의과대학생이 AI에 대해서 알아야 하는 것은 무엇인가? (J Educ Eval Health Prof. 2019)

의과대학생이 AI에 대해서 알아야 하는 것은 무엇인가? (J Educ Eval Health Prof. 2019)
What should medical students know about artificial intelligence in medicine?
Seong Ho Park1*, Kyung-Hyun Do1, Sungwon Kim2, Joo Hyun Park3, Young-Suk Lim4

서론
Introduction

의학에 인공지능(AI)을 사용하는 것은 최근 빅 데이터에 대해 훈련된 인공 신경망의 여러 레이어를 포함하는 머신 러닝 기술, 즉 딥 러닝[1,2]의 발전으로 인해 많은 관심을 끌고 있다. AI는 의료의 다양한 분야에 상당한 영향을 미칠 것으로 예상되며 의료의 많은 측면을 개선할 수 있는 잠재력을 가지고 있다[1]. 부정적인 면에서도, AI는 많은 과대 광고를 만들어냈다. 현대 AI 소프트웨어 프로그램이 환자의 의료 정보를 얼마나 빠르고 정확하게 분석하고 인간 전문가보다 더 정확하게 진단을 자동으로 제시할 수 있는지에 대한 이야기를 인터넷에서 찾는 것은 어렵지 않다. 그러나 이러한 이야기들은 대부분 상당히 과장되어 있거나 기껏해야 피상적으로만 그 문제를 설명한다. 실제로 현재 의료 현장에서 사용되는 AI 기술은 거의 없다.
The use of artificial intelligence (AI) for medicine has recently drawn much attention due to the advances in machine learning techniques involving multiple layers of artificial neural networks trained on big data, i.e., deep learning [1,2]. AI is expected to affect various fields of medicine substantially and has the potential to improve many aspects of healthcare [1]. On the downside, AI has been creating much hype, too. It is not difficult to find on the Internet stories about how fast and accurately modern AI software programs can analyze the patient’s medical information and automatically present diagnoses, even more precisely than human experts, with a nuance that AI will soon dominate the medical practice. However, these stories are mostly quite exaggerated or, at best, explain the matter only superficially. In reality, few AI techniques are currently used in medical practice.

그럼에도 불구하고 현재의 의대생들이 학업과 훈련을 마치고 의료 전문가로서의 경력을 시작하는 시점에 다양한 AI 소프트웨어 도구가 임상 실습에 활용될 것으로 보인다. 환자에게 AI 기술을 적용함에 있어 의료인은 뒷자리에 있는 사람이 아니라 운전석에 앉아야 한다. 그들은 환자와 대중이 의학에 AI를 적용하는 것에 대해 가질 수 있는 불안, 혼란, 의문을 해결할 수 있어야 한다. 의료 전문가들도 AI가 환자 치료에 유익한 기술이 되도록 할 책임이 있다. 이것들은 AI에 대한 건전한 지식과 경험의 습득을 의대생들에게 매우 중요한 과제로 만든다. 이 글의 목적은 의학적인 관점에서 AI의 현황을 간결하게 요약하고 의대생들이 의학에서 AI 시대를 대비하기 위해 해야 할 일을 제안하는 것이다.
Nevertheless, at the time when the current medical students will commence their career as medical professionals after completion of studies and training, various AI software tools will likely be used in clinical practice. In applying AI technology to patients, medical professionals are not ones who are in the backseat but should be in the driver’s seat. They should be able to resolve any anxiety, confusion, and questions that patients and the public may have about applying AI to medicine. Medical professionals are also responsible for ensuring that AI becomes a technology beneficial for patient care. These make the acquisition of sound knowledge and experience about AI a task of high importance for medical students. The purpose of this article is to provide a succinct summary of the current state of AI from a medical viewpoint and suggest what medical students should do to prepare for the era of AI in medicine.

