배경: 머신러닝(ML)은 비선형 상호작용을 포착함으로써 성능을 향상시킬 잠재력이 있다. 그러나 ML 기반 모델에는 해석 가능성 측면에서 몇 가지 한계가 있다. 목적: 본 연구는 SHapley Additive exPlanations(SHAP) 값을 사용하여 보다 이해 가능하고 효율적인 ML 기반 채점(스코어링) 시스템을 개발하고 검증하고자 하였다. 방법: 우리는 Health를 위한 Explainable Automated nonlinear Computation(EACH) 프레임워크 점수(스코어)를 개발하고 검증하였다. CatBoost 기반 예측 모델을 개발하고 핵심 변수를 확인했으며, SHAP 플롯을 기반으로 기울기의 변화가 가장 가파른 지점(top 5)을 자동으로 탐지하였다. 이어서 EACH 채점 시스템(EACH)을 개발하고 점수를 정규화하였다. 마지막으로 EACH 점수를 수술 전후(perioperative) 뇌졸중을 예측하는 데 사용하였다. EACH 점수는 서울대학교병원 코호트 자료를 이용해 개발하고, 개발 세트와 지리적·시간적으로 다른 보라매병원 자료로 외부 검증하였다. 결과: 비심장 수술을 받는 38,737명의 환자에서 수술 전후 뇌졸중 예측에 적용했을 때, EACH 점수는 곡선하면적(area under the curve, AUC) 0.829 (95% CI 0.753-0.892)를 달성하였다. 외부 검증에서 EACH 점수는 전통적 점수(AUC=0.528, 95% CI 0.457-0.619) 및 다른 ML 기반 채점 생성기(AUC=0.564, 95% CI 0.516-0.612)와 비교하여 AUC 0.784 (95% CI 0.694-0.871)로 더 우수한 예측 성능을 보였다. 결론: EACH 점수는 실제 데이터에서 효과가 입증된 보다 정밀하고 설명 가능한 ML 기반 위험 도구이다. EACH 점수는 수술 전후 뇌졸중 예측에서 전통적 채점 시스템 및 서로 다른 ML 기법을 기반으로 한 다른 예측 모델들보다 우수한 성능을 보였다.

배경: 머신러닝(ML)은 비선형 상호작용을 포착함으로써 성능을 향상시킬 잠재력이 있다. 그러나 ML 기반 모델에는 해석 가능성 측면에서 몇 가지 한계가 있다. 목적: 본 연구는 SHapley Additive exPlanations(SHAP) 값을 사용하여 보다 이해 가능하고 효율적인 ML 기반 채점(스코어링) 시스템을 개발하고 검증하고자 하였다. 방법: 우리는 Health를 위한 Explainable Automated nonlinear Computation(EACH) 프레임워크 점수(스코어)를 개발하고 검증하였다. CatBoost 기반 예측 모델을 개발하고 핵심 변수를 확인했으며, SHAP 플롯을 기반으로 기울기의 변화가 가장 가파른 지점(top 5)을 자동으로 탐지하였다. 이어서 EACH 채점 시스템(EACH)을 개발하고 점수를 정규화하였다. 마지막으로 EACH 점수를 수술 전후(perioperative) 뇌졸중을 예측하는 데 사용하였다. EACH 점수는 서울대학교병원 코호트 자료를 이용해 개발하고, 개발 세트와 지리적·시간적으로 다른 보라매병원 자료로 외부 검증하였다. 결과: 비심장 수술을 받는 38,737명의 환자에서 수술 전후 뇌졸중 예측에 적용했을 때, EACH 점수는 곡선하면적(area under the curve, AUC) 0.829 (95% CI 0.753-0.892)를 달성하였다. 외부 검증에서 EACH 점수는 전통적 점수(AUC=0.528, 95% CI 0.457-0.619) 및 다른 ML 기반 채점 생성기(AUC=0.564, 95% CI 0.516-0.612)와 비교하여 AUC 0.784 (95% CI 0.694-0.871)로 더 우수한 예측 성능을 보였다. 결론: EACH 점수는 실제 데이터에서 효과가 입증된 보다 정밀하고 설명 가능한 ML 기반 위험 도구이다. EACH 점수는 수술 전후 뇌졸중 예측에서 전통적 채점 시스템 및 서로 다른 ML 기법을 기반으로 한 다른 예측 모델들보다 우수한 성능을 보였다.

