AI가 여는 과학적 발견의 시대: 가상 환자와 AI 의료의 미래
Session Overview
오늘날 의학적 발견은 임상시험 하나하나를 통해 진전되는데, 각 임상시험은 수행하는 데 수년이 걸리고 종종 1억 달러(약 1,400억 원) 이상의 비용이 든다. '모든 사람에게 동일한 치료가 통하지 않는' 정밀 의료 시대로 접어들면서, 오늘날의 발견 과정을 그대로 이어가는 것은 명백히 지속 불가능하다. 기술 발전과 사회적 제도의 결합으로 전자의무기록(EHR), 의료 이미징, 멀티오믹스 등 다양한 형태의 종단적 환자 데이터 디지털화가 빠르게 진전되고 있다.
이 세션에서는 멀티모달 생성형 AI가 환자의 언어를 학습하고, 질병 진행과 치료 반응 예측을 위한 디지털 트윈으로서 '가상 환자 세계 모델'을 만드는 방법을 살펴본다.
- '임상시험 하나씩' 진행하는 현재의 발견 방식이 정밀 의료 시대에 지속될 수 없는 이유
- 전자의무기록(EHR), 의료 이미징, 멀티오믹스 데이터로 환자의 언어를 학습하는 멀티모달 생성형 AI 구축
- 질병 진행과 치료 반응 예측을 위한 디지털 트윈으로서의 가상 환자 세계 모델 생성
- 수억 명의 환자 데이터로 집단 규모의 실세계 근거(Real-World Evidence)를 합성하는 방법
- 대형 의료기관 및 생명과학 기업과의 협업을 통한 AI 기반 가상 임상시험으로 발견 가속화
Speaker
Hoifung Poon은 Microsoft Research의 실세계 근거(Real-World Evidence) 총괄 매니저이자 워싱턴대학교 의과대학 겸임 교수다. 정밀 의료를 위한 의료 데이터 구조화, 서비스 최적화, 발견 가속화를 목표로 바이오메디컬 AI 연구와 인큐베이션을 이끌고 있다. 그의 팀과 공동 연구자들은 의료 분야에 LLM과 멀티모달 생성형 AI를 최초로 적용한 선구자 중 하나로, PubMedBERT, BioGPT, BiomedCLIP, LLaVA-Med, BiomedParse 등 수천만 건의 다운로드를 기록한 오픈소스 파운데이션 모델을 제작했다.
Nature와 Cell에 게재된 최근 논문에서는 GigaPath, GigaTIME 등 디지털 병리학 및 공간 단백질체학 분야의 획기적인 파운데이션 모델을 발표했다. 분자 종양위원회, 임상시험 환자 매칭 등 실무에서 활용되는 AI 시스템을 구축하며 대형 의료기관 및 생명과학 기업과의 연구 협력을 성공적으로 이끌었다. NAACL, EMNLP, UAI 등 주요 AI 학회에서 최우수 논문상을 수상했으며, 2024년 Puget Sound Business Journal 헬스케어 리더십 어워드에서 'Technology Champion'으로 선정되었다. 워싱턴대학교에서 머신러닝과 자연어처리(NLP) 전공으로 컴퓨터공학 박사학위를 취득했다.