현재 보건의료 기술은 세계에서 가장 혁신적인 분야로 사람들이 더 오래 더 나은 삶을 살도록 돕고 있다. 소프트웨어와 이동성의 등장이 혁신을 주도하는 가운데 디지털화는 그 변화를 느리게 하는 종이 기반 운영, 절차를 개선하고 있다. 좀 더 최근에는 소프트웨어가 더욱 지능적이고 독립적으로 진화하고 있다. 인공지능과 머신러닝이 다음과 같은 보건의료 분야의 큰 과제를 수행할 수 있게 한다. 개인 유전자 검사 신약개발 질병 진단 및 관리 이 분야에 많은 기회가 존재하는 것은 분명하다. 지속적인 제품 차별화와 부가가치 창출로 시장에 첫 진출하는 경우 그 이득은 무궁무진할 것이다. 유전학에서 인공지능과 머신러닝의 적용은 DNA가 생명에 미치는 영향을 이해하는 것이다. 지금까지 인간 유전체의 전체 시퀀싱과 유전정보를 읽고 편집할 수 있는 기술을 획득했지만 아직 알지 못하는 것이 대부분이다. 유전자는 식품, 환경, 체형 등과 결합하여 끊임없이 재조합한다. 생명과 생물학을 이해하려면 먼저 DNA라는 언어를 알아야 한다. 바로 이 분야에 머신러닝을 적용하여 구글 딥마인드, IBM 왓슨 같은 시스템이 등장했다. 어느 때보다 많은 의료 정보를 해석하고 패턴 인식이 가능해졌다. 딥 지노믹스(Deep Genomics)와 같은 기업이 진전을 보이고 있는데, DNA를 해석하여 유전적 변이가 분자에 어떤 영향을 주는지 예측하고 있다. 인간 DNA에 대한 이해는 생물학적 성질에 기반한 개인별 통찰력을 제공할 수 있다. 이러한 추세는 “맞춤형 유전학(personalized genetics)''이라는 새로운 시대를 열 수 있다. 23andMe 및 Rthm과 같은 유전정보 회사가 바로 이 영역의 시작을 보여주고 있다. 유전 정보 소비자가 DNA 구성을 이해할 수 있게 하는 유전 진단 도구를 제공한다. Rthm은 유전검사를 일상에 적용하는 실시간 앱을 통해 변화를 이행하게 한다. 인공지능과 머신러닝을 이용하여 개인의 생활습관을 개선시킬 수 있는 것이다. 이 분야의 스타트업이 어떻게 개인의 유전정보를 이용할 수 있는가를 다카시 키도(Takashi Kido)는 다음과 같이 정리했다. 신뢰할 수 있는 개별 유전 정보를 획득하고 유전적 위험성 예측 개별 유전자에 따른 행동 패턴을 분석하고 유용한 정보와 손상된 정보를 결정 과학적 발견을 위한 데이터 마이닝 인공지능과 머신러닝은 보통 12~14년 동안 26억 달러가 소요되는 신약개발의 시간과 비용을 단축시킨다. 신약개발에 따른 화학물질은 가능한 모든 세포 유형, 유전적 돌연변이, 특정 질병에 대한 조건 등의 조합으로 테스트가 필요하다. 이렇게 많은 시간이 걸리는 일을 머신러닝을 통한 학습과 실험 대상 선택 등을 통해 단축할 수 있고 유사한 알고리즘으로 특정 화학물질이 인간에 미치는 부작용을 예측할 수 있다. 아톰와이즈(Atomwise) 신약개발에 사용하는 시험관을 슈퍼컴퓨터라 대체한 캘리포니아의 스타트업이다. 머신러닝과 3D 인공신경망으로 새로운 화합물의 효과를 식별하고 기존 약물을 어떻게 적용할 수 있는지 찾기 위해 분자 구조 데이터베이스를 탐색한다. 2015년에는 에볼라 감염성을 현저히 감소시킬 수 있는 두 가지 신약을 발견하기도 했다. 기존방식으로 몇 년이 걸리는 분석을 단 하루 만에 완료했다. 최근 인실리코 메디신(Insilico Medicine)은 이 접근법으로 심층 신경망이 약물 특성 및 새로운 적용증을 예측할 수 있음을 재확인해주었다. 런던의 베네볼런트에이아이(BenevolentAI)는 인공지능이 문헌 검색을 수행하여 신약 개발을 단축하려고 한다. 전 세계적으로 30초마다 새로운 의료 연구 논문이 발표되고 있는 가운데, 사람이 접근할 수 있는 데이터는 일부에 그친다. 이 회사는 인공지능 검색으로 알츠하이머에 효과가 있는 것으로 보이는 두 가지 화합물을 발견했다. 대부분의 질병은 단순한 유전자 돌연변이가 아니다. 보건의료 시스템이 비정형 데이터를 생성하고 있지만 그 품질이 점점 나아지고 있는 가운데, 그 데이터를 분석하고 지식을 산출할 수 있는 하드웨어나 소프트웨어가 존재하지 않았다. 질병 진단은 환자 피부의 질감에서 하루에 소비한 당 수치에 이르기까지 다양한 요소를 검토해야 하는 복잡한 과정이다. 과거 2000년 동안 의학은 증상에 기반한 진단에 머물러 있었다. 예를 들면, 열과 코막힘이 있다면, 독감일 가능성이 높다는 식이다. 하지만 암이나 알츠하이머 같은 병의 경우 증상으로 진단하면 너무 늦은 경우가 많다. 머신러닝을 적용하면 질병 진단을 앞당겨 최대 90%까지 생존 확률을 높일 수 있다. 샌프란시스코의 프리놈(Freenome)은 적응 유전 엔진을 개발하여 혈액에서 질병 징후를 동적으로 찾아낸다. 이것은 혈액에 떠다니는 유전체를 동적으로 수집함으로써 이루어지는데, 이 유전체는 성장, 생명 활동, 노화에 따라 변한다. 엔리틱(Enlitic)은 진단 및 치료 계획을 세울 때, 딥러닝을 통해 수백만 건의 임상사례를 검색하여 결과를 개선해준다. IBM 왓슨도 암환자 치료에 유용한 통찰력을 제공한다. 보건의료 분야에 인공지능과 머신러닝을 적용했을 때, 얻을 수 있는 무한한 이득을 추구하는 스타트업을 볼 수 있다. 가장 중요한 것은 어떻게 유용한 데이터를 수집할 것인가와 그 데이터를 어떻게 분석할 것인가로 요약할 수 있다.