인공지능 관련 용어
Artificial intelligence-related terms

AI는 컴퓨터가 인간의 인지 능력이 필요한 작업을 수행할 수 있도록 하는 알고리즘을 일컫는 광범위한 용어다. 최근 딥러닝 기술의 발달로 '딥러닝'과 'AI'라는 용어가 동의어로 사용되는 경우가 늘고 있다. 일반적인 AI 관련 용어의 계층은 그림 1[3]에 시각적으로 요약되어 있다.
AI is a broad term that refers to algorithms that allow computers to perform tasks requiring human cognitive abilities. With the recent development of deep learning technology, the terms ‘deep learning’ and ‘AI’ are increasingly often used as synonyms. The hierarchy of common AI-related terms are visually summarized in Fig. 1 [3].

과대광고 대 현실
Hype versus reality

바둑 챔피언 세돌 이세돌은 2016년 초 딥 러닝 기술을 이용해 개발한 구글의 알파고에 패배한 이후, AI는 예측 가능한 미래에 많은 의사들을 대체할 기술로 종종 언급되어 왔다. 그러나 3년이 지난 지금 아이러니하게도 의료용 AI 소프트웨어 도구를 개발하는 많은 기업들이 폐쇄 위기에 직면해 있다는 우려가 존재한다. 즉, 지금까지 개발된 의료 애플리케이션용 AI 소프트웨어 도구가 실제 임상 실습에서 소비되지 않고 있다. 왜요?
Since the Go champion Sedol Lee was defeated in early 2016 by Google’s AlphaGo developed using deep learning technologies, AI has often been referred to by lay media and some people as a technology that would replace many physicians in the foreseeable future. However, 3 years later, now ironically, worries exist that many companies developing AI software tools for medical use are facing the risk of shutting down. In other words, AI software tools for medical applications that have been developed so far are not being consumed in real-world clinical practice. Why?

[의료 실무에서 AI 기술을 채택하는 가장 중요한 기준]은 이 기술이 환자에게 더 나은 품질의 치료를 제공하고 환자의 의료 결과를 개선하는 데 도움이 되어야 한다는 것이다. 즉, 환자에게 품질과 가치를 창출하는 것이다. 이 요구 사항을 충족하지 않음으로써 발생하는 한 가지 주목할 만한 실패 사례는 IBM의 Watson for Oncology입니다. 암 진단에 도움이 되는 정보를 제공하기 위해 설계된 이 AI 소프트웨어는 IBM이 2013년에 출시하였으며, 2016년과 2017년에 국내 8개 병원(2018년 이후 없음)에서 도입하였습니다[4]. 그러나, 대중에게 노출된 것과 달리, Watson for Oncology에 의해 제공된 진단 제안은 기대만큼 정확하지 않았습니다. 그 결과, 승리의 초기 분위기는 곧 장점과 단점에 대한 냉정한 평가로 대체되었습니다 [5,6]. 실제로 미국 최고의 암 병원 중 하나인 MD Anderson Cancer Center는 2017년 초에 Watson for Oncology를 도입하려고 시도했지만 6,200만 달러를 지출한 후 문제를 발견하고 프로젝트를 중단했습니다[7]. 또한 IBM은 2018년 상반기에 해당 사업부 직원의 약 70%를 해고했습니다[8]. 약물과 다른 의료기기가 환자에게 사용하기 전에 안전성과 효능에 대한 엄격한 검증을 통과해야 하는 것처럼, 임상 채택 전에 철저한 임상 검증은 AI 기술에 있어서도 중요하다. 우발적 피해 없이, 얼마나 정확하고 환자 치료로 얼마나 큰 이익을 제공할 수 있는지에 관해서도 중요하다.[9-13].
The most important criterion for adopting AI technology in medical practice is that the technology should help provide better quality care for patients and improve healthcare outcomes of the patients, that is, create quality and value for patients. One notable example of failure by not fulfilling this requirement is IBM’s Watson for Oncology. This AI software designed to provide information to assist cancer diagnosis was released in 2013 by IBM and was introduced by 8 hospitals in Korea (Republic of) in 2016 and 2017 (none since 2018) [4]. However, unlike what has been exposed to the public, diagnostic suggestions provided by Watson for Oncology were not as accurate as expected. As a result, the initial atmosphere of triumph was soon superseded by a sober evaluation of advantages and drawbacks [5,6]. In fact, the MD Anderson Cancer Center, one of the best cancer hospitals in the United States, attempted to introduce Watson for Oncology early in 2017, but found problems and stopped the project after having spent $62 million [7]. Also, IBM laid off approximately up to 70% of staff in the corresponding business division in the first half of 2018 [8]. Just as drugs and any other medical devices are required to pass a strict validation of safety and efficacy before they can be used for patients, thorough clinical validation before clinical adoption is critical for AI technology, too, regarding how accurate it is and how large of a benefit with patient care it can provide without creating any inadvertent harms [9-13].

