필라델피아 아동병원, 오픈소스 NVIDIA AI로 심장 모델을 몇 초 만에

무슨 일이 있었나: NVIDIA가 전하는 필라델피아 아동병원의 사례

2026년 9월 15일 NVIDIA는 공식 블로그에서 필라델피아 아동병원(CHOP)이 오픈소스 AI 도구로 아이들의 심장 모델을 몇 초 만에 만들고 있다고 소개했습니다. 글에 따르면 목표는 선천성 심장병을 가진 아이들에게 더 안전하고 정밀한 치료를 제공하는 것입니다. 글쓴이는 Isha Salian입니다. 이 글은 기업 블로그이므로 아래의 모든 주장은 NVIDIA와 글에 인용된 병원 연구자에게서 나온 것입니다. 자체 보고이며, 독립된 출처로 확인하지는 못했습니다.

글은 먼저 한 가지 사실에서 출발합니다. 출생아의 약 1%가 선천성 심장 결함을 갖고 태어나고, 똑같은 결함은 하나도 없다는 것입니다. 어떤 아이는 아래쪽 두 심실 사이에 구멍이 있고, 어떤 아이는 생명을 유지해 주는 단 하나의 펌프 방에서 판막이 샙니다. 이런 아이에게는 해부 구조에 꼭 맞는 치료가 필요합니다. 글에 따르면 외과의가 손에 드는 기구는 그 특정한 아이를 염두에 두고 설계된 경우가 거의 없었습니다. CHOP의 심장내과 의사이자 연구자인 Matthew Jolley 박사는 "세상에 하나뿐인 아이에게 기성품 기구를 맞추는 셈입니다"라고 말했습니다. 그는 모델링 덕분에 누군가 카테터실이나 수술실에 들어가기 전에 무엇이 맞는지 찾을 수 있다고 덧붙였습니다.

글에 나온 핵심 사실

CHOP의 심장 모델링 서비스는 NVIDIA가 공동 창립한 오픈소스 의료 영상 프레임워크 MONAI 위에 만들어졌습니다. 이 서비스는 CT, MRI, 3D 초음파처럼 진료팀이 이미 가진 영상을 받아 해부학적으로 정확한 심장 모델을 단 몇 초 만에 만들어 냅니다. 글은 숙련된 연구자가 네 시간 걸리던 작업이 이제 일상적인 임상에서 쓸 수 있을 만큼 빨라졌다고 말합니다. 글은 이 접근이 얼마나 퍼졌는지 다음 숫자로 보여 줍니다. - 미국의 20개가 넘는 아동병원이 심장 모델링 프로그램을 운영하고 있습니다.

• 보스턴 아동병원에서는 모델링이 심장 수술의 절반 이상, 연간 약 500건을 뒷받침합니다.
• CHOP는 올해 약 200건의 모델링 사례에 도달할 것으로 예상합니다.
• CHOP는 병원의 Morgan Center for Research and Innovation에 속한 IDEA Lab을 통해 같은 도구를 여러 진료 분야로 넓히려 합니다. 글은 연구에서 표준 치료까지 10년에 걸친 여정을 짚습니다. Jolley가 2015년 CHOP에 합류했을 때 3D 심초음파는 막 나오던 참이었습니다. 성인 판막용 도구는 있었지만, 작고 복잡한 소아 해부 구조를 위한 도구는 거의 없었습니다. 그의 연구실은 오픈소스 커뮤니티와 함께 SlicerHeart를 만들었습니다. 3D 의료 영상을 시각화하고 분할하고 분석하는 오픈소스 소프트웨어 3D Slicer의 확장입니다. 이후 팀은 여러 영상 방식에서 소아 심장과 판막을 모델링하는 작업 흐름을 개발했습니다. 오랫동안 모델 하나를 만들려면 숙련된 연구 보조원이 워크스테이션 앞에서 몇 시간을 보내야 했습니다. 머신러닝이 이를 바꿨습니다. 팀은 MONAI Label과 NVIDIA의 Auto3DSeg 구현을 써서, 이전의 영상과 모델 쌍으로 분할 네트워크를 훈련했습니다. NVIDIA에 따르면 결과물은 훈련된 사람이 만드는 것과 같은 품질 기준을 충족하며, 걸리는 시간은 몇 시간에서 몇 초로 줄었습니다. Jolley는 머신러닝이 이제 "일상적인 기본 도구"가 되었다고 말하며, 영상과 모델 쌍이 10~20개 쌓이면 모델을 훈련해 바로 적용하기 시작한다고 설명했습니다.

글은 활용 사례도 보여 줍니다. CHOP는 서로 다른 두 인공 판막이 환자의 심장에 어떻게 들어맞는지 비교할 수 있고, 각 판막이 심장 벽에 주는 응력이 색으로 표시됩니다. 복잡한 심실중격결손(아래쪽 두 심실 사이의 구멍)의 경우, CHOP는 이제 수술 전 모델링을 정례적으로 합니다. 초기 사례 하나가 자세히 소개됩니다. 그 아이는 이미 두 번의 수리에 실패했고, 외과의들은 전통적인 방법으로 결손 위치를 찾지 못했습니다. 3D 모델이 해부 구조를 분명하게 해 주었고, 수리는 첫 시도에 성공했습니다. Jolley는 이런 사례에서 심장 모델링이 연구에서 표준 치료로 옮겨 갔다고 말합니다.

형태에서 물리로: Newton과 NVIDIA Warp

심장을 눈으로 보는 것만이 목표는 아닙니다. Jolley의 팀은 기구를 심장 안에 넣었을 때 무슨 일이 일어날지를 시술이 시작되기 전에 예측하고 싶어 합니다. 여기서 Newton이 등장합니다. 글은 Newton을 NVIDIA Warp 파이썬 프레임워크 위에 만들어져 GPU에서 물리 시뮬레이션을 돌리는 오픈소스 물리 엔진으로 설명합니다. 원래는 시뮬레이션 기반 AI 로봇 훈련을 위해 만들어졌습니다.

CHOP는 NVIDIA 및 오픈소스 커뮤니티와 협력해 Warp로 생체역학 중심의 시뮬레이션 프레임워크를 만들고 있으며, 이를 Newton에 가져올 수 있게 하려 합니다. 이 프레임워크가 3D Slicer와 SlicerHeart에 통합되면, 특정 환자의 몸속에서 기구가 어떻게 펼쳐질지를 좌우하는 조직의 재료 특성을 의사가 이해하는 데 도움이 될 수 있습니다. 글은 GPU 가속으로 기구 시뮬레이션 시간을 최대 네 시간(여러 구성이면 밤샘 실행)에서 거의 실시간으로 줄일 수 있다고 말합니다. 그러면 의사는 서로 다른 기구가 아이의 해부 구조에 어떻게 맞는지 비교하고, 당일 결정에 반영할 만큼 빠르게 결과를 받을 수 있다는 것이 글이 그리는 모습입니다.

여기서는 표현이 중요합니다. CHOP는 심장의 구멍을 막는 폐쇄 기구에 대해 Warp와 Newton 기반 기능을 구현하기 "시작했고", 카테터로 삽입하는 판막에도 비슷한 방법을 쓰기를 "바랍니다". SlicerHeart와의 연결은 "진행 중"이며, 실시간 시뮬레이션을 임상 작업 흐름에 넣는 것은 장기 목표로 서술됩니다. 또 SlicerHeart와 OpenUSD로 구동되는 NVIDIA Omniverse 디지털 트윈을 잇는 커플러도 "개발 중"입니다. 글은 이런 시뮬레이션이 가상현실 환경으로 이어지고, 내장된 비전 언어 모델을 활용해 의사가 행동하기 전에 시뮬레이션 속에서 아이의 심장 해부 구조에 질의하고 상호작용할 수 있게 된다고 말합니다.

글이 오픈소스를 강조하는 이유

글은 이 분야에 오픈소스가 맞는 이유를 경제적으로 설명합니다. 미국에는 약 240만 명이 선천성 심장병을 안고 살아갑니다. 글에 따르면 이 집단은 규모가 작고 사례가 너무 다양해서, 가족들이 필요로 하는 규모의 기기 회사 투자를 끌어내지 못했습니다. Jolley 팀이 필요로 하는 도구를 만든 회사는 하나도 없습니다. SlicerHeart의 도구는 무료로 쓰고 그 위에 개발할 수 있습니다. 스탠퍼드와 보스턴 아동병원의 연구자들이 CHOP와 함께 도구를 보태고 있고, 아동병원들의 전국 컨소시엄이 차세대 공유 모델링 기반을 만들기 위해 꾸려지고 있습니다.

Jolley는 이 집단이 일반적인 상업 개발을 지탱하기에는 너무 작지만 문제가 매우 중요해서 연구 커뮤니티와 자선 활동이 나서고 있다고 말합니다. 그의 표현으로 오픈소스는 장벽 없는 협력과 진전을 가능하게 함으로써 작고 이질적인 집단에 대해 "전통적인 경제학을 거스릅니다".

