[메디칼타임즈=최선 기자] 뇌졸중 진단 AI 시장은 최근 몇 년 사이 정확도 경쟁이 빠르게 평준화되고 있다.

주요 업체들의 민감도·특이도·오진율 격차가 줄어들면서, 이제는 단순히 "누가 더 잘 맞히느냐"를 넘어 실제 병원 환경에서 얼마나 효율적으로 작동하느냐가 새로운 경쟁 포인트로 떠오르는 분위기다.

20일 의료계에 따르면 진단 AI 업체들의 정확도 경쟁 분위기가 토큰 효율로 옮겨갈 수 있다는 전망이 나온다.

토큰(Token)은 AI가 데이터를 이해하기 위해 잘게 나눈 최소 단위. 텍스트에서는 단어나 문장 일부가 토큰이 되지만, 의료영상에서는 이미지의 특징 정보들이 토큰 형태로 변환된다.

쉽게 말해 AI가 CT를 '읽는 비용 단위'로 토큰이 많을수록 AI가 처리해야 할 정보량이 늘어나고, 초대형 의료영상을 처리할 경우 진단 1건당 수 달러에서 수십 달러 수준의 추론 비용이 발생할 수 있다.

이런 흐름 속에서 제이엘케이는 의료영상 특화 멀티모달 LLM 플랫폼 'JOOMED'를 통해 '토큰 효율화' 카드를 꺼내들었다. 토큰 절감은 단순한 비용 문제처럼 보이지만 의료영상 AI에서는 단순 운영비 이상의 의미를 갖는다는 것.

제이엘케이 관계자는 "CT 한 건은 수백 장의 슬라이스 이미지로 구성되는데, 범용 대형언어모델(LLM)은 이 이미지를 거의 그대로 입력받으면서 막대한 토큰을 소비한다"며 "뇌졸중 환자의 뇌관류 CT(CTP) 한 건을 처리하는 데 최대 87만 6160개의 토큰이 필요하다"고 설명했다.

그는 "이는 곧 높은 추론 비용으로 이어지고 병원 단위에서 국내 연간 CT 촬영 건수는 1474만 건에 달한다"며 "건당 수십 달러 수준의 비용 구조는 실제 의료 현장에서는 부담이 될 수밖에 없다"고 강조했다.

문제는 토큰 소모량이 단순히 "돈이 많이 든다"에서 끝나지 않는다는 점이다. 범용 LLM은 수백 장의 슬라이스를 긴 문맥 안에서 처리하다 보니, 중요한 의료 정보를 중간에 놓치는 현상도 보고된다.

특히 1~2mm 수준의 미세 병변은 문맥 속에서 상대적으로 중요도가 낮은 정보로 취급될 위험이 있어 실제로 지름 1.62mm 뇌동맥류를 사소한 오류로 판단해 무시하거나, 병변의 좌우 위치를 혼동해 잘못 판독한 사례가 보고된 것도 이런 구조적 한계와 연결된다.

제이엘케이는 토큰 소비 절감을 위해 JOOMED이라는 자체 플랫폼 카드를 꺼내들었다. JOOMED는 의료영상에 특화된 생성형 AI 플랫폼. 일반 챗GPT 같은 범용 LLM이 텍스트 중심으로 학습된 것과 달리, JOOMED는 CT·MRI 같은 의료영상과 판독문, 의학 논문, 진료 가이드라인 등을 함께 이해하도록 설계된 멀티모달 구조를 지향한다.

단순히 병변을 탐지하는 기존 의료 AI를 넘어, 영상 분석 결과를 바탕으로 의학 지식까지 연결해 설명형 답변을 제공하는 것이 목표로, "이상 병변이 있다"를 넘어서 "왜 그렇게 판단했는지, 어떤 치료 가이드라인과 연결되는지"까지 제시하는 플랫폼에 가깝다.

제이엘케이 관계자는 "JOOMED는 단순 이미지 압축이 아니라, 병변 위치·혈류 변화·해부학적 구조 등 임상적으로 중요한 요소를 우선적으로 남기는 방식"이라며 "수백 장 CT를 모두 장황하게 읽는 방식이 아니라, 의사가 실제로 중요하게 보는 정보 위주로 요약해 LLM에 전달하는 구조"라고 작동 방식을 설명했다.

자체 JLK-Engine는 의료영상의 핵심 정보만 추출·압축해 토큰 수를 4500개 수준까지 줄여 비용 효율성, 속도, 정확도 및 안정성을 확보했다. 뇌관류 CT 기준 87만 6160 토큰이 소모되던 것을 99% 줄였다는 것.

제이엘케이 관계자는 "토큰이 줄어들면 추론 비용이 낮아지고, 병원 입장에서는 대규모 환자 데이터를 보다 현실적인 비용으로 운영할 수게 된다"며 "의료 AI가 실제 임상 워크플로우 안에 들어가기 위해서는 정확도뿐 아니라 운영 단가 역시 중요하다"고 말했다.

그는 "특히 뇌졸중처럼 시간이 곧 예후인 질환에서는 판독 지연 자체가 치명적일 수 있다"며 "토큰 수가 줄어들수록 응답 속도 역시 빨라지기 때문에 AI 결과를 몇 초라도 빠르게 제공하는 것은 단순 편의 기능이 아니라 임상적 가치와 연결된다"고 했다.

이어 "긴 문맥을 억지로 처리하는 대신 핵심 의료 정보만 구조화해 입력하면, 모델이 중요 병변을 놓칠 가능성을 줄일 수도 있다"며 "토큰 절감은 단순 경량화가 아니라, 의료 특화 AI에서 필요한 정보만 남겨 판단 정확도를 유지하려는 전략"이라고 강조했다.

JOOMED는 PubMed 4000만 편 이상 논문과 각국 뇌졸중 진료 가이드라인을 연결한 RAG(검색증강생성) 구조도 결합했다. 단순히 영상을 읽는 데서 끝나는 것이 아니라, 최신 근거 기반 치료 지침과 연결해 설명형 AI로 확장하려는 시도다.

결국 의료 AI 시장은 AI의 상향 평준화로 인해 "AI가 병변을 찾을 수 있느냐"보다, "병원에서 지속 가능하게 운영될 수 있느냐"의 단계로 이동하고 있다.

정확도 격차가 좁혀진 상황에서, 토큰 효율과 운영 구조를 앞세운 의료 특화 LLM 전략이 새로운 차별화 요소로 부상한 가운데 JOOMED가 제시한 '토큰 경쟁력'은 의료 AI의 실사용성과 직결된 문제라는 점에서 업계 관심이 쏠리고 있다.