스캔에서 치료 계획까지: NVIDIA Inception 스타트업이 AI로 유방암 진료의 핵심 격차를 메우다

2026년 10월 5일 NVIDIA는 공식 블로그에서 스타트업 지원 프로그램 NVIDIA Inception에 속한 세 회사가 유방암 진료의 각 단계에 AI를 어떻게 적용하는지 소개했습니다. 대상은 영상 촬영, 위험도 평가, 치료 결정입니다. 글의 출발점은 단순한 격차입니다. 유방암은 미국 여성에게 가장 흔히 진단되는 암이지만, 40세 이상 여성의 과반이 권장되는 연 1회 검진을 건너뜁니다. 영상의학과 의사는 더 적은 동료와 더 많은 유방촬영술을 판독합니다. 진단 이후에도 치료를 정하는 검사 결과가 나오기까지 몇 주가 걸리기도 합니다. 먼저 규모입니다. 미국에서는 매년 약 4000만 건의 유방촬영술이 시행되며, 글은 앞으로 10년간 수만 명 규모의 영상의학과 의사가 부족할 것으로 전망된다고 밝힙니다. 수요는 꾸준한데 판독 인력은 줄어들어 판독 용량이 병목이 됩니다. 진료 시간선의 반대편에서는 치료 결정이 외부 검사실로 보내는 유전체 검사에 좌우되는 경우가 많고, 결과에 몇 주가 걸립니다. 속도와 확실성이 가장 중요한 시점입니다. 세 회사는 이 흐름의 앞, 중간, 뒤를 각각 맡고 있으며, 모두 NVIDIA의 AI 인프라로 가속됩니다. 첫 번째 회사 iSono Health는 영상 획득 자체를 다룹니다. FDA 허가를 받은 ATUSA는 착용형 자동 3D 정량 초음파 시스템입니다. 표준화된 유방 볼륨을 한쪽당 약 2분에 획득하며, 기존 수동 초음파는 최대 45분이 걸립니다. AI는 수천 건의 전체 유방 스캔, 150만 장이 넘는 초음파 프레임으로 학습했고 영상 획득을 자동화합니다. NVIDIA GPU 가속과 오픈소스 의료 영상 기술을 사용하며, 회사에 따르면 결과 3D 스캔은 수동 2D 초음파보다 민감도가 28% 높습니다. 이 수치는 회사 측 주장이며, 글은 근거가 되는 연구 설계를 설명하지 않습니다. 독립적인 확인이 필요한 업체 발표로 읽어야 합니다.

기술적으로 더 흥미로운 점은 재현성입니다. 수동 초음파는 탐촉자를 잡는 사람에 따라 달라지므로, 한 여성의 해마다의 검사 결과를 비교하기 어렵습니다. ATUSA는 매번 같은 방식으로 유방 전체를 촬영합니다. 그 결과 반복 가능한 조직 영상을 얻을 수 있어, 의료진이 연속된 스캔 사이에서 조직이 어떻게 변하는지 분석하는 데 도움이 될 수 있고, 시술자에 따른 오류와 편차도 줄어듭니다. 현재 캘리포니아, 텍사스, 조지아, 테네시, 워싱턴 D.C.의 제휴 클리닉에서 이용할 수 있고, 새 지점이 계속 늘고 있습니다. CEO Neda Razavi는 스캔을 환자 가까이로 가져오는 것이 첫 돌파구이며, 다음 목표는 스캔을 점점 더 정보가 풍부하게 만드는 것이라고 말합니다. iSono는 병변 검출, 3D 분할, 병변 분류 AI 기능을 개발했습니다. 다음 계획은 3D 초음파, 유방촬영술, MRI, 임상 정보를 아우르는 멀티모달 진단 지능으로 AI 파이프라인을 확장하는 것입니다. 3,200명의 환자를 대상으로 한 다기관 임상 연구가 진행 중이며, 주요 연구 기관은 UC 데이비스와 밴더빌트 대학 의료센터입니다. 의료 AI에서는 단일 기관의 후향적 결과보다 전향적 다기관 데이터가 실제 환경의 성능을 더 잘 보여 줍니다. 두 번째 회사 Whiterabbit.ai는 검진에 집중합니다. FDA 허가를 받은 WRDensity는 유방촬영술에서 유방 밀도를 자동으로 평가하는 소프트웨어이며, 수십만 명의 환자 진료에 쓰였습니다. 회사는 장기적인 유방암 발생 위험을 추정하는 임상 의사결정 지원 소프트웨어 WRRisk도 개발했고, 더 많은 암을 찾으면서 음성 영상의 선별을 자동화할 수 있는 차세대 유방촬영술 AI를 연구하고 있습니다. 목표는 부담이 큰 영상의학과 인력의 짐을 덜고, 결과를 앞당기고, 피할 수 있는 재검 호출을 줄이고, 후속 의료비를 낮추는 것입니다. 공동 창업자 겸 CTO Jason Su는 영상의학과 의사가 매일 약 200건 중 한 건의 암을 찾는 건초 더미 속 바늘 문제에 직면한다고 설명하며, AI가 건초를 치워 주는 든든한 조력자가 되기를 바랍니다.

Whiterabbit의 연산 배치도 눈여겨볼 만합니다. 학습은 세인트루이스 워싱턴 대학에 있는 NVIDIA GPU 클러스터에서 하고 클라우드의 추가 GPU로 보완합니다. 추론은 클리닉에 직접 배치한 NVIDIA GPU에서 실행됩니다. 학습은 중앙에 모으고 추론은 진료 현장에 두는 구성은 용량이 크고 개인정보에 민감한 영상 데이터에 맞고, 지연 시간도 임상 업무 흐름이 받아들일 범위에 들어옵니다. 의료 AI 도입에서 흔한 절충입니다. 세 번째 회사 Ataraxis AI는 치료 예측을 맡습니다. 진단이 나오면 무엇을 할지가 문제이고, 그 답은 암이 치료에 어떻게 반응할지 예측하는 데 달려 있습니다. 글에 따르면 현재의 예측은 범위와 정확도가 제한적이며, 별도의 조직 생검이 필요하고 2~4주를 기다려야 하는 경우가 많습니다. Ataraxis는 표준 검사에 이미 포함된 병리 슬라이드 등 디지털 데이터로 예후와 치료 반응을 예측하는 임상 지능을 만듭니다. 모델은 병리 슬라이드의 패턴을 해석하고, 그 차이를 재발 위험과 항암화학요법 민감도의 차이와 연결하도록 학습합니다. 기술 직원 Joseph Cappadona는 종양내과 의사들이 쓰는 도구가 대체로 15년 전에 한 번 학습된 뒤 갱신되지 않았다고 말하며, 자사 모델은 임상시험 데이터가 늘 때마다 더 강해진다고 설명합니다.

제품 측면에서는 디지털 병리 슬라이드와 표준 임상 변수를 분석해 치료 반응과 재발 위험을 예측합니다. 한 모델은 수술 전 항암화학요법이 수술실에 들어가기 전에 종양을 반응 수준까지 줄일지를 예측합니다. 수술 후에는 다른 모델이 5년 재발 위험과 다음 단계로서 항암화학요법의 예상 이익을 추정합니다. 글에 따르면 두 모델은 10개가 넘는 기관과 여러 임상시험에서 검증되었고 실제 임상에서 쓰이고 있습니다. 온프레미스, 외부 데이터 센터, 클라우드의 NVIDIA GPU에서 실행되며 NVIDIA GPU 가속을 받는 PyTorch를 사용합니다. 개발자와 의료기관에게 이 글의 가치는 단일 지표보다 명확한 역할 분담에 있습니다. 앞단에서는 자동화 하드웨어가 획득의 문턱을 낮추고, 중간에서는 소프트웨어가 판독 부담과 불필요한 재검을 줄이며, 뒷단에서는 기존 병리 데이터가 추가 검사를 대신합니다. 세 곳 모두 환자에게 한 가지를 더 요구하지 않고 기존 흐름 안에서 시간을 만들어 냅니다. 다만 주의할 점이 있습니다. 이 글은 NVIDIA가 자사 Inception 회원을 소개하는 자사 블로그라서 홍보 성격이 있고, 성능 수치 대부분은 회사의 발표입니다. 독립적인 동료 심사 증거는 글에 제시되어 있지 않습니다. 앞으로의 과제도 구체적입니다. 멀티모달 통합에는 기기와 기관을 가로지르는 데이터 거버넌스가 필요합니다. AI 기능이 추가될 때마다 새로운 규제 허가가 필요할 수 있습니다. 재검 호출과 놓친 암이 줄어든다는 실제 이익은 전향적 연구와 장기 추적으로 입증해야 합니다. 산업 측면에서 Inception은 NVIDIA의 GPU와 소프트웨어를 수직 분야 스타트업과 묶어 주며, 의료 영상과 디지털 병리는 이 모델이 가장 쉽게 자리 잡는 분야에 속합니다. iSono의 3,200명 연구 결과와, Ataraxis 같은 모델이 더 많은 암종에서 성능을 재현할 수 있는지가 지켜볼 대목입니다.