Educational Competencies for Artificial Intelligence in Radiology: A Scoping Review
🧠 영상의학 전문의를 위한 AI 교육, 어디까지 와 있나?
요즘 의료계 전반에서 인공지능(Artificial Intelligence, AI)에 대한 관심이 점점 커지고 있죠. 그중에서도 영상의학(radiology)은 AI가 가장 먼저, 그리고 활발히 도입된 분야 중 하나예요. 그런데 정말 흥미로운 질문이 하나 있어요.
“AI를 안전하고 효과적으로 쓰기 위해, 영상의학 전문의가 꼭 갖춰야 할 역량(competencies)은 뭘까?”
바로 이 질문에 답하려고, 연구자들은 스코핑 리뷰(scoping review)를 통해 지금까지의 논문들을 체계적으로 분석했어요. 아래에서 그 내용을 간단히 풀어드릴게요!
🔍 어떤 연구인가요?
연구진은 2010년 이후 발표된 문헌들 중에서, AI와 관련된 영상의학 교육, 특히 전공의 수련과정과 관련된 논문 49편을 선별해 분석했어요. 그 결과, AI 교육은 일부에서 활발하게 이루어지고 있지만, 다음과 같은 문제들이 발견되었죠:
"Current AI educational programming in radiology residency programs demonstrates substantial heterogeneity in learning objectives with a lack of consensus on the knowledge, skills, and attitudes required for the safe and effective use of AI in radiology."
→ 현재 영상의학 전공의 교육 프로그램에서 AI 교육은 학습 목표가 상당히 제각각이고, AI를 안전하고 효과적으로 사용하기 위해 필요한 지식, 기술, 태도에 대한 합의도 부족한 상태입니다.
🧩 영상의학 전문의가 갖춰야 할 AI 역량은?
연구진은 분석을 통해, AI 관련 역량을 크게 세 가지 범주로 나누었어요.
- 지식(knowledge)
- 머신러닝 기법의 종류와 차이점 이해
- 주요 알고리즘(Naïve Bayes, KNN, SVM 등) 이해
- AI 모델의 개발 과정 및 평가 지표 이해
- 데이터 편향, 익명화, 법적·윤리적 이슈 설명 가능 등
- 기술(skills)
- AI 모델 훈련 및 테스트 수행
- 코드 작성 (예: Python)
- 모델 오류 파악 및 수정
- 임상 상황에서 AI 도구 적용 및 결과 해석
- 태도(attitudes)
- AI 활용에 따른 위험성과 혜택 균형 있게 인식
- AI 도구를 맹신하지 않으면서 비판적으로 사고
- AI의 윤리적 개발과 사용에 대한 관심
연구진은 이를 레벨 1부터 5까지 정리한 예비 프레임워크도 제안했어요. 예를 들어, 레벨 1은 "AI 용어와 기초 개념에 대한 이해"라면, 레벨 5는 "AI 알고리즘을 임상에 통합하고 품질 개선 프로젝트를 이끄는 수준"이죠.
📚 지금까지 어떤 교육이 있었을까?
이 논문에서는 실제로 시행된 대표적인 교육과정 세 가지를 소개해요.
| 교육과정 | 핵심 특징 |
| AI-RADS | AI 알고리즘과 계산 개념에 대한 기술적 도입. 주로 이론 강의 중심. |
| Bumper-Car | 딥러닝 실습 중심. 하지만 객관적 평가는 없음. |
| Multi-institutional AI 교육 | AI의 윤리, 경제, 법적 이슈를 포괄적으로 다룸. 이론 중심, 실습은 부족함. |
연구진은 이렇게 지적해요:
"Radiology has been one of the disciplines at the forefront of AI implementation in healthcare, making radiology an ideal discipline to begin to define core competencies surrounding AI for specialty medicine residency programs."
→ 영상의학은 의료에서 AI 도입의 선두주자였기에, 전문과 수련과정에서 AI 관련 핵심 역량을 정의해 나가기 위한 이상적인 분야입니다.
⚠️ 아직 부족한 부분도 있어요
이 연구에도 몇 가지 한계가 있어요:
- 일부 교육 프로그램은 학술지에 공유되지 않아 빠졌을 수 있어요.
- 대규모 언어모델(large language models)에 대한 내용은 아직 부족합니다.
- 의뢰의사(referring clinicians)나 의대생(medical students)이 알아야 할 AI 관련 역량은 아직 논의가 적어요.
🔚 마무리하며
AI는 앞으로 의료 현장에서 점점 더 큰 역할을 하게 될 거예요. 그래서 연구진은 이렇게 강조하죠:
"The increasing use of AI in radiology necessitates the adaptation of educational programs to ensure that radiologists have the requisite knowledge, skills, and attitudes to safely and effectively use AI in clinical practice."
→ 영상의학에서 AI의 활용이 증가함에 따라, 영상의학 전문의가 임상에서 AI를 안전하고 효과적으로 사용할 수 있도록 교육 프로그램을 조정해야 할 필요성이 커지고 있습니다.
그리고 이어서, 연구팀은 이 주제를 더 깊이 탐구하기 위해 델파이 연구(Delphi study)를 계획 중이라고 해요!
📌 요약하면:
- 영상의학에서 AI 활용을 위해선, 기술뿐만 아니라 윤리·법·경제적 역량까지 두루 갖춰야 해요.
- 아직 교육은 다양하지만 통일성은 부족하고, 평가 체계도 미흡해요.
- 전문 학회와 인증기관이 나서서 교육과정을 설계하고 표준화하는 게 중요해요.