생성형 인공지능(AI)의 급속한 발전은 전 세계적으로 의료 시스템을 재구성하고 있으며, 탐색적 혁신에서 실질적이고 시스템 수준의 실행으로의 전환을 시사한다. 이러한 변화하는 환경 속에서 2025년 가을 한국의료정보학회(KOSMI) 추계학술대회는 11월 22일부터 24일까지 인천에서 개최되었고, 생성형 AI를 의료 시스템 전반에서 지속 가능한 영향으로 전환하는 방안을 검토하기 위한 시의적절하고 실질적인 장을 제공하였다. ‘의료 시스템에서의 생성형 AI: 인사이트에서 임팩트로’라는 주제 아래, 임상·학계·산업·정책 분야의 1,131명의 참가자가 모였으며, 이는 의료정보학의 학제적 성격이 점차 강화되고 있음을 보여준다. 학술대회는 길병원 김우경(김우경) 조직위원장 겸 원장(President)의 개회사로 시작되었고, 이어 KOSMI 회장인 장병철(Byung Chul Chang)의 환영사가 이어졌다. 두 연사는 생성형 AI의 통합이 단순히 기술의 새로운 점에 머무르지 않고 시스템 수준의 전환으로 나아갈 수 있도록 의료정보학 공동체가 책임을 져야 한다고 강조하였다. 축하 인사에서 한국보건의료정보원 원장인 염민섭(Minseob Yeom)은 신뢰할 수 있고 확장 가능한 AI 도입을 가능하게 하는 데 있어 국가 보건의료 데이터 인프라, 표준화, 거버넌스가 핵심적으로 중요함을 부각하였다. 개회 프로그램의 중심 하이라이트는 서울대학교 분당병원의 전상훈 교수( Sang-Hoon Jeon )가 진행한 범산( Beom-San ) 특별강연이었다. 강연에서는 생성형 AI가 실제 의료 시스템에서 신뢰할 수 있는 구성 요소로 기능하기 위해서는 임상적 인사이트, 전문 분야 지식, 그리고 정보학적 인프라가 함께(상호) 진화해야 한다고 강조하였다. 이러한 관점을 보완하듯, 대만 타이베이 의과대학의 린밍친(Ming-Chin Lin) 교수가 진행한 기조강연은 인간 중심의 AI와 학제 간 협력의 중요성을 부각하며, 의료 AI가 직면한 핵심 과제가 기술적 실현 가능성 그 자체가 아니라 인간의 감독, 책임성, 신뢰를 보존하는 책임 있는 통합에 있음을 강조하였다. 과학 프로그램은 4개의 튜토리얼, 23개의 심포지엄, 48편의 발표를 포함한 10개의 구두 발표 세션, 87편의 포스터 및 e-포스터 발표, 그리고 산업 지원 심포지엄 3개로 구성되어 포괄적이고 세심하게 설계되었다. 전반에 걸쳐 세션들에서는 강조점의 점진적인 변화가 관찰되었다. 고립된 알고-

발프로에이트가 가장 높은 곡선하면적(AUC)을 보였으며, 0.636에서 0.686으로 나타났다. 추가로, 일반적인 2제 병용 요법의 AUC는 레베티라세탐 + 옥스카르바제핀에서 0.543, 레베티라세탐 + 발프로에이트에서 0.454, 레베티라세탐 + 라모트리진에서 0.583이었다. 레베티라세탐 + 카르바마제핀이 가장 높은 AUC를 보였으며, 0.764였다.

(p < 0.05)로, 제안한 프레임워크의 견고성을 뒷받침한다. 최적의 시간적 매개변수(윈도 길이 = 3.5 s, 이동 길이 = 0.5 s)는 일시 신호 포착의 안정성을 더욱 높이고 SNR을 개선한다. 외부 검증 결과 평균 정확도 0.809 ± 0.092, Cohen's kappa 0.619 ± 0.184를 보였으며, 이는 강한 일반화 가능성을 확인한다. 열화된 조건에서도 MI 관련 신경 패턴을 보존함으로써, 본 프레임워크는 웨어러블 및 실제 환경 배치를 위한 실용적이고 생체모사형 BCI의 발전에 기여한다.

