AI는 의료 영상에서 한 가지 일만 하지 않는다

"AI가 진단한다"는 말은 정확하지 않다. 실제로 의료 영상 AI는 보조 → 탐색 → 분리 → 분류 → 진단이라는 5가지 역할로 나뉘며, 각 단계마다 AI의 자율성과 의사와의 관계가 완전히 달라진다. "이 AI 기능의 GUI를 어떻게 설계할 것인가"라는 질문에 답하려면, 먼저 그 AI가 5단계 중 어디에 해당하는지를 정의해야 한다.

FDA AI/ML 허가 현황 (2025): FDA가 허가한 AI/ML 기반 의료기기는 1,000개를 돌파했다. 이 중 약 76%가 방사선학(Radiology) 분야이며, 대부분이 이 글에서 다루는 5가지 역할 중 하나에 해당한다. AI 의료기기 시장은 2030년까지 연평균 38% 성장이 전망된다.
1,000+
FDA 허가 AI/ML 기기
76%
방사선학 분야 비중
38%
연평균 시장 성장률
5
AI 역할 분류 단계

의료 영상 워크플로우에서 AI가 개입하는 지점

영상 촬영부터 최종 판독까지, AI는 워크플로우의 각 지점에서 서로 다른 역할로 개입한다. 아래 파이프라인에서 각 단계를 클릭하면 AI의 개입 방식을 확인할 수 있다.

1영상 촬영CT·MRI·X-ray
2CAD 보조의심 영역 마킹
3Detection이상 유무 판별
4Segmentation병변 경계 분리
5Classification질병 종류 분류
6Diagnosis종합 진단 리포트
7의사 판독최종 확인·서명
▼ 각 단계를 클릭하면 AI의 개입 방식을 확인할 수 있다

5가지 AI 역할 상세

아래 탭에서 각 역할의 정의, 임상적 의미, GUI 디자인 관점, 대표 제품을 확인할 수 있다.

🔍

질병 판단 보조 — CAD

Computer-Aided Diagnosis · AI 자율성 ★☆☆☆☆

인공지능이 의사가 진단하기 전에 판단을 보조하는 역할이다. 최종 진단 권한은 여전히 의사에게 있으며, AI는 "이 영역이 의심된다"는 수준의 힌트를 제공한다.

CAD는 의료 영상 AI의 가장 오래된 형태다. 유방 촬영(Mammography)에서 미세 석회화(microcalcification)를 표시해 방사선과 의사의 주의를 끌어주는 방식으로 1990년대부터 상용화되었다. 의사가 영상을 읽기 전에 AI가 먼저 스캔하고 의심 소견을 마킹해 주므로, 판독 누락률을 줄이는 안전망 역할을 한다.

GUI 디자인 관점
CAD 결과는 의사의 독립적 판단에 영향을 주지 않도록 설계해야 한다. 일반적으로 의사가 1차 판독을 마친 후에만 CAD 마킹을 볼 수 있는 "지연 표시(delayed display)" 워크플로우가 권장된다. "AI의 결과가 너무 일찍 노출되어 의사의 편향을 유발하지 않는가?"를 항상 고려해야 한다.

대표 제품:

Lunit INSIGHT CXR FDACE

흉부 X-ray에서 폐 결절 등 10종 이상 이상 소견을 마킹. 민감도 97% 이상.

유방 촬영 CAD FDA

미세 석회화·종괴 의심 영역을 마킹하여 방사선과 판독 보조.

대장 내시경 CAD

용종 의심 영역을 실시간으로 표시. 용종 탐지율(ADR) 향상에 기여.

📡

질병 탐색 — Detection

Disease Detection · AI 자율성 ★★☆☆☆

영상 안에서 해당 질병의 유무를 발견하는 역할이다. "이 영상에 이상이 있는가, 없는가?"라는 이진 질문에 답한다.

CAD가 "의심 영역 표시"에 그친다면, Detection은 한 단계 더 나아가 "이 영상에 특정 질병이 존재한다/존재하지 않는다"는 판별 결과를 제시한다. Detection의 핵심 가치는 선별(screening)이다. 대량의 영상을 빠르게 분류해 "이상 있음"과 "이상 없음"으로 나누면, 영상의학과 전문의가 이상 소견이 있는 영상부터 우선 판독할 수 있어 업무 우선순위 재배치(worklist prioritization)에 활용된다.