서론 (INTRODUCTION)
영상의학에서의 인공지능(Artificial Intelligence, AI)은 질병의 예측과 진단, 치료 최적화, 환자 추적 관찰 등에서 핵심적인 역할을 하도록 빠르게 발전하고 있다¹⁻⁴. 상용화되고 임상에 적용되는 AI 응용기술이 증가함에 따라, 영상의학 전문의들은 특정 진료 환경에 적합한 AI의 적절성을 평가하고, 그 임상 사용을 감독하며, 해석적(interpretable) 및 비해석적(non-interpretable) 업무에 직접적으로 AI를 사용할 책임을 지게 될 것이다⁵. 따라서 영상의학 전문의가 AI를 안전하고 효과적으로 사용하되, 건강 형평성(health equity)을 고려한 관점으로 접근하는 것이 매우 중요하다.
영상의학에서 AI의 사용이 증가하고 있음에도 불구하고, 의사들이 AI를 안전하고 효과적으로 사용하고 감독하기 위해 어떤 핵심 역량(core competencies)이 필요한지, 그리고 전공의 수련 프로그램(residency training programs)에서 수료생들이 수련 중 반드시 갖추어야 할 역량이 무엇인지에 대한 명확한 이해는 아직 부족하다⁵⁻⁷. 역량(competencies)이란, 특정한 업무를 적절한 수준으로 수행할 수 있게 해주는 최소한의 지식, 기술, 태도(knowledge, skills, and attitudes)의 집합을 의미한다⁸. 핵심 역량을 정의하는 일은 보건의료 전문직 교육에서 매우 중요한 과제인데, 이는 교육과정의 청사진(curriculum blueprinting), 실제 교육 실행(delivery) 및 임상현장 기반 학습(workplace-based learning), 평가 전략(assessment strategies)에 직접적인 영향을 미치기 때문이다⁸.
AI가 앞으로 전문 진료 영역(specialty medicine)에 미칠 중대한 영향을 인식하여, 캐나다 왕립의사·외과의사협회(Royal College of Physicians and Surgeons of Canada)의 ‘인공지능 및 신흥 디지털 기술 태스크포스(Task Force on Artificial Intelligence and Emerging Digital Technologies)’ 보고서는 다음과 같이 강조하였다: AI와 기타 디지털 기술이 전문 진료 영역에 점차 통합됨에 따라, 이와 관련된 “새로운 기본 역량(a new fundamental competency)”이 요구된다는 것이다⁹. 해당 태스크포스는 전공의 수련 프로그램 내에서 AI 및 디지털 기술 교육을 통합하기 위한 지침과 원칙을 각 전문과별로 개발할 것을 권고하였다⁹.
이 연구의 목적은 영상의학 전문의가 AI를 안전하고 효과적으로 사용하기 위해 필요한 역량을 확인하기 위해, 기존 문헌을 바탕으로 스코핑 리뷰(scoping review)를 수행하는 것이었다. 이 스코핑 리뷰는 다음의 연구 질문에 따라 수행되었다: “영상의학 전문의가 임상 실무에서 AI를 안전하고 효과적으로 사용하기 위해 필요한 지식, 기술, 태도는 무엇인가?” 영상의학에서의 AI 관련 핵심 역량에 대한 이해는, 영상의학 전공의 수련 프로그램이 AI 교육을 통합적으로 설계하고 실행하는 데 중요한 기반(framework)이 될 것이다.
방법 (METHODS)
이 연구는 Arksey와 O’Malley가 제안한 방법론적 프레임워크를 바탕으로 스코핑 리뷰(scoping review)를 수행하였다¹⁰. 이 프레임워크는 스코핑 리뷰를 수행하는 다섯 단계를 제시한다: (1) 연구 질문 식별, (2) 관련 문헌 탐색, (3) 연구 선정, (4) 데이터 정리, (5) 결과의 통합, 요약 및 보고¹⁰.
연구 질문 식별 (Identifying the Research Question)
이 스코핑 리뷰의 연구 질문은 다음과 같이 정의되었다: "영상의학 전문의가 임상 실무에서 AI를 안전하고 효과적으로 사용하기 위해 필요한 지식, 기술, 태도는 무엇인가?" 이 질문은 역량 기반 의학교육(competency-based medical education)의 원칙에 기반하였다. 역량 기반 의학교육에서는 교육과정 기획의 출발점을 성과(outcomes)로 설정하며, 이는 곧 “졸업생이 어떤 능력을 갖추어야 하는가?”라는 질문으로 요약된다¹¹. 정의된 성과로부터 학습자가 해당 역량을 획득하고 있음을 보장하기 위한 마일스톤(milestones)을 설정할 수 있으며, 이후에는 이러한 역량 획득을 지원하는 교수 방법과 평가 도구를 결정할 수 있다¹². 복잡한 능력(complex capabilities)과 수행(performance)은 하위 구성 요소로서의 역량(competencies)으로 설명될 수 있으며¹³, 이러한 역량은 지식, 기술, 태도(knowledge, skills, and attitudes)로 구성될 수 있다¹²˒¹⁴. 역량(competencies)은 곧 역량발휘 능력(competence)의 구성 요소로 간주되며¹², 여기서 역량발휘 능력(competence)은 “특정 맥락에서 의사의 수행을 구성하는 여러 영역의 능력(array of abilities across multiple domains or aspects of physician performance)”으로 정의된다¹². 역량발휘 능력은 다차원적(multi-dimensional), 역동적(dynamic), 맥락적(contextual), 발달적(developmental) 특성을 가진다¹²˒¹³˒¹⁵.