간질의 종단적 경과는 대체로 예측이 어렵다. 본 연구는 인공지능을 이용하여 최종 예후를 예측하고, 동적인 종단 궤적을 분류하고자 하였다. 2008년부터 2017년까지 본원 간질 전문의에게 처음 내원하였고, 최소 3년 이상 추적관찰이 가능한 총 2,586명의 환자를 후향적으로 등록하였다. 지도학습 및 비지도학습 알고리즘을 사용하여 서로 다른 종단 경과와 연관된 군집을 식별하고, 각 군집 내에서 간질 관련 지표를 분석하였다. XGBoost는 최종 예후 예측에서 다른 방법들보다 약간 더 높은 성능을 보였다. 우리는 최종 발작의 완전관해(final seizure freedom)와 관련된 3개의 군집과, 지속적인 발작이 나타나는 2개의 군집을 확인하였다. 첫 번째 군집은 조기 관해를 보였으며, 감염성 또는 면역성 병인과 연관되는 경우가 많았다. 최종 발작 완전관해를 보인 두 개의 추가 군집에서는 관해가 지연되었다. 이들 중 하나의 군집은 초기 발작 빈도가 상대적으로 낮은 특징을 보였고, EEG에서 범발성의 불규칙한 서행(generalized irregular slowing), 그리고 뇌연화증(cerebromalacia)을 동반하였다. 다른 군집은 중간 정도의 발작 빈도를 보였으며, 흔히 범발성 간질(generalized epilepsy)과 연관된 양상을 나타냈다. 네 번째 군집은 기저치(baseline)보다 발작 빈도가 감소한 양상의 지속 발작을 보였고, 국소 극파-서파(focal spike-and-wave), EEG에서의 불규칙한 서행, 및 간질 관련 종양(epilepsy-associated tumor)을 특징으로 하였다. 다섯 번째 군집은 발병 시점부터 일관되게 높은 발작 빈도를 경험했으며, 해마 경화(hippocampal sclerosis), 남성 우세(male predominance), 그리고 더 긴 간질 지속 기간을 특징으로 하였다.

배경: 발달성 고관절 이형성증(DDH)은 영유아에서 비교적 흔한 고관절 질환으로, 출생 1,000명당 1~3명 정도에 영향을 미친다. 조기에 발견되면 단순한 비침습적 방법으로 예방적으로 치료할 수 있다. 그러나 조기에 발견되지 않는 경우, 여러 수술적 시술이 필요할 수 있으며 이는 높은 경제적 부담을 초래할 수 있다. 초음파(US) 영상으로 진단의 정확성을 높이기 위해서는 영상 내에서 해부학적 랜드마크를 위치시키는 일이 매우 중요하다. 하지만 랜드마크의 정확한 위치를 결정하는 데에는 관찰자 내/관찰자 간 변이가 존재한다. 본 연구에서는 전이 학습 모델을 사용하여 다섯 랜드마크의 품질을 평가함으로써 골반 US 영상의 자동 스캔 품질 평가 시스템을 제안하였다. 방법: 대한민국(이하 한국)의 두 병원에서 1,891명의 대상자로부터 US 영상을 수집하였다. 또한 전이 학습 모델을 기반으로 한 앙상블 시스템을 개발하여 다섯 개의 해부학적 랜드마크에 대한 점수 부여를 통해 스캔 품질을 자동으로 평가하도록 하였다. 영상의 지리적 특성을 반영하는 모델이 적절하게 학습되었는지 확인하기 위해 gradient-weighted class activation mapping을 사용하였다. 실시간 환경에서의 적용 가능성을 고려하여, 본 연구에서는 스캔 품질 평가의 지연(lapse)이 개선된 것으로 알려진 대안적 순차 방법(ASM)을 제안한다. 결과: 선택된 모든 모델은 0.6 이상의 kappa 값을 달성하여 상당한 일치도를 보였으며, 총점에 기반하여 표준 영상을 분류하기 위한 AUC 점수는 0.89였다. 학습된 모델의 활성화 맵은 영상의 구조적 특징을 적절하게 반영하였다. 표준 이미지 분류를 위한 전체 순차 방법에서의 시간 지연은 이미지당 0.35초였고, 세 가지 버전(ASM-1, ASM-2, ASM-3)의 경우 각각 0.27, 0.22, 0.20초였다.