AI 알고리듬의 정확도를 평가할 때 고려해야 할 핵심 사항 중 하나는 외부 검증, 즉 교육 데이터 세트로부터 독립적으로 수집된 데이터 세트를 사용하여 알고리듬 정확도를 테스트하는 것이다[11,14-17]. 이는 AI 알고리즘의 데이터 의존도가 높기 때문이다. [AI 알고리즘을 훈련]하는 과정은 인간 학습과는 다른데, 전자는 개념과 원칙을 이해하지 않고 주어진 데이터에서 패턴을 찾는 것을 기반으로 하기 때문이다[18]. 컴퓨터에 많은 양의 데이터가 입력되면 AI를 제공하기 위해 데이터와 답을 연관시키는 수학적 공식(즉, 패턴의 수학적 표현)을 생성한다. 딥 러닝 등 현대 AI 기술은 패턴을 찾는 데 있어 기존 기술에 비해 정확도가 높은 것으로 알려졌다. 그러나, 그들은 훈련 데이터에 대한 강한 의존성을 가지고 있다. 일반적으로 훈련에 사용된 데이터 내에서 높은 정확도가 보장되지만, 훈련에 사용되지 않은 데이터의 정확도는 낮을 수 있다. 
One of the key points to consider when evaluating the accuracy of an AI algorithm is external validation, i.e., testing the algorithm accuracy using datasets collected independently from the training dataset [11,14-17]. This is due to strong data dependency of AI algorithms. The process of training AI algorithms is different from that of human learning, as the latter is based on understanding concepts and principles, while the former is based on the search for patterns in given data without an understanding of concepts and principles [18]. When a large amount of data is input to a computer, it creates mathematical formulae (i.e., a mathematical representation of the patterns) that associate the data to answers to afford AI. Modern AI technologies such as deep learning are known to have high accuracy compared to past technologies in finding the patterns. However, they have a strong dependency on training data. While high accuracy is generally guaranteed within the data used for training, the accuracy for data that were not used for training can be low.

AI 알고리듬의 정확성은 학습된 데이터 세트에 내재된 정보를 넘어서는 안 되며 학습 데이터의 편향과 오류를 피할 수 없다. AI의 이러한 강력한 데이터 의존성은 의료 분야에서 특히 우려된다[19]. 의료 애플리케이션을 위한 AI 알고리듬을 훈련하는 데 사용되는 데이터 세트는 다양한 선택 편향을 일으키기 쉽고 여러 가지 이유로 실제 임상 실습에서 대상 모집단을 적절하게 나타내지 못할 수 있다[19]. 또한 실제 임상 실습에서 예상치 못한 상황이 발생할 수 있으며, 그 빈도는 아니다[19]. 따라서, AI 소프트웨어가 다른 병원의 데이터와 환자 또는 다른 영상 시스템 또는 방법에서 획득한 데이터에 적용될 경우 AI 알고리즘의 정확도가 떨어질 수 있는 진정한 위험이 있다[13,20-23]. 마찬가지로, AI 알고리듬이 그러한 임상 환경에서 직접 검증될 때까지 다양한 실제 실행 환경에서 얼마나 정확하게 수행될지는 불확실하다.

The accuracy of AI algorithms cannot go beyond the information inherent to the datasets on which they are trained and cannot avoid the biases and errors in the training data. This strong data dependency of AI poses a particular concern in the medical field [19]. The datasets used to train AI algorithms for medical applications are prone to various selection biases and may not adequately represent target populations in real-world clinical practice for many reasons [19]. Also, unexpected situations can occur in real-world clinical practice at any time, not infrequently [19]. As a result, there is a genuine risk that the accuracy of an AI algorithm may drop if the AI software is applied to the data and patients of another hospital or data acquired from other imaging systems or methods [13,20-23]. Likewise, it is uncertain how accurately an AI algorithm would perform in various real-world practice settings until it is validated directly in such clinical environments.

