병변 검출부터 판독문 생성까지: 국내 의료영상 AI는 지금 어디까지 왔나?

2026년, 판독문을 쓰는 AI가 허가를 받고 병원에 들어갔다

국내 의료영상 AI는 이제 영상에서 병변 위치를 표시하는 단계에 머물지 않는다. 2026년에는 흉부 X선을 분석해 예비 판독문을 생성하는 AI 의료기기가 식약처 허가를 받고 병원 공급 계약 단계까지 들어갔다. 한편 대학병원에서는 판독문 오류 검수, 유사 증례 검색, 멀티모달 영상 이해, CT·MRI 판독문 생성 같은 연구가 동시에 진행되고 있다. 서울대병원 LLM2CLIP4CXR처럼 유사 판독문을 검색하는 연구도 이런 변화의 한 사례다.

그래서 이 글은 병변 검출, 정량화·추적, 판독문 검수, 유사 증례 검색, 멀티모달 영상 이해, 판독문 생성이 국내에서 각각 어느 수준까지 왔는지 정리한다.

병변 검출과 정량화는 이미 제품화 단계다

병변 검출은 현재 국내 의료영상 AI에서 가장 널리 제품화된 영역이다. 루닛의 인사이트 CXR은 흉부 X선에서 이상 소견 위치와 점수를 표시하는 2등급 의료영상 검출·진단보조 소프트웨어로 허가받았고, 식약처·보건복지부 혁신의료기기 통합심사를 거쳐 비급여로 의료기관에 공급돼 왔다. 뷰노는 흉부 CT의 폐결절을 다루는 뷰노메드 LungCT AI, 안저영상 분석 등으로 품목을 넓혔다.

정량화·추적은 병변의 크기와 변화량을 재는 쪽이다. 코어라인소프트의 에이뷰는 저선량 흉부 CT에서 폐결절·폐기종·관상동맥 석회화를 정량화하고, 에이뷰 뉴로캐드는 뇌출혈을 검출한다. 제이엘케이의 JBS-01K는 뇌영상 검출·진단보조로 통합심사를 통과하고 비급여 임시수가까지 받았다. 수십·수백 장의 CT 절편에서 병변을 매번 다시 찾고 재는 반복 측정 업무를 줄이는 데 직접적인 도움이 될 수 있는 영역이다. 출처: 루닛·코어라인·딥노이드, 의료AI 韓의료현장 실사용 ‘첫발’

대학병원에서는 검수·검색·멀티모달 연구가 진행 중이다

판독문 오류 검출. 서울대병원 영상의학과, 강남세브란스, 세브란스, 삼성서울병원, 강북삼성병원, 연세대 의대가 함께 참여한 다기관 연구가 2026년 6월 JMIR Medical Informatics에 실렸다. 판독문 검수 LLM은 오류 자체가 드물어 거짓 양성이 쏟아지는 문제가 있는데, 전처리·오류 검출·거짓양성 검증을 세 단계로 나눈 구조가 양성예측도를 6.3%에서 15.9%로 올리고 사람이 확인해야 할 경고를 1,000건당 192건에서 88건으로 줄였다. 잡아낸 오류 수는 유지됐고 추론 비용은 42.6% 낮아졌다. 출처: Improving Radiology Report Error Detection Using a Multipass Large Language Model

유사 판독문 검색. 서울대병원의 LLM2CLIP4CXR은 Llama 계열 텍스트 인코더와 영상 인코더를 연결해, 새 판독문을 쓰는 대신 의미가 가까운 기존 판독문을 찾는다. 국내 대학병원이 의료영상 AI를 검색 영역까지 넓힌 사례다. 구조와 한계는 별도 글에서 다뤘다.