GUI 디자인 관점
Detection 결과는 보통 양성/음성 라벨 + 신뢰도 점수(confidence score)로 표현된다. 신뢰도 점수를 어떻게 시각화할지(퍼센트 수치? 컬러 바? 등급 표시?), 그리고 위양성(false positive)이 의사에게 불필요한 부담을 주지 않도록 임계값(threshold) 설정 UI를 어떻게 제공할지 고민해야 한다.

대표 제품:

IDx-DR FDA자율진단

안저 사진에서 당뇨망막병증 유무 판별. FDA 최초 자율진단 허가 SaMD.

폐색전증 Detection FDA

흉부 CT에서 PE 유무를 판별한 후 판독 우선순위를 자동 재배치.

골절 Detection

응급실 X-ray에서 미세 골절 유무를 탐지. 판독 시간 단축에 기여.

🧩

질병 분리 — Segmentation

Image Segmentation · AI 자율성 ★★★☆☆

영상 안에서 해당 질병을 찾아서 경계를 표시하는 역할이다. Detection이 "있다/없다"를 판별한다면, Segmentation은 "어디에, 어떤 크기로 있는가"를 정확히 보여준다.

Segmentation은 픽셀 수준에서 병변의 영역을 분리해낸다. 뇌 MRI에서 종양의 경계를 자동으로 그려주면 의사는 종양의 부피·위치·주변 조직과의 관계를 더 빠르고 정확하게 파악할 수 있다. 수술 계획, 방사선 치료 표적 설정, 치료 반응 추적(종양 크기 변화 모니터링) 등에서 핵심적으로 사용된다.

GUI 디자인 관점
Segmentation 결과는 오버레이(overlay) 형태로 원본 영상 위에 반투명하게 표시하는 것이 표준이다. 오버레이 색상·투명도·토글 on/off·윤곽선 vs 채움(fill) 모드를 사용자가 선택할 수 있도록 설계해야 한다. 또한 의사가 AI의 분리 결과를 수동 수정(manual correction)할 수 있는 편집 도구(브러시·지우개·윤곽 드래그)도 중요한 디자인 요소다.

대표 제품:

뇌종양 Segmentation CE

MRI에서 종양 경계를 자동 분리하여 수술 계획을 보조한다.

심장 MRI Segmentation FDA

좌심실·우심실·심근 자동 분리. 심기능 지표(EF 등) 자동 계산.

간·신장 Segmentation

복부 CT에서 장기·병변 경계를 분리. 이식 수술 계획에 활용.

📊

질병 분류 — Classification

Disease Classification · AI 자율성 ★★★★☆

영상 안의 장기에서 발생할 수 있는 질병을 분류하는 역할이다. Detection이 "이상이 있는가?"라면, Classification은 "이상이 있다면 무엇인가?"에 답한다.

Classification은 병변을 발견하는 데 그치지 않고 그 병변이 어떤 종류의 질병인지 구분한다. 예를 들어 피부 병변 사진에서 "양성 모반(benign nevus)인지, 악성 흑색종(malignant melanoma)인지"를 분류하거나, 흉부 CT에서 발견된 폐 결절이 "양성 결절인지, 악성 종양인지"를 판별하는 것이 Classification이다. AI 모델의 출력은 보통 각 질병에 대한 확률 분포로 나타난다.

GUI 디자인 관점
Classification 결과는 질병 목록 + 각 확률(%)을 막대 차트나 순위 리스트로 시각화하는 것이 일반적이다. "가장 높은 확률의 질병"을 강조하면서도 의사가 나머지 후보를 놓치지 않게 해야 한다. AI의 불확실성(uncertainty)을 어떻게 표현할지 — 높은 확신 vs 낮은 확신에 따라 시각적 강조를 다르게 할지 — 는 UX 차원의 중요한 결정이다.

대표 제품:

피부 병변 Classification CE

피부경(dermoscopy) 영상에서 양성/악성/기타 질환을 분류한다.

폐 결절 Classification FDA

흉부 CT에서 결절의 양성/악성 확률을 분류하여 후속 조치를 제안.