글은 마지막으로 NVIDIA 자신의 역할을 언급합니다. 의료 영상 AI용 MONAI, 물리 시뮬레이션용 Newton, 3D 상호운용성을 위한 OpenUSD 같은 개방형 플랫폼에 대한 NVIDIA의 투자가 Jolley 같은 팀에게 산업 규모로 유지되는 인프라를 쓸 수 있게 해 준다는 것입니다. 아동병원의 연구실은 원래 기업 규모의 엔지니어링 팀이 필요했을 도구를 곧바로 활용할 수 있게 됩니다.

우리의 분석: 이 이야기가 보여 주는 것과 보여 주지 않는 것

우리가 보기에 이 이야기에서 가장 탄탄한 부분은 AI 자체가 아니라 작업 흐름의 변화입니다. 분할, 곧 스캔 영상에서 심장 구조의 윤곽을 그리는 일은 사람이 손으로 하면 오래 걸립니다. 글이 묘사하는 것은 소수의 완성된 영상과 모델 쌍으로 네트워크를 훈련하고, 이후 반복적인 윤곽 작업을 네트워크가 맡는 순환입니다. 머신러닝을 소박하고 믿을 만하게 쓰는 방식입니다. 병목을 없애면서 임상 판단은 사람에게 남겨 둡니다.

두 번째 층인 기구의 물리 시뮬레이션은 성격이 다릅니다. 글은 이 부분을 미래형으로 씁니다. "도움이 될 수 있다", "바란다", "개발 중", "장기 목표" 같은 표현입니다. 거의 실시간의 시뮬레이션은 글 스스로 아직 진행 중이라고 밝힌 통합 작업에 달려 있는 목표입니다. 독자는 이 두 층을 나누어 봐야 합니다. 영상 기반 모델링은 CHOP에서 일상적인 것으로 서술되고, Warp와 Newton 기반 기구 시뮬레이션은 초기 단계로 서술됩니다.

오픈소스 논거도 따져 볼 만합니다. 경제적 논리는 일관됩니다. 드물고 다양한 환자 집단은 보통의 제품 시장을 지탱하지 못하고, 공유 도구는 비용을 나눕니다. 동시에 이 글은 GPU와 플랫폼을 파는 회사가 냈고, 그 회사의 개방형 프로젝트를 핵심 기반으로 내세웁니다. 주장이 거짓이라는 뜻은 아니지만, 서술이 NVIDIA 제품에 유리하게 짜여 있다는 뜻은 됩니다.

출처의 한계와 남은 질문

• 글은 자체 보고입니다. 정확도 수치도 오류율도 없고, 모델 출력과 전문가의 윤곽을 비교한 내용도 없습니다. 출력이 "훈련된 사람이 만드는 것과 같은 품질 기준을 충족한다"는 진술을 뒷받침하는 데이터는 글에 없습니다.
• 유일한 수술 사례, 곧 두 번의 실패 뒤에 성공한 수리는 하나의 예일 뿐입니다. 있을 수 있는 이점은 보여 주지만, 그 이점이 얼마나 자주 나타나는지는 보여 주지 않습니다.
• 모델링을 한 수술과 하지 않은 수술 사이의 합병증 비율이나 입원 기간 같은 결과 데이터는 제시되지 않았습니다.
• 서로 다른 "네 시간"이 두 번 나옵니다. 하나는 숙련된 연구자가 모델을 만드는 시간이고, 다른 하나는 기구 시뮬레이션 시간입니다. 서로 다른 단계를 가리킵니다.
• 글은 규제 심사, 검증 연구, 임상시험에 대해 아무 말도 하지 않습니다. 시뮬레이션 도구가 더 넓게 임상에서 쓰이기 전에 그런 심사가 필요한지는 출처가 답하지 않은 열린 질문입니다.
• 아동병원 컨소시엄이 어떻게 자금을 마련하고 어떻게 운영될지도 글에 나와 있지 않습니다.

독자를 위한 실용적 시사점

임상의와 병원 혁신팀에게 유용한 것은 그 패턴입니다. 이미 가진 영상에서 시작하고, 영상과 모델 쌍의 작은 묶음을 만들고, 분할 모델을 훈련해 씁니다. 영상 단계가 신뢰를 얻은 뒤에 시뮬레이션으로 넘어갑니다. 개발자에게는 글이 구체적으로 언급한 오픈소스 프로젝트가 읽을 만합니다. MONAI, MONAI Label, Auto3DSeg, 3D Slicer, SlicerHeart, NVIDIA Warp, Newton, OpenUSD입니다. 정책을 지켜보는 사람에게는 희귀 질환 도구를 누가 만들고, 누가 비용을 대고, 누가 검증하는가라는 타당한 질문이 남습니다. 동료 평가를 거친 결과나 독립된 결과가 나오기 전까지는 이 숫자들을 NVIDIA와 CHOP 자신의 주장으로 다루십시오.