범용 멀티모달 모델의 영상 이해. 삼성서울병원 영상의학과 연구팀은 대한초음파의학회 퀴즈 67건으로 Claude 3.5 Sonnet·GPT-4o·Gemini 1.5 Pro를 평가했다. 영상만 입력했을 때 정확도는 각각 46.3%, 43.5%, 39.8%로 사람 기준값 55.2%에 못 미쳤고, 설명 텍스트를 함께 넣자 66.2%, 57.5%, 60.4%로 올랐다. 같은 연구팀은 2026년 1월 European Journal of Radiology에 추론 자원 사용량과 진단 정확도의 관계를 다룬 후속 연구를 냈다. LLM이 텍스트를 잘 다룬다고 의료 영상까지 잘 읽는 것은 아니며, 영상 입력 단계의 정확도 자체가 연구 대상이 되고 있다. 출처: Diagnostic performance of multimodal large language models in radiological quiz cases

신경영상에서는 격차가 더 뚜렷했다. 연세대 의대·강북삼성병원·서울아산병원 연구팀이 RadioGraphics 신경영상 문제 401건으로 GPT-4V·GPT-4o·Gemini·Claude를 평가한 결과, 상위 3개 감별진단 안에 정답이 든 비율은 모델별로 29.9~49.4%였고 신경영상 세부전공 전문의는 68.3~80.3%였다. 연구팀은 모델이 임상 정보 텍스트에 크게 기대고 병변 위치나 영상 소견 기술을 건너뛰는 경향을 함께 지적했다. 범용 VLM이 의료영상을 읽지 못한다는 결론이라기보다, 영상 입력만으로는 아직 전문의 수준에 이르지 못한다는 뜻이다. 출처: Evaluating the Accuracy and Diagnostic Reasoning of Multimodal Large Language Models in Interpreting Neuroradiology Cases

CT·MRI 판독문 생성. KAIST와 서울대병원·연세대 의대·가톨릭대 성빈센트병원·중앙대병원·충남대병원 연구진이 참여한 MS-VLM은 3D 의료영상을 영상의학과 의사처럼 절편 단위로 순차적으로 읽고 이를 하나의 볼륨 표현으로 묶는 Z-former 구조를 제안했다. 공개 흉부 CT 데이터와 충남대병원 직장 MRI 311명 자료로 판독문 생성을 평가했다. 서울대병원 모델이 기존 판독문을 검색한다면, MS-VLM은 CT·MRI를 해석해 새 판독문을 쓴다. 출처: Read Like a Radiologist: Efficient Vision-Language Model for 3D Medical Imaging Interpretation

판독문 생성도 실제 제품이 되기 시작했다

숨빗AI의 AIRead-CXR은 2026년 4월 2일 식약처 3등급 허가를 받았다. 흉부 X선을 분석해 57개 소견·질환에 대한 예비 소견서를 생성한다. 확증임상은 서울대병원과 분당서울대병원에서 흉부 X선 1,000건 이상으로 진행됐다고 회사는 밝혔다. 성능으로 자주 인용되는 수용도 85%, 환각률 0.3%는 응급실 흉부 X선을 다룬 별도 비교 연구에서 나온 값이다. 서울대병원 영상의학과와 숨빗AI가 함께 쓴 이 연구는 응급실에서 같은 날 흉부 X선과 CT를 찍은 환자 478명의 판독문을 흉부영상 전문의 3명이 출처를 가린 채 RADPEER·임상적 수용 가능성·환각·문장 명료성 네 기준으로 평가했다. AIRead의 임상적 수용 가능 비율은 84.5%(전문의 판독문 74.3%), 환각은 0.3%(전문의 0.1%)였지만, 주요 소견별 민감도는 15.5~86.7%로 폭이 컸다. 제품 개발사가 저자로 참여한 후향적 단일기관 연구라는 조건까지 함께 봐야 하고, 허가가 끝났다는 사실이 병원에서 얼마나 일상적으로 쓰이는지를 말해 주지도 않는다. 출처: 숨빗AI, 생성형 AI 흉부X선 예비소견서 생성 소프트웨어 AIRead-CXR MFDS 허가 획득, Comparative Evaluation of Generative AI Models for Chest Radiograph Report Generation in the Emergency Department

딥노이드의 M4CXR은 정상 소견과 41개 이상소견에 대한 판독 소견서 초안을 만든다. 2025년 11월 생성형 AI 기반 의료기기로는 처음 식약처 혁신의료기기(제119호)로 지정됐고, 디지털 의료기기 품목허가 이후 2026년 8월 부산대학교병원과 첫 공급 계약을 체결했다. 보건복지부 권역책임의료기관 AI 기반 진료시스템 지원사업의 일환이었다. 같은 달 745병상 규모의 포항세명기독병원과도 공급 계약을 맺었는데, 정부 사업과 무관하게 병원이 자체적으로 도입을 결정한 첫 민간 종합병원 사례다. 다만 공급 계약은 설치·시스템 연동과 일상 진료 운영이 끝났다는 뜻과는 구분해서 봐야 한다. 출처: 딥노이드, 부산대병원에 생성형 의료 AI ‘M4CXR’ 공급, 딥노이드, 포항세명기독병원에 의료 AI 솔루션 ‘M4CXR’ 공급

