영상의학은 무엇을 해왔을까

오랫동안 영상의학의 역할은 명확했습니다. CT와 MRI는 질병을 찾아내는 도구였습니다.

• 종양이 있는지

• 출혈이 있는지

• 염증이나 손상이 있는지

영상은 있다와 없다를 판단하는 수단이었고, 판독의 목적은 병변을 놓치지 않는 것이었습니다. 하지만 이제 질문이 바뀌고 있습니다. “병이 있느냐?”가 아니라 “이 사람의 몸은 어떤 상태로 가고 있는가?” 입니다.

같은 CT, 완전히 다른 정보

우리가 지금까지 살펴본 것처럼, 복부 CT 한 장에는 단순한 병변 외에도 다양한 건강 정보가 이미 담겨 있습니다.

• 근육의 양은 충분한가

• 근육의 질은 유지되고 있는가

• 내장지방은 어느 정도인가

• 체중은 같아도 몸의 구성은 어떻게 달라졌는가

과거에는 이런 정보가 “대충 보이지만 판독하긴 어려운 데이터”에 가까웠습니다. 사람의 눈으로 모든 픽셀을 분석하기에는 시간과 노동이 너무 많이 들었기 때문입니다.

AI가 바꾼 영상의 역할

AI는 영상의학에서 새로운 눈을 제공합니다. 사람이 놓치기 쉬운 미세한 패턴을 픽셀 단위로 빠르게 정량화할 수 있게 되었습니다. AI 기반 영상 분석이 가져온 변화는 명확합니다. 영상이 정량적 데이터의 원천으로 바뀌고 있다는 점입니다. 이제 CT는 근육 면적, 지방의 위치, 조직의 밀도, 변화의 속도
같은 정보를 객관적인 숫자로 제공합니다. 이 변화는 영상의학을 “진단의 끝”이 아니라 건강 관리의 시작 지점으로 이동시키고 있습니다.

진단 중심 의료에서 예측 중심 의료로

이런 변화의 핵심은 사후 진단에서 사전 예측으로의 이동입니다. 증상이 생긴 뒤 병을 찾는 의료에서 변화의 신호를 미리 감지하는 의료로 근육량이 줄어들기 시작한 시점, 근육의 질이 나빠지는 초기 단계, 내장지방이 서서히 늘어나는 흐름은 모두 질병이 생기기 훨씬 이전에 나타납니다. AI 기반 영상 분석은 이 “조용한 변화”를 숫자로 드러내 개입의 시점을 앞당깁니다.

개인 맞춤 건강 관리로의 전환

앞으로의 헬스케어는 “모두에게 같은 기준”에서 벗어나 개인 맞춤 관리로 이동할 수밖에 없습니다. 같은 나이, 같은 체중, 같은 BMI 라도 근육과 지방의 구성은 전혀 다를 수 있기 때문입니다. 영상 기반 데이터는 이 차이를 가장 정확하게 보여주는 자료입니다. 운동 처방, 영양 전략, 생활습관 개선 역시 이 데이터를 바탕으로 “누구에게나 같은 조언”이 아니라 이 사람에게 맞는 방향으로 설계될 수 있습니다.

의료진에게도 필요한 변화

이 변화는 환자뿐 아니라 의료진의 역할도 바꾸고 있습니다. 영상은 더 이상 “보고 끝나는 결과물”이 아니라 환자와 대화를 시작하는 도구가 됩니다.

왜 피곤한지, 왜 운동 효과가 없는지, 왜 체중은 같은데 건강이 달라졌는지

CT 기반 분석 결과는 환자에게 매우 직관적인 설명 자료가 됩니다. 숫자와 그림은 말보다 설득력이 있습니다.

기술의 중심에는 결국 사람이 있다

중요한 점은 분명합니다. AI와 기술은 목적이 아니라 수단입니다. 영상의학의 미래는 더 많은 정보를 보여주는 데 있지 않습니다. 더 나은 결정을 돕는 데 있습니다.

불필요한 걱정을 줄이고 필요한 개입은 앞당기며 삶의 질을 지키는 방향으로

기술은 사람을 대신하는 것이 아니라 사람이 더 잘 판단하도록 돕는 역할을 해야 합니다. 지금까지 우리는 근육과 지방을 통해 몸이 보내는 신호를 읽어왔습니다.

다음이자 마지막 글에서는 이 모든 내용을 큰 흐름으로 정리하며, 근육, 지방 분석이 앞으로 우리의 건강 관리에 어떤 의미를 가지게 될지를 함께 돌아보려 합니다.

참고문헌

Hsu TH, Schawkat K, Berkowitz SJ, Wei JL, Makoyeva A, Legare K, DeCicco C, Paez SN, Wu JSH, Szolovits P, Kikinis R, Moser AJ, Goehler A. Artificial intelligence to assess body composition on routine abdominal CT scans and predict mortality in pancreatic cancer- A recipe for your local application. Eur J Radiol. 2021 Sep;142:109834.

Graffy PM, Liu J, Pickhardt PJ, Burns JE, Yao J, Summers RM. Deep learning-based muscle segmentation and quantification at abdominal CT: application to a longitudinal adult screening cohort for sarcopenia assessment. Br J Radiol. 2019 Aug;92(1100):20190327.

Johnson KB, Wei WQ, Weeraratne D, Frisse ME, Misulis K, Rhee K, Zhao J, Snowdon JL. Precision Medicine, AI, and the Future of Personalized Health Care. Clin Transl Sci. 2021 Jan;14(1):86-93.

Urooj B, Ko Y, Na S, Kim IO, Lee EH, Cho S, Jeong H, Khang S, Lee J, Kim KW Implementation of Fully Automated AI-Integrated System for Body Composition Assessment on Computed Tomography for Opportunistic Sarcopenia Screening: Multicenter Prospective Study JMIR Form Res 2025;9:e69940

Pickhardt PJ. Value-added Opportunistic CT Screening: State of the Art. Radiology. 2022 May;303(2):241-254. doi: 10.1148/radiol.211561. Epub 2022 Mar 15. Erratum in: Radiology. 2022 Jun;303(3):E41.

Pinto-Coelho L. How Artificial Intelligence Is Shaping Medical Imaging Technology: A Survey of Innovations and Applications. Bioengineering (Basel). 2023 Dec 18;10(12):1435.