관련 문헌 탐색 (Identifying Relevant Studies)
초기 검색 전략은 사서(librarian)와 협업하여 PubMed용으로 개발되었으며, 이후 Embase, Scopus, ERIC 데이터베이스에 맞춰 확장되었다. 이 검색 전략은 AI, 영상의학(radiology), 교육 또는 역량(education or competencies)이라는 세 가지 주요 개념을 포착하도록 설계되었다(자세한 내용은 보충 자료 참조). 검색은 2022년 12월과 2024년 7월 두 차례에 걸쳐 수행되었다.
연구 선정 (Study Selection)
검색 결과는 시스템 리뷰와 세부 리뷰를 효율화할 수 있는 웹 기반 소프트웨어 플랫폼인 Covidence에 업로드되었다. 포함 기준은 다음과 같다: ① 2010년 1월 1일 이후 출판된 논문, ② 영상의학 전공의 교육 또는 지속 교육 프로그램을 위한 AI 관련 요구도(needs assessment) 또는 커리큘럼을 설명한 논문, 영상의학 의사 또는 수련생을 위한 AI 교육과정 또는 훈련 기회를 설명한 논문, 영상의학에서 AI 활용에 필요한 제안된 역량을 논의한 논문, ③ 현업 영상의학 의사 또는 수련생을 대상으로 한 논문. 원저 논문, 리뷰, 의견 논문(commentaries)이 포함되었으며, 영어로 작성된 논문만 분석 대상이 되었다. 제외 기준은 학술대회 초록(conference abstracts), 데이터 과학자나 개발자를 중심으로 한 논문, AI를 영상의학 커리큘럼 내 주제가 아닌 교육 도구로 사용한 사례를 중심으로 한 논문이었다. 모든 논문은 제목 및 초록을 기준으로 두 명의 연구자가 독립적으로 적합성을 검토한 후, 전체 논문을 검토하여 선정 여부를 결정하였다. 두 연구자 간 의견 불일치가 있을 경우 합의(consensus)를 통해 해결하였다.
데이터 정리 (Charting the Data)
각 논문에서 핵심 데이터를 추출하기 위해 Lee 등¹⁶에 기반한 데이터 추출 양식(data extraction form)을 개발하였다(보충 자료 참조). 이 양식의 항목에는 영상의학 교육과정 내 AI 통합의 근거, AI 관련 핵심 역량(지식, 기술, 태도 포함), 교육 자료, 교육 전달 형식(delivery format), 실행의 장벽(barriers to implementation), AI 교육 프로그램의 평가 및 검증 방법(assessment and evaluation)이 포함되었다.
결과의 통합, 요약 및 보고 (Collating, Summarizing and Reporting the Results)
AI 관련 영상의학 역량은 각 논문에서 추출되어 중복 여부를 검토한 후, 주제 분석(thematic analysis)에 기반한 반복적 절차(iterative process)를 통해 통합되었다. 유사한 역량은 공통된 주제에 따라 범주화하였으며, 이후에는 Bloom의 고전적 이론¹⁷에 따라 지식(knowledge), 기술(skills), 태도(attitudes)로 조직하였다. 기타 데이터도 동일하게 주제 분석을 적용하여 정리하고, 주제별로 제시하였다. 최종적으로 도출된 역량 목록은 연구팀이 해석의 일관성을 검토하고, 분류 체계가 원 자료의 내용과 의도를 정확히 반영하는지 확인하였다. 이렇게 정리된 역량은 이후 미국 졸업후 의학교육 인증위원회(ACGME)의 마일스톤 체계(22)를 참고하여 5단계 수준의 예비 역량 프레임워크(preliminary competency framework)로 구성되었다.
결과 (RESULTS)
연구 특성 (Study Characteristics)
검색 전략을 통해 총 5920개의 기록(records)이 확인되었다(Fig 1). 초록 및 원문 검토를 거쳐 157편의 원문(full-text) 논문이 적합성 평가 대상이 되었으며, 이 중 108편은 다음과 같은 이유로 제외되었다: 데이터 과학자 또는 개발자를 주요 대상으로 한 논문, AI를 교수 또는 교육 평가 도구로 사용한 논문, 교육적 관점이 결여된 AI 관련 리뷰 논문, AI에 대한 인식(perceptions)에 초점을 맞춘 논문. 결과적으로 49편의 논문이 포함 기준을 충족하여 본 스코핑 리뷰에 포함되었다. 이들 논문은 의견/논평(opinion/commentary) 논문(n = 15), AI 교육 프로그램·교육과정·과정·경로(pathway)에 대한 설명 및 평가 논문(n = 16), 리뷰 논문(n = 10), 설문조사 연구(n = 7), 질적 연구(n = 1)로 구성되어 있다.