논문과 임상 사용은 같은 단계가 아니다

‘개발’, ‘협약’, ‘도입’, ‘임상 적용’은 서로 다른 단계를 가리킬 수 있다. 순서대로 늘어놓으면 ①논문·연구 ②후향적 검증 ③전향적 검증 ④식약처 허가 ⑤병원 공급·설치 ⑥일상 진료 운영 ⑦실제 임상 성과 축적이다. 공급 계약은 ⑤이고 일상 운영은 ⑥이다. 식약처 허가는 정해진 사용 목적 안에서 안전성과 유효성을 확인한 것이지, 임상 성과가 쌓인 ⑦을 뜻하지 않는다.

생성형 AI가 검출 AI를 대체할까

판독문을 쓰는 모델이 나왔으니 루닛·뷰노 같은 병변 검출 AI는 필요 없어지는가. 그렇게 보기는 어렵다. 검출 AI의 출력은 병변 후보, 위치, 확률처럼 구조가 정해져 있어 의료진이 원본 영상에서 바로 확인할 수 있다. 정량화 AI는 크기와 변화량이라는 숫자를 낸다. 생성형 AI는 여러 소견을 종합해 자연어 판독 초안을 쓸 수 있지만, 자유도가 높은 만큼 누락과 잘못된 생성 위험도 함께 커진다.

그래서 이 기능들은 서로를 대체하기보다 하나의 판독 과정 안에서 나뉘어 쓰일 가능성이 크다. 검출이 의심 위치를 찾고, 정량화가 변화를 재고, 검색이 참고 증례를 돌려주고, 생성이 초안을 쓰고, 검수가 모순과 누락을 잡고, 영상의학과 전문의가 확정하는 식이다. 실제 의료현장에서는 판독 시간 단축, 병변 누락 감소, 외부 병원 데이터에서의 성능, 근거 확인 가능성, 전문의 검수 편의성, PACS 연동 같은 항목이 도입 판단 기준이 될 수 있다.

결론

국내 의료영상 AI는 병변을 찾는 도구에서 판독을 보조하는 시스템으로 역할을 넓히고 있다. 다만 판독문을 생성할 수 있다는 것과 실제 임상에서 신뢰할 수 있다는 것은 다른 문제다. 연구, 허가, 병원 공급, 일상 진료 운영은 각각 다른 단계이고, 지금 국내의 생성형 사례는 대체로 허가와 공급 계약 사이에 있다. 앞으로는 검출·정량화·검색·생성 기능을 의료진의 판독 과정에 얼마나 안전하게 연결하느냐가 더 중요한 평가 기준이 될 가능성이 있다.

참고 출처

• 숨빗AI, 생성형 AI 흉부X선 예비소견서 생성 소프트웨어 AIRead-CXR MFDS 허가 획득
• 딥노이드, 부산대병원에 생성형 의료 AI ‘M4CXR’ 공급
• 딥노이드, 포항세명기독병원에 의료 AI 솔루션 ‘M4CXR’ 공급
• 딥노이드 ‘M4CXR’, 생성형 AI 의료기기 최초 식약처 혁신의료기기 지정
• 루닛·코어라인·딥노이드, 의료AI 韓의료현장 실사용 ‘첫발’
• Improving Radiology Report Error Detection Using a Multipass Large Language Model
• Diagnostic performance of multimodal large language models in radiological quiz cases
• Evaluating the Accuracy and Diagnostic Reasoning of Multimodal Large Language Models in Interpreting Neuroradiology Cases
• Relationship between resource utilization and diagnostic accuracy of large language models in radiologic image interpretation
• Comparative Evaluation of Generative AI Models for Chest Radiograph Report Generation in the Emergency Department
• Read Like a Radiologist: Efficient Vision-Language Model for 3D Medical Imaging Interpretation
• 서울대병원, LLM 기반 흉부 X선 판독 AI 개발