료기기의 책임 소재” 가이드라인을 작성 중이지만 발표되지 않았다[@FDA2025FoundationModel].

보험 문제:

  • 의료 과오 보험: LLM 오류 커버 안 함
  • LLM 제공사: 의료 책임 면책 조항
  • 결국 의사/병원만 책임

2.3 Hallucination - 의료 AI의 치명적 결함

  • 정의: Hallucination은 LLM이 존재하지 않는 정보를 그럴듯하게 생성하는 현상이다.
  • 의료에서의 실제 사례:
  1. 가짜 논문 인용
    • 질문: “당뇨병 치료 최신 연구는?”
    • LLM 답변: “Smith et al. (2024) NEJM 연구에 따르면…”
    • 문제: 해당 논문 존재하지 않음
  2. 약물 상호작용 오류
    • 질문: “와파린 + 아스피린 병용 가능?”
    • LLM: “안전합니다. 용량 조절 불필요”
    • 진실: 출혈 위험 증가, 엄격한 모니터링 필수
  3. 용량 오류
    • 질문: “소아 아목시실린 용량”
    • LLM: “50mg/kg/day”
    • 진실: 40mg/kg/day (10mg 차이 = 잠재적 독성)

발생률:

연구 결과[@Ji2023Hallucination]: - 의료 질문에서 Hallucination 발생률: 8-15% - 문제: 어느 8%인지 알 수 없음 - 일관성 없음: 같은 질문도 다른 답

FDA의 입장:

“Hallucination rate를 정량화할 수 없다면 임상시험 설계가 불가능하다. False Negative Rate를 계산할 수 없으면 위험도 평가가 불가능하다.” — FDA Digital Health Center, 2024

2.4 현재 생성형 AI가 허용되는 영역

생성형 AI는 의료기기가 아닌 다음 영역에서만 활용된다:

2.4.1 Administrative (행정 업무)

  • 진료 기록 자동 요약
    • 예: Nuance DAX Copilot
    • 기능: 의사-환자 대화 → SOAP Note 생성
    • 규제 우회: “의사가 최종 검토·수정 필수” → 비의료기기
  • 청구 코드 자동 제안
    • ICD-10, CPT 코드 추천
    • 의사가 최종 승인
  • 문서 자동화
    • 퇴원 요약 작성
    • 의뢰서 초안 생성

핵심 조건: - “초안(Draft)” 생성만 - 의사가 100% 검토 - 환자 진료에 직접 영향 없음

2.4.2 Clinical Decision Support – 참고용

허용 조건:[@FDA2026CDS]

FDA CDS 가이던스 (2026)의 면제 조건: 1. 정보 출처 명시: “UpToDate 2024년판 참조” 2. 의사 독립 판단: “참고용이며 최종 결정은 의사” 3. 개별 환자 데이터 미사용: 일반 가이드라인만

실제 사례: UpToDate + ChatGPT - UpToDate가 GPT-4 통합 검토 중 - 하지만 “진단 도구”가 아닌 “검색 도구”로만 제한 - 의사가 읽고 판단

2.4.3 환자 커뮤니케이션

  • 건강 정보 챗봇
    • “당뇨병이란?”
    • “혈압약 부작용은?”
    • 조건: 일반 정보만, “의사와 상담 필요” 경고
  • 환자 교육 자료 생성
    • 진단 설명
    • 치료 계획 설명
    • 의사가 검토 후 전달
  • 예약/문의 응대
    • “언제 병원 와야 하나요?”
    • 진단/치료 조언 제외

위험 사례:

  • Babylon Health (2020)
    • AI 챗봇이 환자 증상 평가
    • “응급실 갈 필요 없음” 판단
    • 실제: 심근경색 → 사망
    • 결과: 소송, 규제 강화