그림 1. 연구 선정 절차를 나타낸 순서도 (Fig 1)
AI 교육 관련 핵심 역량 (Educational Competencies)
영상의학에서 AI를 안전하고 효과적으로 사용하기 위한 핵심 역량(core competencies)은 다음과 같은 주제 영역들과 관련이 있다(Fig 2):
- AI 모델 개발(AI model development)
- AI의 평가(evaluation)
- 임상 적용(clinical implementation)
- 알고리즘 편향 및 불일치 처리(algorithm bias and handling discrepancies)
- 규제(regulation)
- 윤리(ethics)
- 의료법적 문제(medicolegal issues)
- AI의 경제성(economics of AI)
그림 2. 영상의학에서 AI를 안전하고 효과적으로 사용하기 위한 핵심 역량의 주제 영역 (Fig 2)
리뷰된 논문에서 제안된 핵심 역량은 지식(knowledge), 기술(skills), 태도(attitudes)의 세 가지 범주로 정리되어 표 1(Table 1)에 제시되어 있다. 일부 논문에서는 영상의학 의사를 위한 역량으로 Python 기반의 기초 코딩이나 알고리즘(예: Naïve Bayes, K-Nearest Neighbor, Neural Networks 등)과 같은 기술 중심(technically-driven) 요소들을 제안한 반면¹⁸˒¹⁹, 다른 논문들은 임상 적용과 실제 사용(clinical implementation and use)에 초점을 맞추어 역량을 구성하였다²⁰˒²¹.
리뷰된 논문에서 도출된 핵심 역량을 바탕으로, 주제 영역에 따라 조직화된 구조화된 예비 역량 프레임워크(preliminary structured competency framework)는 표 2(Table 2)에 제시되어 있다. 이 프레임워크는 ACGME(Accreditation Council for Graduate Medical Education)에서 제시한 마일스톤²² 체계와 유사하게, 본 스코핑 리뷰를 통해 도출된 주제 영역별로 역량을 구분하고, 레벨 1에서 레벨 5까지 점진적으로 배열하였다.
예를 들어, 레벨 1(Level 1)에서는 수련생이 AI 용어에 대한 기초 이해를 보여주며 이는 수련 중 서면 평가(written in-training exam)를 통해 평가될 수 있다. 레벨 3(Level 3)에서는 수련생이 임상 사례에서 AI 출력물을 해석하고, 레벨 5(Level 5)에서는 새로운 AI 알고리즘을 평가하고 임상에 적용하는 역량을 품질 개선 프로젝트(QI project)를 주도함으로써 보여줄 수 있다.
표 1. 스코핑 리뷰를 통해 도출된 영상의학에서의 인공지능 관련 역량 (Table 1)
🧠 지식(Knowledge)
- 인공지능(artificial intelligence, AI)과 머신러닝(machine learning)의 개념을 정의할 수 있다.
- 다양한 머신러닝 기법(예: 지도 학습, 비지도 학습, 강화 학습, 준지도 학습 등)을 구분할 수 있다.
- 기초적인 AI 알고리즘(예: Naïve Bayes, K-최근접 이웃, K-means, 랜덤 포레스트, 퍼셉트론, 서포트 벡터 머신, 신경망 등)과 이들의 영상의학 적용을 설명할 수 있다.
- AI 개발의 단계(데이터 수집, 주석 처리, 알고리즘 선택, 모델 개발 및 학습, 모델 검증 및 평가 등)를 설명할 수 있다.
- 일반적인 학습 오류(예: 소수 클래스 또는 불균형 데이터셋에서의 오류, 오버피팅, 외부 검증 부족, 편향 발생 및 방지 방법)를 이해하고 설명할 수 있다.
- 모델 평가에 사용되는 주요 지표들(정확도, 민감도, 특이도, 정확도, ROC 곡선 아래 면적 등)을 설명할 수 있다.
- 영상의학에서 AI의 해석적 및 비해석적 활용 사례와 각각의 강점과 약점을 설명할 수 있다.
- AI 사용에 따른 법적 영향(legal implications)을 설명할 수 있다.
- 의료 분야에서의 AI 규제 및 관련 법적 프레임워크를 설명할 수 있다.
- AI의 경제적 영향(economic implications)을 설명할 수 있다.
- AI 시스템 내에서의 데이터 프라이버시, 비식별화(de-identification), 익명화(anonymization), 환자 정보 보호 방식에 대해 설명할 수 있다.
- AI가 환자 정보의 프라이버시 및 데이터 보호에 미치는 영향을 설명할 수 있다.
- 데이터 공유와 협업 시 지켜야 할 기본 원칙들, 특히 개인정보 보호 및 규정 준수 관련 사항을 설명할 수 있다.
- AI를 임상 업무에 통합하기 위한 기반 구조(infrastructure)를 설명할 수 있다.
- 영상의학 각 세부 전문과 내에서 AI 통합 시 발생할 수 있는 기회와 과제(예: 소규모 데이터셋, 세부 전공 특유의 윤리적 고려사항 등)를 이해하고 설명할 수 있다.
🛠 기술(Skills)
AI 개발(AI development)
- 학습용, 검증용, 테스트용 데이터셋을 조합하고 주석을 달고 라벨링하며 구성할 수 있다.
- 영상 분석 작업을 위한 기본적인 AI 모델을 훈련(train), 검증(validate), 테스트(test)할 수 있다.
- 기초적인 프로그래밍 언어(예: Python)를 사용할 수 있다.
- 모델 오류의 원인을 파악하고 이를 해결할 수 있다.
- 소규모 데이터셋 활용 시 발생하는 한계를 극복하기 위한 전략을 수립하고 활용할 수 있다.
AI 활용 및 임상 적용(AI implementation and use)
- 영상의학 워크플로우에 AI를 통합하고, AI 알고리즘을 평가하며 언제 어떻게 활용할지를 결정할 수 있다.
- 특정 임상 상황에서 어떤 AI 도구가 적절한지를 판단할 수 있다.
- AI 및 AI 기반 영상 도구를 임상 환경에서 효과적으로 사용할 수 있다.
- AI 알고리즘의 출력 결과를 해석하고, 해당 결과가 타당하고 의미 있는지를 판단할 수 있다.
- AI가 환자 진료에 개입될 수 있는 방식의 근거를 설명할 수 있다.
AI 평가(AI evaluation)
- AI 알고리즘의 성능을 평가하기 위한 적절한 지표(performance metrics)를 결정할 수 있다.
- AI 제품을 비판적으로 분석하고, 설계상의 한계 및 잠재적인 편향, 학습·검증에 사용된 데이터셋의 특성과 한계를 파악하며, 관련 성능 지표를 해석할 수 있다.
- 모델 실패 모드(failure modes)를 식별하고, 특정 상황에서 어떤 유형의 AI 도구가 실패할 가능성이 높은지를 인식할 수 있다.
- 주어진 도구가 임상 환경에서 기대대로 작동하는지를 평가할 수 있다.
- 영상의학 내 AI 관련 주요 논문을 비판적으로 읽고 해석할 수 있다.
- 임상 기술 유지 및 과신(overreliance) 방지를 위해 AI 사용을 적절히 제한할 수 있다.
💬 태도(Attitudes)
- 영상의학 내 AI의 이점과 위험을 인식하고 균형 있게 판단할 수 있다.
- AI 출력 결과를 맹신하지 않고, 그 모델의 출력과 한계를 적절히 활용할 수 있다.
- AI 관련 연구 및 학술 활동을 수용하고 존중하는 태도를 갖춘다.
- 최신 기술의 영향과 환자 경험에 미치는 영향을 이해하고 평가할 수 있다.
- AI의 윤리적 개발과 사용의 중요성을 인식할 수 있다.
- AI 발전 상황을 지속적으로 학습하려는 자세를 갖춘다.
- AI 개발, 실행, 평가의 모든 단계에서 협업의 중요성을 인식한다.
- AI 과잉 의존 가능성을 판단하고, 그 한계를 인식하며 주의 깊게 접근할 수 있다.
표 2. 스코핑 리뷰를 통해 도출된 핵심 역량 및 주제 영역에 기반한 예비 역량 평가 프레임워크 (Preliminary Framework for Competency Evaluation, Based on the Core Competencies and the Thematic Areas Identified Through the Scoping Review)
1️⃣ 주제 영역: 모델 개발 (Model development)
- Level 1: Python 등의 언어를 이용한 기초적인 프로그래밍 작업을 수행할 수 있다.
- Level 2: 훈련(training), 검증(validation), 테스트(test) 데이터셋을 조립하고 라벨링할 수 있다.
- Level 3: 소규모 데이터셋 사용 시의 한계를 극복하기 위한 전략을 활용할 수 있다.
- Level 4: 기초 영상 분석 과업을 위한 AI 모델을 훈련, 검증, 테스트할 수 있다.
- Level 5: 모델 오류의 원인을 파악하고 해결 방법을 제시할 수 있다.
2️⃣ 주제 영역: AI 평가 (Evaluation)
- Level 1: 영상의학에서 AI에 관한 학술 논문을 비판적으로 읽고 평가할 수 있다.
- Level 2: 모델을 평가하는 데 사용되는 대표적인 지표(정확도, 민감도, 특이도, ROC AUC 등)를 정의하고, AI 알고리즘을 평가하기 위한 적절한 성능 지표(performance metrics)를 결정할 수 있다.
- Level 3: 모델 오류의 양상을 식별하고, 특정 상황에서 AI 도구가 실패할 가능성이 높은 경우를 인식할 수 있다.
- Level 4: 주어진 도구가 임상 환경에서 기대대로 작동하는지 평가할 수 있다.
- Level 5: AI 제품을 비판적으로 평가할 수 있으며, 이는 다음을 포함한다:
- AI 알고리즘 설계 상의 약점 식별
- 알고리즘이 학습, 검증, 테스트된 데이터셋 평가
- 편향(bias) 식별
- 관련 성능 지표 해석
3️⃣ 주제 영역: 임상 적용 (Clinical implementation)
- Level 1: 어떤 임상 상황에서 AI 도구가 적절하게 사용될 수 있는지 판단할 수 있다.
- Level 2: 임상 환경에서 AI 도구 및 AI 기반 영상 뷰어를 효과적으로 사용할 수 있다.
- Level 3: AI 알고리즘의 출력 결과를 해석하고, 그 결과가 타당하고 의미 있는지를 평가할 수 있다.
- Level 4: AI가 의료적 의사결정에 어떻게 개입되는지의 근거를 설명할 수 있다.
- Level 5: AI를 영상의학 워크플로우에 효과적으로 통합할 수 있으며, 이는 다음을 포함한다:
- AI 알고리즘을 평가하고
- 어디에, 언제 새 알고리즘을 도입할지 결정하는 것
또한, AI에 대한 과신을 억제하고 자신의 임상 역량을 유지할 수 있다.
4️⃣ 주제 영역: 알고리즘 편향 및 불일치 처리 (Algorithm bias and handling discrepancies)
- Level 1: 일반적인 학습 오류(예: 소규모 또는 불균형 데이터셋, 오버피팅, 외부 검증 부족) 및 편향이 발생하는 방식과 방지 방법을 설명할 수 있다.
- Level 2: AI 제품을 비판적으로 평가할 수 있으며, 이는 다음을 포함한다:
- 알고리즘 설계에서의 약점 식별
- 학습/검증/테스트 데이터셋 평가
- 편향 요소 식별 및 관련 성능 지표 해석
- Level 3: 소규모 데이터셋 사용 시의 한계를 극복할 수 있는 전략을 활용할 수 있다.
- Level 4: (해당 없음 / 빈칸)
- Level 5: (해당 없음 / 빈칸)
5️⃣ 주제 영역: 윤리(Ethics)
- Level 1: AI의 윤리적 개발 및 사용의 중요성을 인식할 수 있다.
- Level 2: 영상의학에서의 AI 활용에 따른 잠재적인 이점과 위험을 인식할 수 있다.
- Level 3: AI에 대한 과도한 의존 가능성(overreliance)을 평가하고, 비판적 사고 유지 및 AI의 한계 인식을 통해 균형 잡힌 시각을 유지할 수 있다.
- Level 4: (해당 없음 / 공란)
- Level 5: (해당 없음 / 공란)
6️⃣ 주제 영역: 규제 및 의료법적 이슈 (Regulation and medicolegal issues)
- Level 1: AI 시스템 사용 시 환자 정보의 프라이버시 보호, 비식별화(de-identification), 익명화(anonymization)의 개념을 정의하고 설명할 수 있다.
- Level 2: AI가 환자 정보 보호 및 프라이버시에 미치는 영향을 설명할 수 있다.
- Level 3: 기관 간 데이터 공유 및 협업의 원칙을 설명할 수 있으며, 프라이버시 보호 및 규정 준수(privacy and compliance)를 보장하는 방법을 인식할 수 있다.
- Level 4: 의료 분야에서의 AI 규제 및 관련 법적 프레임워크를 설명할 수 있다.
- Level 5: AI 사용의 법적 영향(legal implications)을 설명할 수 있다.
7️⃣ 주제 영역: 경제성(Economics)
- Level 1: AI의 경제적 영향(economic implications)을 설명할 수 있다.
- Level 2~5: (해당 없음 / 공란)
교육 전달 및 자료 (Delivery and Education Materials)
영상의학 전공의 교육과정(radiology residency programs)에서는 주제가 다양한 여러 AI 교육과정(curricula)이 개발 및 도입되었다.
- AI-RADS 교육과정(AI-RADS Curriculum)²³은 7개의 AI 알고리즘과 여러 계산 주제(computational topics)를 다루는 7개의 강의 시리즈로 구성되어 있다.
- “Bumper-Car” 교육과정¹⁹은 전공의들이 딥러닝 모델을 생성, 훈련, 평가, 개선하는 역량을 갖추도록 하는 데 목적이 있다.
- 또 다른 교육과정은 미국 내 9개 영상의학 전공의 수련 프로그램에 제공되었으며, AI의 기술적 개발을 넘어서 알고리즘 편향, AI 윤리, AI 경제성, 의료법적 이슈 등을 포괄적으로 다룬다²⁰.
AI 교육을 위한 교수 자료는 다음과 같았다:
- AI 용어 및 데이터 과학(data science)에 대한 도입 강의(introductory didactic lectures)
- 머신러닝에 대한 대화형 학습 모듈(interactive learning modules)
- 영상의학에서의 AI와 관련된 백서(white papers) 및 학술 논문들¹⁸˒¹⁹˒²⁴
AI-RADS 교육과정, Bumper-Car 교육과정, 다기관 협력 기반 AI 교육 인프라(Multi-institutional Infrastructure for AI Education) 교육과정의 범위와 한계는 표 3(Table 3)에 요약 및 비교되어 있다.
개발된 교육과정의 AI 역량을 평가하기 위해 다양한 형성 평가(formative) 및 총괄 평가(summative) 방법이 사용될 수 있다. 예를 들어, AI 논문을 표준화된 체크리스트로 평가하는 structured journal club을 통해 비판적 분석 능력을 평가할 수 있다. 기초 코딩 역량(basic coding competencies)은 구조화된 코딩 과제를 포함한 과제 평가를 통해 측정될 수 있다. AI의 임상 적용 기술은 시뮬레이션 또는 OSCE 스테이션에서 진단 시나리오에 AI 도구를 적용하는 방식으로 평가할 수 있다. 마지막으로, AI의 윤리적, 규제적, 의료법적 측면에 대한 이해는 그룹 토론(group discussions)이나 성찰 과제(reflective assignments)를 통해 평가할 수 있다.
표 3. 세 가지 AI 교육과정의 설명 및 권장 역량의 다양성 비교 (Table 3. Description of Three AI Curricula and Their Variability in AI Competency Recommendations)
🔷 1. AI-RADS
- 범위(Scope):
영상의학 내 AI 알고리즘과 계산 개념에 대한 기술적 소개(technical introduction) - 내용(Content):
- 7가지 AI 알고리즘: Naïve Bayes, K-최근접 이웃(K-nearest neighbor), K-means, 랜덤 포레스트(random forest), 퍼셉트론(perceptron), 서포트 벡터 머신(SVM), 신경망(neural networks)
- 계산 주제: 확률, 차원성, 벡터 조작 (probability, dimensionality, vector manipulation)
- 학습 목표(Learning Objectives):
- 주요 머신러닝 알고리즘의 기능과 원리를 이해한다.
- 기초 계산 개념을 이해한다.
- 평가 전략(Assessment Strategies):
- AI에 대한 기초 친숙도(self-reported familiarity)를 자가 보고
- 알고리즘별 준비도 퀴즈(algorithm-specific readiness quizzes) 수행
- 제한점(Limitations):
- 짧은 기간 (하루짜리 워크숍)
- 강의 위주의 형식, 능동 학습과 실습 학습의 제한
- 지식 및 기술 습득에 대한 객관적 평가 부재
🔷 2. Bumper-Car
- 범위(Scope):
딥러닝 모델의 실용적 적용 및 개선 - 내용(Content):
- 딥러닝 모델 훈련
- 모델 평가 지표: 정확도(accuracy), 민감도(sensitivity), 특이도(specificity), 곡선 아래 면적(area under the curve)
- 모델 개선 및 일반적인 오류
- 학습 목표(Learning Objectives):
- 학습용(training) 데이터셋에 라벨링 수행
- 딥러닝 분류 모델을 훈련하고 평가
- 분류 모델의 오류 기반으로 모델 개선
- 일반적인 훈련 오류 이해(예: 소수/불균형 데이터셋, 오버트레이닝, 외부 검증 부족)
- 오류의 원인을 이해하고 해결 방법 습득
- 평가 지표에 대한 이해도 향상 (정확도, 민감도, 특이도, AUC)
- 딥러닝 모델이 반응하는 영상 특징을 이해
- AI의 사회적, 윤리적, 경제적 영향 이해
- 평가 전략(Assessment Strategies):
- 없음(None)
- 제한점(Limitations):
- 독점 툴에 의존할 경우, 다른 기관이나 상황에서의 적용성 제한 가능성
- 지식 및 기술 습득에 대한 객관적 평가 부재
🔷 3. A Multi-institutional Infrastructure for AI Education
- 범위(Scope):
기술적 측면을 넘어서는 AI의 광범위한 맥락을 포함 - 내용(Content):
- 알고리즘 편향
- AI 윤리
- AI의 경제성
- 의료법적 이슈
- 학습 목표(Learning Objectives):
- AI가 영상의학에 미치는 사회적, 윤리적, 경제적 영향을 이해
- 평가 전략(Assessment Strategies):
- 사전/사후 설문조사를 통해 다음 항목을 평가:
▪ AI 용어 및 기법에 대한 주관적 지식 수준
▪ AI가 영상의학에 미치는 영향에 대한 참여자의 인식 (5점 리커트 척도) - 15문항 사전/사후 평가를 통해 교육 내용에 대한 객관적 이해 수준을 측정
- 사전/사후 설문조사를 통해 다음 항목을 평가:
- 제한점(Limitations):
- AI 용어 및 실용적 적용에 집중하고, 머신러닝/AI의 근본 개념에 대한 접근 부족
영상의학 전공의 교육과정의 근본적 변화 제안 (More Fundamental Changes to Radiology Residency)
AI를 영상의학 전공의 수련 프로그램에 효과적으로 도입하기 위해, 보다 근본적인 커리큘럼 개편도 제안되었다.
예를 들어, 현재의 12개월 임상 인턴십(clinical internship)을 대신하여, Wasserman 등²⁵은 “TechnoPhysics Year”라는 새로운 예비 수련 연도(preliminary year)를 제안하였다. 이 해에는 임상의 필수 요소(clinical essentials), 기술 및 데이터 과학(technology and data science), 물리학(physics)에 초점을 두며, 수련 1년차(PGY-1) 종료 시 기술 및 물리학 시험을 포함한 평가가 이루어진다. 수련생들은 환자 스캔 기초를 익히기 위한 모달리티 기반 임상 순환(modality-based rotations) 및 연구·품질 개선 프로젝트(QI projects)에 참여하며, 오전에는 실습 순환, 오후에는 머신러닝, 데이터 과학, 통계학, 물리학, 윤리, 의료 경제학 등의 주제를 중심으로 한 이론 수업이 진행된다²⁵.
Brigham and Women’s Hospital에서는 4년차 영상의학 전공의를 대상으로 한 데이터 과학 경로(Data Science Pathway) 시범 프로그램을 개발하였다. 이 프로그램은 AI에 대한 소개를 교육·경험·연구 활동이 유연하게 구성된 일정을 통해 제공한다. 이 경로에는 정규 수업, 데이터 과학자와의 일일 협업, 머신러닝 저널 클럽 및 도구 개념 토론이 포함된 주간 라운드테이블, National Imaging Informatics Course and Curriculum 참여, 단순한 CNN 모델 실행을 위한 코드 학습 온라인 모듈 이수, AI 전문가의 멘토링이 포함되어 있다²⁶.
AI 중심의 펠로우십 프로그램(fellowship programs) 또한 제안되었는데, 이는 임상의 관점에서 AI 시스템을 평가할 수 있는 지식을 다루며, 향후 AI 통합에 책임을 지는 Chief Radiology Information Officer와 같은 역할을 준비시키는 것을 목표로 한다. 이에는 AI 시스템에 대한 직원 교육(upskilling)도 포함된다²⁷.
실행의 장벽 (Implementation Barriers)
AI 교육 과정 및 프로그램 개발·도입 이후 확인된 실행 장벽은 다음과 같다.
- 원격 형식(remote format)으로 제공될 경우, 실습 기반 대화형 세션 제공의 어려움²⁰
- 임상 업무로 인한 시간 및 일정 제약¹⁸˒¹⁹˒²⁸
- 수련생들의 관심도 차이¹⁹
- 단회성 교육 형식(single-session formats)으로 인해 개념 유지력에 대한 장기 평가 불가²⁹
그 외 AI 교육 실행의 추가적 장애 요인으로는 다음이 있다:
- 교육 기관 간 AI 전문성 및 자원의 불균형적 분포⁵˒³⁰˒³¹˒³²˒³³
- AI 개념 학습의 높은 진입 장벽(steep learning curve)³¹
- 기존 영상의학 커리큘럼에서의 시간 부족³⁰˒³⁴
- 전공의 프로그램의 제도적 지원 부족⁵
- AI에 대한 회의적 시각과, AI가 전문직의 위협으로 인식되는 경향³⁵
또한, AI 도구를 너무 이른 시점에 도입할 경우, 전공의가 AI에 지나치게 의존하게 되어, AI 없이 영상의학을 학습하는 기회가 저해될 수 있음도 지적되었다³⁶. 마지막으로, 기술 발전의 속도가 매우 빠르기 때문에, 교육 자료는 유연성을 확보해야 하며 정기적인 업데이트가 필수적이다³³.