AI 알고리즘의 임상 정확도에 대한 적절한 검증을 위해, 테스트 데이터는 다음과 같은 특징을 가져야 한다[11,16,17]. 

• (1) AI 소프트웨어가 적용될 특정 적응증(즉, 잘 정의된 임상 시나리오의 대상 환자 그룹)에서 편향을 피하여 수집된 데이터 
  
• (2) AI 교육을 위한 데이터를 수집한 기관 이외의 병원으로부터의 데이터, 그리고 
  
• (3) 여러 기관에서 수집한 데이터 또한, 가능한 경우 항상 예상 수집 데이터를 사용해야 한다[11,14,16,17].

그러나 지금까지 개발된 의료용 AI 소프트웨어 애플리케이션은 대부분 이러한 방식으로 검증되지 않았으며 [24], '디지털 예외주의'라고 하는 현상인 AI 알고리즘에 대한 적절한 임상 검증의 부족은 상당한 우려를 낳고 있다[25,26].

For proper validation of the clinical accuracy of AI algorithms, the test data should have the following features [11,16,17]:

• (1) data collected avoiding biases from specific indications (i.e., target patient groups in well-defined clinical scenarios) to which the AI software will be applied;
• (2) data from hospitals other than the institution in which the data for AI training were collected, and
• (3) data collected from multiple institutions.

Also, whenever possible, prospectively collected data should be used [11,14,16,17]. However, most AI software applications for medical use developed until now have not been validated in this way [24], and the lack of appropriate clinical validation for AI algorithms, a phenomenon referred to as ‘digital exceptionalism,’ raises a significant concern [25,26].

[의료에 AI 기술을 채택하는 두 번째 기준]은 [환자에게 직접 도움이 되지 않더라도, 의료 제공자나 병원 행정을 지원해야 한다]는 것이다. 이 점을 잘 다루는 한 가지 성공적인 예는 피츠버그 대학 의료 센터(UPMC)에서 개발 및 도입한 AI 소프트웨어입니다 [27]. 이 소프트웨어는 입원환자의 데이터를 분석해 퇴원 후 7일과 30일 이내에 재입원할 확률을 추정한다. 미국의 경우 퇴원 후 단기간 내에 환자가 재입원하면 보험사로부터 보상금을 받지 못할 수 있고, 조기 재입원은 보험사와 계약을 맺을 때 결국 병원에 불이익으로 작용할 수 있다. 따라서 병원은 조기 재입원 비율을 줄이는 것이 중요하다. UPMC는 현재 엔터프라이즈 분석에 1억 달러를 투자하여 이익을 얻고 있는 것으로 보고되었습니다 [27].
The second criterion for adopting AI technology in medicine is that it should support healthcare providers or hospital administration if not directly helps patients. One successful example well addressing this point is an AI software developed and introduced by the University of Pittsburgh Medical Center (UPMC) [27]. This software analyzes data of hospitalized patients and estimates the probability of re-hospitalization within seven and 30 days after discharge. In the United States, the hospital may not receive reimbursement from insurers if a patient is re-hospitalized within a short period after discharge, and the early re-hospitalizations may ultimately work as a disadvantage to the hospital when it makes a contract with insurers. Therefore, it is crucial for hospitals to reduce the rate of early re-hospitalizations. UPMC is now reported to be reaping the benefits of its investment of $100 million in the enterprise analytics [27].

인공지능이 의학을 위해 무엇을 할 수 있을까?
What can artificial intelligence do for medicine?

적절하게 설계되고 사용될 경우 AI 기술은 현재의 의료 관행에서 많은 약점을 강화할 수 있다[1].