2.5 생성형 AI의 미래 제한적 승인 시나리오

2.5.1 Hybrid Approach (하이브리드)

컨셉: LLM + Rule-based 검증 장점: Rule로 명백한 오류 차단
단점: 여전히 LLM의 비결정성 문제

2.5.2 Narrow Domain Fine-tuning

컨셉: 특정 질병/절차만 하는 전문 LLM - 예: “대장암 병기 결정만” 하는 LLM - 학습 데이터: NCCN 가이드라인 + 병리 보고서만 - 출력 형식: Stage I/II/III/IV (정형화) - 검증: 기존 병기 결정과 비교 장점: 범위 제한으로 검증 가능
단점: 여전히 Hallucination 위험

2.5.3 Human-in-the-Loop (HITL)

컨셉: 모든 출력을 의사가 검토

환자 → LLM → (초안) → 의사 검토 → 최종 결정

규제 포지셔닝: “의사의 생산성 도구” 문제: - 의사가 LLM을 맹신하면? - “Automation Bias”: 사람은 AI 결과를 과신하는 경향

연구 결과[@Gaube2023AutomationBias]: - 의사 + AI: 틀린 AI 제안을 88% 수용 - AI 없는 의사: 같은 문제를 72% 정답 - 결론: AI가 오히려 성능 저하

2.6 FDA의 2025년 입장 - Foundation Model 규제

발표 예정 (2025년 상반기):[@FDA2025FoundationModel]

  1. Foundation Model Transparency Label
    • “이 제품은 LLM 기반입니다” 명시
    • 사용자가 인지하도록
  2. Regulatory Sandbox
    • 제한된 환경에서 LLM 실험 허용
    • 단, 의료 의사결정에서 제외
  3. Post-Market Surveillance 강화
    • 모든 LLM 출력 로그 저장
    • Hallucination 발생 시 즉시 보고

결론적 입장:

“현재 기술로는 생성형 AI를 진단/치료 의사결정 의료기기로 승인하기 어렵다. 추가 연구와 기술 발전이 필요하다.” - FDA Commissioner Statement, 2024

2.7 생성형 AI를 의료에 쓰려면?

  1. 의료기기 아닌 방향으로 포지셔닝
    • “진단 도구” ❌
    • “의사 참고 자료 생성 도구” ✅
  2. Human-in-the-Loop 필수
    • 모든 출력을 의사가 검토
    • “초안” 개념 명확히
  3. 책임 경계 명확히
    • 이용약관에 “의료 조언 아님” 명시
    • 의료 과오 책임은 사용자(의사)에게
  4. 규제 샌드박스 활용
    • EU AI Act Sandbox (유럽)
    • FDA Pre-Cert Program (미국, 제한적)
  5. 단기적으로는 행정 업무에 집중
    • 진료 기록 요약
    • 문서 자동화
    • 청구 코드 제안

장기 전망 (5-10년):

생성형 AI가 의료기기로 승인되려면: - Hallucination 해결 - 완벽한 결정론 보장 - 학습 데이터 투명성 - 책임 소재 법적 정리

현재 기술로는 거의 불가능하다.

3 참고문헌 및 추가 자료

3.1 주요 규제 문서

3.2 학술 논문

  1. Abramoff, M. D., et al. (2018). “Pivotal trial of an autonomous AI-based diagnostic system for detection of diabetic retinopathy.” NPJ Digital Medicine, 1(39). https://doi.org/10.1038/s41746-018-0040-6

  2. Knaus, W. A., et al. (1985). “APACHE II: A severity of disease classification system.” Critical Care Medicine, 13(10), 818-829.

  3. Omiye, J. A., et al. (2023). “Large language models propagate race-based medicine.” NPJ Digital Medicine, 6(1), 195. https://doi.org/10.1038/s41746-023-00939-z

  4. Ji, Z., et al. (2023). “Survey of hallucination in natural language generation.” ACM Computing Surveys, 55(12), 1-38.

  5. Gaube, S., et al. (2023). “Non-task expertise influences on algorithmic decision-making.” Nature Human Behaviour, 7(3), 403-411.

3.3 실제 승인 사례 문서

3.4 추가 리소스

Subscribe

Enjoy this blog? Get notified of new posts by email: