Upstage AI Ambassador | 병원에서 활용하는 AI 오픈 세미나

 

2025년 6월 18일, 업스테이지에서 의료 분야에 적용한 AI 사례, 업스테이지 API를 활용한 사례들을 소개하는 세미나가 유튜브 라이브를 통해 열렸다. 업스테이지는 허깅페이스에서 오픈 LLM 리더보드에서 1위를 차지하면서 유명해졌고, 최근 국가대표 AI 5기업에도 선정되며 순항하고 있다. 비타민 데이터톤을 참가하며 업스테이지를 알게 되었고, 과거 진행했던 작은 프로젝트가 Document API와 비슷해 보여서 더 관심이 갔다. 그래서 메일이 온 김에 한 번 의료 분야에서의 LLM 활용과 모범 사례들을 살펴보고 싶었다.

---

1. 서울대학교 병원 의료 LLM 사례

Transforming Clinical Workflows with LLMS (김태훈/SNUHV)

서울대학교병원 헬스케어 AI 연구원은 병원에서 사용되는 빅데이터를 연구하고 활용함으로써, 의료 질 개선과 업무 효율성을 높히는 연구들을 진행하는 곳이다. 대표적으로 의무기록과 가이드라인, 큐레이션 및 논문 리뷰 등에 AI를 접목시키는 서비스를 개발하고 있다.

• HIS.AI : 외래 업,퇴원 등 의무기록 작성 효율화 및 진료 가이드라인 및 리뷰 논문 등 의학 지식 제공
• CLAIM.AI : 원무 및 보험 청구 자동화 및 청구 오류 수정을 위한 신뢰 증진
• RESEARCH.AI :연구자 맞춤형 논문 큐레이션 최신 논문 리뷰, 요약 제공

최근 진행했던 프로젝트를 하나 소개하자면, 이전에 Meta에서 경진대회 나갔던 사례 하나를 소개받을 수 있었다. 주제는 바로  Free text로 작성된 (기존) 내시경결과지와 병리판독지를 넣으면, LLM 기반으로 처리해 내시경 질 지표를 산출해주는 플랫폼이었다. 우리가 대장 내시경을 하게 된다면, 의사 선생님들이 직접 읽고 리뷰하는데 평균적으로 4분 정도 걸리는 작업을 NLP Method를 통해 7초 까지 단축시키는 효과를 얻었다고 한다.

 

대장 내시경을 실시했는가, 안했는가에 대한 데이터를 살펴본 결과, 대장암의 발생 비율에서 큰 차이가 있었다. 이를 바탕으로 의료진의 소견을 conclusion, 조직 검사 결과를 pathlogy로 정의하여 입력을 받아 질 지표를 도출해내고자 하였다. 하지만 의료 분야의 특수 용어, 약어 등의 사용이 빈번했고, 통일된 양식이 없어 기관과 개인에 따라 서술 스타일이 다양하여, 이를 집약하는데 시간이 많이 소요되었다. 이 문제점을 해결하기 위해 Upstage의 LLM을 활용하였다고 한다. 텍스트를 테이블 형태로 변환하고, 대시보드를 제작할 수 있었다. 그 결과, 과중한 업무와 일손 부족에 단순 업무 도움을 제공함으로써 환자 안전에 집중, 의료질 향상이라는 효과를 얻었다.

---

2. Upstage API를 활용한 의료분야 usecase

AI 건강검진 결과 분석 도우미 (연세대학교 MAGIC)

건강검진을 받은 후 결과지를 받아도, 일반인 입장에서는 그 결과를 제대로 해석하고 받아들이기 어려운 경우가 많다. LLM을 활용하여, 건강검진 결과지를 입력받으면 검진 결과를 해석하고, 맞춤형 병원 추천, RAG 기반 챗봇까지 제공해주는 서비스를 만들어보았다. 업스테이지 유관 대회에 참여하였기에 Document API를 적극적으로 활용하여 데이터 구조화, 임베딩, 챗봇 까지 다양하게 활용해볼 수 있었다.

 

Standardization too of Radiology Reports (연세대학교 AIMSE)

병원마다 사용하는 명칭, 약어, 대소문자 등이 모두 다르기 때문에 교유 용어, 고유 번호로 매핑하는 표준화의 필요성을 느낄 수 있었습니다. 보통 보험 심사팀, 데이터 서비스팀 등이 이 표준화 작업을 담당하여 EDI, KCO, 약제 코드등을 매핑하는데, 이를 LLM을 활용하여 자동화 할 수 있지 않을까 하여 시도가 이루어졌다.

 

파이프라인은 어렵지 않게, Vocabulary Vector와 업스테이지 Informeation Extraction API로 추출한 SNOMED CT 값들을 임베딩하고, 유사도를 도출하여 표준화를 진행하게 된다.

---

의료 데이터는 체계적으로 보관되며 쌓여온 빅데이터이고 개인 정보인 만큼, 관계 법령과 데이터베이스가 잘 준비되어 있다고 생각하고 있다. 하지만 세미나를 들으며 도메인 특성상 의사 선생님 마다 사용하는 전문 용어와 약칭, 기관마다의 서류 양식이 달라서 어려움도 존재하고 있다는 것을 알게 되었다. Text to SQL이 많이 시도되고 있는 만큼, CV 기술을 사용하여 서류를 일반인이 사진찍어서 입력하면, 그 데이터를 추출 후 구조화 하는 기술들도 많이 연구되고 있다. 또한 단어 임베딩 기술을 통해 단어를 표준화 하는 기술도 발전하고 있다. 그와 유사하게 적용될 수 있는 잠재성이 풍부하다는 생각이 들었다.

 

의료 데이터는 그 보안과 개인성 때문에 접근이 어렵지만, 계속해서 많은 시도와 발전이 있다는 점을 느끼게 되었다. 최신 기술들을 보수적으로 접근해야하는 분야이지만, 의료 질 개선과 복지를 위해 적용이 되어서 효과를 거두는 사례가 많이지면 좋겠다.