• 단순 반복 작업이 필요한 시간이 많이 걸리는 프로세스를 AI가 처리하면 의료 제공자의 피로가 상당히 줄어들 수 있으며, 의사는 환자를 대면하고 보다 복잡한 의료 작업에 집중하는 데 더 많은 시간을 할애할 수 있다[1].
• AI 기술은 또한 임상 실습에서 의도하지 않은 오류의 수를 줄일 수 있고 의료 전문가들 간의 판단 차이를 줄일 수 있다.
• 인간이 할 수 없는 AI 시스템으로 24시간 환자 상태를 모니터링할 수 있다면 환자를 보다 안전하게 관리할 수 있을 것이다.
• 또한 임상 practice 빅데이터 분석을 통해 AI가 발견한 새로운 패턴은 진단 및 치료를 위한 새로운 바이오마커의 개발로 이어질 수 있다.

If properly designed and used, AI technology could reinforce many weaknesses in current medical practice [1].

• If time-consuming processes that require simple repetitive work are taken care of by AI, it would substantially reduce the fatigue of healthcare providers, and physicians could spend more time in facing with patients and concentrating on more complicated medical tasks [1].
• AI technology may also reduce the number of inadvertent errors in clinical practice and may decrease differences in judgments among medical professionals.
• If patient conditions can be monitored 24 hours a day by AI systems, which would practically be impossible for humans to do, the patients may be managed more safely.
• Furthermore, new patterns discovered by AI through the analysis of big data from clinical practice may lead to the development of new biomarkers for diagnosis and treatment.

환자뿐만 아니라, [의학을 이해하는 의료 전문가에 의한 인풋]은 이러한 기대를 실현하는 데 매우 중요하다. 현재까지 개발된 많은 의료 AI 소프트웨어 애플리케이션은 주로 실제 임상 세계에서 의사가 파악한 실제 요구를 해결하기보다는(즉, 실제 실무에서 문제 또는 관련 사용 사례에 대한 정의 먼저, 니즈를 해결하기 위한 데이터 수집이 뒤따름), 이미 사용 가능한 대용량 데이터를 활용하기 위해 만들어졌다. 지금까지 개발된 AI 소프트웨어 애플리케이션이 임상 실무에서 거의 활용되지 않는 또 다른 이유이자 현장에서 실제로 환자를 돌보는 의료진의 입력이 중요하다는 점을 부각시킨다.

Inputs by medical professionals who understand medicine, specific details of clinical practice, as well as patients, are critical for realizing these expectations. Many medical AI software applications developed to date were created mainly to make use of large data that happen to have already been available rather than addressing the actual needs identified by practitioners in real clinical world (i.e., definition of problems or pertinent use cases in real-world practice first, followed by data collection to address the needs). It is another reason why AI software applications developed so far are rarely used in clinical practice and highlights the importance of input by medical professionals who actually take care of patients on the spot.

 

인공지능의 영향을 가장 많이 받는 의료 분야는 어디인가?
Which medical sector will be most affected by artificial intelligence?

불과 몇 년 전만 해도 AI가 방사선과나 병리과 전문의들을 곧 대체할 수 있을 것이라는 소문이 돌았다. 그러나 AI에 대한 이해가 증가함에 따라, 우리는 이제 이러한 조기 "예측"이 당시 의학에서의 기술과 그것의 적용에 대한 매우 얕은 이해만을 드러내고 있다는 것을 알고 있다. 그렇다면 우리는 AI가 의사를 대체하는 것에 대해 걱정할 필요가 없는가? 의료용 AI 도구는 대부분 의사 및 의료 시스템의 가상 비서 역할을 하여 보다 정확하고 효율적인 환자 진료를 제공할 수 있도록 돕는 경우가 많은데, 대표적인 예가 방사선과 및 병리학 분야에서 개발되고 있는 많은 AI 도구이다. 반면에, 일반적인 만성 질환이나 1차 건강 관리를 관리하는 환경에서, AI는 환자와 일반인을 위한 가상 비서로 설계되고 사용될 수 있다[1].

It was spoken merely a few years ago that AI might soon replace specialists in radiology or pathology departments. However, with increasing understanding of AI, we now know that these premature “predictions” are only revealing a very shallow understanding of the technology and its application in medicine at the time. Do we not have to worry about AI replacing physicians then? In many cases, AI tools for medicine mostly play the role of a virtual assistant for physicians and healthcare systems, helping them to provide more accurate and efficient patient care, of which typical examples are many AI tools that have been being developed in the fields of radiology and pathology. On the other hand, in the setting of managing common chronic illnesses or primary healthcare, AI could be designed and used as a virtual assistant for patients and the public [1]. 

예를 들어, 사소한 건강 문제와 관련된 상담이나 검사를 위해 의사를 방문할지 말지 고민하는 환자나 만성 약물 처방전을 재발급받기를 원하는 환자는 병원 방문을 줄일 수 있도록 AI가 이러한 기능 중 일부를 수행하게 하고 싶을 수 있다. 유사한 시나리오가 응급실 방문에도 적용될 수 있다. 예를 들어 밤에 피부 발진과 열이 있는 아이의 경우 스마트폰으로 촬영한 피부 사진을 이용해 AI 시스템 '아이가 즉시 응급실을 방문해야 하는지, 다음날 소아과를 방문해야 하는지'를 알려줄 수 있다면, 밤에 응급실을 방문하는 아이들의 수는 줄어들지도 모른다. 이러한 시나리오에서 AI 알고리즘은 환자에게 직접 정보를 제공하고 환자가 자신의 의료 서비스를 직접 이용할 수 있도록 한다. 이러한 종류의 AI 알고리즘을 개발하기 위한 작업은 임상의와 의료 시스템을 위한 AI에 뒤처져 왔다[1]. 그러나 일반적인 만성 질환과 가벼운 건강 문제에 대해 환자와 대중을 직접 지도하는 AI 도구는 의료 분야에서 AI와 관련하여 곧 주요 논의 주제가 될 것이다. AI 시대의 의료 전문가들은 임상적으로 도구를 검증하고, 그에 대한 신뢰할 수 있는 정보를 제공하며, 환자에게 가장 좋은 이익을 위해 채택에 대한 올바른 결정을 내리는 데 중요한 책임을 지고 있다.
For example, patients pondering about whether or not to visit physicians for counseling or examination related to their minor health issues or patients wanting their prescription for chronic medication reissued might want to have AI do some of these functions so that they could save hospital visits. A similar scenario may also apply to emergency room visits. For example, if an AI system can make a suggestion using skin photographs taken with a smartphone in a child who has skin rash and fever at night regarding whether the child should visit the emergency room immediately or visit a pediatrician’s office the following day, the number of children visiting the emergency room during the night might decrease. In these scenarios, AI algorithms provide information directly to the patients and enable them to take their healthcare into their own hands. The work for developing AI algorithms of this kind has lagged behind AI for clinicians and healthcare systems [1]. However, AI tools for directly coaching patients and the public about common chronic conditions and mild health issues will likely soon become a major topic for discussion regarding AI in medicine given the large volume that these take in healthcare. Medical professionals in the AI era have an important responsibility in clinically validating the tools, providing trustworthy information about them, and making the right decisions about their adoption in the best interest of the patients.

 

의대생들은 인공지능에 대비하기 위해 무엇을 해야 할까?
What should medical students do to prepare themselves for artificial intelligence?

의대생들은 AI 기술을 적용할 때 자신의 환자를 가장 책임지는 역할을 하는 데 필요한 적절한 지식과 경험을 습득해야 한다. 

• 인공지능을 준비하는 것은 컴퓨터 프로그래밍과 같은 정보 기술을 배우는 것만을 의미하는 것이 아니다. 
• 기본 및 임상 의학(의료 실무의 기본을 구성하고 AI를 의학에 사용하는 방법을 이해하는 열쇠), 데이터 과학, 생물 통계 및 증거 기반 의학에 대한 충분한 지식을 습득해야 한다. 
• 의대생으로서도 언론과 인터넷에서 의학 분야 AI 관련 이야기를 수동적으로만 받아들여서는 안 된다. 
• 의대생은 정확한 정보와 과대광고[28]를 구별하는 능력을 개발해야 하며, 환자와 대중을 위해 철저히 검증되고 신뢰할 수 있는 정보를 만드는 능력도 개발해야 한다. 

