ㅁ 의료 AI

ㅇ 정의:
의료 분야에서 인공지능 기술을 활용하여 진단, 치료, 예방, 환자 관리 등 다양한 의료 서비스를 지원하는 기술 영역.

ㅇ 특징:
대규모 의료 데이터(영상, 생체신호, 전자의무기록 등)를 기반으로 하며, 정확성과 신뢰성이 매우 중요하고 규제와 윤리적 고려가 필수.

ㅇ 적합한 경우:
대규모 환자 데이터를 분석해 의사결정을 지원하거나, 반복적이고 표준화된 진단 업무를 자동화할 때.

ㅇ 시험 함정:
의료 AI는 모든 의료 행위를 대체할 수 있다는 식의 단정적 진술은 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 의료 AI는 의사의 진단을 보조하는 역할로 활용될 수 있다.
X: 의료 AI는 모든 진단 업무를 완전히 대체한다.

================================

1. 의료影像 분석

ㅇ 정의:
X-ray, CT, MRI, 초음파 등 의료 영상을 인공지능 모델로 분석하여 질병 유무, 진행 정도, 치료 반응 등을 판별하는 기술.

ㅇ 특징:
CNN 기반 딥러닝이 주로 사용되며, 고해상도 이미지 처리와 대규모 라벨링 데이터셋이 필요.

ㅇ 적합한 경우:
영상 판독 속도를 높이고, 판독자 간 편차를 줄이며, 조기 진단이 중요한 질환(예: 폐암, 뇌졸중)에서.

ㅇ 시험 함정:
의료影像 분석은 영상 품질과 데이터 편향에 민감하므로, 모든 상황에서 동일 성능을 보장한다는 진술은 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 의료影像 분석 AI는 영상 판독의 정확도를 높일 수 있다.
X: 의료影像 분석 AI는 영상 품질에 관계없이 항상 정확하다.

================================

2. EHR 분석

ㅇ 정의:
전자의무기록(Electronic Health Record, EHR)에 포함된 환자의 진료 이력, 검사 결과, 처방 정보 등을 AI로 분석하여 진료 지원, 예측 모델 개발, 환자 맞춤형 치료 계획 수립에 활용하는 기술.

ㅇ 특징:
구조화·비구조화 데이터가 혼합되어 있으며, 자연어처리(NLP) 기술과 시계열 분석이 자주 사용됨.

ㅇ 적합한 경우:
환자 재입원 예측, 질병 진행 예측, 약물 부작용 탐지, 맞춤형 건강 관리.

ㅇ 시험 함정:
EHR 데이터는 항상 표준화되어 있어 전처리가 필요 없다는 진술은 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
O: EHR 분석에는 비정형 데이터 처리를 위한 NLP 기술이 활용될 수 있다.
X: EHR 분석은 모든 데이터가 이미 표준화되어 있어 전처리가 필요 없다.

================================

3. Digital Twin

ㅇ 정의:
환자의 생리적·병리적 상태를 가상 모델로 구현하여, 시뮬레이션을 통해 질병 진행, 치료 반응 등을 예측하는 기술.

ㅇ 특징:
IoT 센서, 웨어러블 기기, 실시간 데이터 수집과 AI 모델링이 결합됨. 개인 맞춤형 의료 서비스에 적합.

ㅇ 적합한 경우:
수술 전 시뮬레이션, 만성질환 관리, 치료 계획 최적화.

ㅇ 시험 함정:
Digital Twin은 항상 현실과 동일하게 예측한다는 진술은 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
O: Digital Twin은 환자 맞춤형 치료 시뮬레이션에 활용될 수 있다.
X: Digital Twin은 모든 환자 상태를 완벽히 재현할 수 있다.

================================

4. 약물 발견 AI

ㅇ 정의:
신약 후보 물질 발굴, 약물-표적 상호작용 예측, 약물 재창출(Drug Repurposing) 등을 AI로 수행하는 기술.

ㅇ 특징:
화합물 데이터, 단백질 구조 데이터, 임상 데이터 등을 통합 분석하며, 분자 시뮬레이션과 딥러닝이 활용됨.

ㅇ 적합한 경우:
신약 개발 초기 단계에서 후보 물질 선별, 기존 약물의 새로운 적응증 탐색.

ㅇ 시험 함정:
약물 발견 AI는 임상시험을 대체할 수 있다는 진술은 오답.

ㅇ 시험 대비 “패턴 보기” 예시:
O: 약물 발견 AI는 신약 후보 물질 발굴 속도를 높일 수 있다.
X: 약물 발견 AI는 임상시험을 완전히 대체한다.

ㅁ 추가 학습 내용

의료 영상 분석에서는 데이터 증강(Data Augmentation) 기법과 전이학습(Transfer Learning)의 활용이 빈번하며, 특히 의료 데이터 부족 문제 해결에 중요하다.
EHR 분석에서는 HL7 FHIR과 같은 표준 데이터 포맷, 개인정보 비식별화 기법, 시계열 예측 모델(LSTM, Transformer)의 적용이 시험에 자주 출제된다.
Digital Twin 관련 내용으로는 환자 맞춤형 시뮬레이션의 한계(센서 오차, 모델 단순화)와 의료 규제 이슈(FDA 승인 절차)가 중요하다.
약물 발견 AI 분야에서는 분자 생성 모델(Generative Models), AlphaFold와 같은 단백질 구조 예측 기술, 가상 스크리닝(Virtual Screening) 개념이 시험 포인트가 될 수 있다.