안저 질환 다중 분류

안저 사진에서 녹내장·황반변성·당뇨망막병증 등을 동시에 분류.

🧠

질병 진단 — Diagnosis

Integrated Diagnosis · AI 자율성 ★★★★★

Segmentation과 Classification을 결합하여, 영상에서 발생할 수 있는 질병을 명확하게 분류 및 분리하여 진단하는 역할이다. 5단계 중 가장 고도화된 형태다.

Diagnosis 단계의 AI는 "이 영상에 이상이 있다" 또는 "이 부분이 병변이다"를 넘어서, "이 위치에 이 크기의 이 질병이 있다"는 종합적인 소견을 제시한다. 예를 들어 흉부 CT에서 좌측 하엽에 2.3cm 크기의 폐 선암(adenocarcinoma) 의심 병변을 분리하고, 악성 확률 87%라는 분류 결과를 함께 제시하는 것이다. 이 수준의 AI 출력은 영상 판독 보고서(radiology report)의 초안으로 직접 연결될 수 있다.

GUI 디자인 관점
Diagnosis 수준의 AI 결과는 구조화된 리포트 형태로 설계하는 것이 적합하다. 영상 위의 분리 결과(오버레이)와 텍스트 기반의 분류 결과(질병명·확률·위치·크기)를 하나의 화면에 동시에 보여주되, 의사가 각 항목을 수정·승인·기각할 수 있는 인터랙션을 지원해야 한다. AI의 설명 가능성(Explainability) — "왜 이 진단을 내렸는가"를 보여주는 히트맵이나 근거 영역 표시 — 도 UX 설계의 핵심 요소다.

대표 제품:

Viz.ai LVO FDA

뇌 CT에서 출혈/허혈 영역 분리 + 유형 분류 + 관류 분석을 결합한 뇌졸중 종합 진단.

종합 폐암 진단 CE

흉부 CT에서 결절 분리 + 양성/악성 분류 + 병기 추정을 통합 제시.

유방암 종합 진단 FDA

유방 촬영에서 병변 분리 + 악성 확률 + BI-RADS 등급 자동 제안.

요약: 5가지 역할의 관계

단계역할AI가 답하는 질문출력 형태AI 자율성
1. CAD판단 보조"이 부분을 한번 봐주세요"의심 영역 마킹★☆☆☆☆
2. Detection탐색"이 영상에 이상이 있는가?"양성/음성 + 신뢰도★★☆☆☆
3. Segmentation분리"어디에 어떤 크기로 있는가?"픽셀 단위 오버레이★★★☆☆
4. Classification분류"있다면 무엇인가?"질병별 확률 분포★★★★☆
5. Diagnosis진단"이 위치에 이 질병이 있다"분리 + 분류 + 리포트★★★★★

1→5로 갈수록 AI의 역할이 보조에서 주도로 이동하지만, 현재까지 규제 관점에서 최종 진단 권한은 의사에게 있다. Detection과 Segmentation 수준의 AI는 이미 다수가 FDA·CE 인증을 획득해 임상에서 실사용 중이며, Diagnosis 수준의 통합 AI도 빠르게 임상 진입하고 있다.

메디컬 디자이너에게 이 분류가 중요한 이유: 각 단계마다 GUI에서 보여줘야 할 정보의 종류(마킹·라벨·오버레이·확률 차트·리포트)가 다르고, 의사와 AI의 역할 분담("누가 먼저 보는가", "AI 결과를 수정할 수 있는가")이 달라지며, 사용 오류(use error) 시나리오(편향·과신·누락)도 달라진다. 신규 의료 AI 제품의 GUI를 설계할 때 "이 AI는 5단계 중 어디에 해당하는가?"를 먼저 정의해야 화면 설계의 방향이 잡힌다.

참고 자료

  • Litjens, G. et al. "A survey on deep learning in medical image analysis." Medical Image Analysis, 42, 60–88, 2017.
  • Topol, E. J. Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again. Basic Books, 2019.
  • FDA. "Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices." FDA AI/ML Action Plan, 2021.
  • Lunit. "INSIGHT CXR — AI-powered chest X-ray analysis." Product documentation.
  • Viz.ai. "Viz LVO — AI-powered stroke detection and triage." Clinical validation studies.