의과대학의 커리큘럼은 교육적 요구를 충분히 수용하기 위해 아직 발전하지 않았을 것이지만, 울산대학교와 연세대학교와 같은 한국의 일부 의과대학들은 최근 학생들에게 AI 전용 선택과목을 제공하기 시작했다.
Medical students should acquire the appropriate knowledge and experience required for them to act as ones who take the ultimate responsibility for their patients when applying the AI technology to them.

• Preparing for AI does not merely mean learning information technology such as computer programming.
• One should acquire sufficient knowledge of basic and clinical medicines (which constitute the fundamentals of medical practice and are keys to understanding how to use AI for medicine), data science, biostatistics, and evidence-based medicine.
• Even as a medical student, one should not passively accept stories related to AI in medicine in the media and on the Internet.
• Medical students should try to develop abilities to distinguish correct information from hype and spin [28] and even capabilities to create thoroughly validated, trustworthy information for patients and the public.

While the curricula at medical schools would have yet to evolve to accommodate the educational needs sufficiently, some medical colleges in Korea (Republic of) such as University of Ulsan and Yonsei University have recently started providing AI-dedicated elective courses to the students.

결론
Conclusion

AI는 다양한 의료 분야에 상당한 영향을 미칠 것으로 예상되며, 적절하게 설계되고 사용될 경우 현재의 의료 관행에서 많은 약점을 강화하고 의료의 많은 측면을 개선할 수 있는 잠재력을 가지고 있다. 의료 전문가들은 AI가 환자 치료에 유익한 기술이 되도록 보장할 책임이 있다. 의대생들은 AI에 대한 정확한 정보와 과대광고 및 스핀을 구별하는 능력을 개발하고, 환자와 대중이 의학에서 AI 시대에 대비할 수 있도록 철저히 검증되고 신뢰할 수 있는 정보를 만드는 능력까지 개발해야 한다.

AI is expected to affect various fields of medicine substantially and, if properly designed and used, has the potential to reinforce many weaknesses in current medical practice and improve many aspects of healthcare. Healthcare professionals are responsible for ensuring that AI becomes a technology beneficial for patient care. Medical students should develop abilities to distinguish correct information about AI from hype and spin and even capabilities to create thoroughly validated, trustworthy information for patients and the public to prepare for the era of AI in medicine.

 

---

J Educ Eval Health Prof. 2019;16:18. doi: 10.3352/jeehp.2019.16.18. Epub 2019 Jul 3.

What should medical students know about artificial intelligence in medicine?

Seong Ho Park 1, Kyung-Hyun Do 1, Sungwon Kim 2, Joo Hyun Park 3, Young-Suk Lim 4

Affiliations collapse

Affiliations

1Department of Radiology and Research Institute of Radiology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.

2Department of Radiology, Research Institute of Radiological Science and Center for Clinical Image Data Science, Severance Hospital, Yonsei University College of Medicine, Seoul, Korea.

3Department of Medical Education, University of Ulsan College of Medicine, Seoul, Korea.

4Department of Gastroenterology, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.

PMID: 31319450

PMCID: PMC6639123

DOI: 10.3352/jeehp.2019.16.18

Free PMC article

Abstract

Artificial intelligence (AI) is expected to affect various fields of medicine substantially and has the potential to improve many aspects of healthcare. However, AI has been creating much hype, too. In applying AI technology to patients, medical professionals should be able to resolve any anxiety, confusion, and questions that patients and the public may have. Also, they are responsible for ensuring that AI becomes a technology beneficial for patient care. These make the acquisition of sound knowledge and experience about AI a task of high importance for medical students. Preparing for AI does not merely mean learning information technology such as computer programming. One should acquire sufficient knowledge of basic and clinical medicines, data science, biostatistics, and evidence-based medicine. As a medical student, one should not passively accept stories related to AI in medicine in the media and on the Internet. Medical students should try to develop abilities to distinguish correct information from hype and spin and even capabilities to create thoroughly validated, trustworthy information for patients and the public.

Keywords: Artificial intelligence; Deep learning; Machine learning; Medical students.