논의 (DISCUSSION)
영상의학 전문의가 AI를 안전하고 효과적으로 사용하기 위한 역량(competencies)은, 본 스코핑 리뷰에서 제시된 주요 주제 영역(thematic areas)을 중심으로 피어 리뷰된 영상의학 문헌에서 다양하게 제안되어 왔으나, 이에 기반한 교육 프로그램의 수는 상대적으로 적다. 현재 영상의학 전공의 교육 프로그램 내 AI 교육은 학습 목표의 이질성(heterogeneity)이 크며, 영상의학에서 AI를 안전하고 효과적으로 사용하기 위해 요구되는 지식·기술·태도에 대한 합의(consensus)가 부족하다. 개발된 일부 프로그램 및 과정은 모델 개발 관련 기술적 역량(technical skills)에 집중하는 반면, 다음과 같은 임상 기반 과업(clinically-based tasks)에 대한 비중은 적은 편이다:
- 특정 임상 상황에서 AI 도구가 적절히 적용 가능한 시점을 판단하는 능력
- AI 알고리즘의 출력 결과를 해석하는 능력
- AI의 출력이 그럴듯하고 의미 있는지(plausible and meaningful) 판단하는 능력
AI는 이미 영상의학에서 의미 있는 진보를 이루었으며, 그 응용 분야는 영상 분석(image analysis), 워크플로우 최적화(workflow optimization), 의사결정 지원(decision support) 등으로 확장되고 있다³⁷˒³⁸˒³⁹. AI는 해석적(interpretable) 업무와 비해석적(non-interpretable) 업무 모두에 유용하다. 예를 들어, 흉부 영상(chest imaging)에서 AI 알고리즘은 영상의학 사진에서 폐 결절을 탐지하고 측정하는 데 활용되었고⁴⁰, 유방 영상(breast imaging) 분야에서는 AI 알고리즘이 맘모그래피, 초음파, MRI에서 병변의 특성화를 지원하고 있다³⁸˒⁴¹. 해석을 넘어, 이미지 품질 향상 및 평가 등 비해석적 업무에도 AI는 활용된다³⁸. 이러한 발전은 AI의 임상적 중요성이 점점 커지고 있음을 보여주며, 영상의학 전문의들이 AI 도구를 비판적으로 평가하고 효과적으로 사용할 수 있는 역량을 개발해야 함을 시사한다.
본 스코핑 리뷰는 영상의학 전문의가 임상 실무에서 AI를 안전하고 효과적으로 사용하기 위한 역량에 중점을 두었지만, 영상의학 전문의는 AI 및 신기술 개발을 학술 연구나 산업 협력을 통해 이끄는 역할도 수행해야 한다. 다학제적 협력(multidisciplinary collaboration)의 중요성이 강조되며, 개인의 역할에 따라 요구되는 역량이 다르다는 점을 반영한 더 섬세한 접근이 필요하다는 제안이 있다. 예를 들어 Tajmir와 Alkasab²¹은 다음과 같은 구분을 제안하였다:
- AI 개발자(AI creators): AI 및 데이터 과학에 대한 고급 지식과 새로운 알고리즘 개발 능력 필요
- AI 도입자(AI deployers): IT 팀과 협력하여 AI의 초기 도입을 평가하고 문제를 해결할 수 있어야 함
- AI 사용자(AI users): AI의 기본 개념을 이해하고, 특정 임상 적응증에 적합한 알고리즘을 선택하며, 알고리즘이 의도대로 작동하지 않을 때 이를 인식하고, AI의 이점과 한계를 파악해야 함
AI 교육 커리큘럼 개발 시에는 의학물리학자, 데이터 과학자, 임상의 등과의 협업을 통한 다학제 접근이 권장되며, 임상 팀 기반 환경에 적합한 역량 적용성을 높일 수 있다.
전공의 교육 프로그램은 “AI 사용자”로서의 수련생 역량 함양에 주력하게 될 것이며, 영상의학 내에서 AI 도구의 임상 통합 및 평가를 중심으로 교육이 이루어질 수 있다. 프로그램 내에는, 고급 프로그래밍 및 데이터 과학 교육에 중점을 둔 “AI 개발자 트랙(AI developer track)”과 같은 선택형 교육 경로(elective tracks)를 제공하는 것도 고려할 수 있다.
의료 영상 분석(medical image analysis)과 같은 컴퓨터 비전(computer vision) 과업에 활용되는 딥러닝 모델은 지난 10년간 수백 개의 AI 알고리즘이 임상에 실제로 적용되는 것을 가능하게 만들었다⁴². 지난 10년간 영상의학에서 AI에 대한 관심이 급증한 주된 이유는 의료 영상 분석에 대한 딥러닝 모델의 강력한 성능이며, 현재의 교육 논의 또한 주로 영상 분석 기반 AI에 집중되어 있다. 그러나 대규모 언어 모델(large language models) 및 비전-언어 모델(vision-language models)의 등장으로 인해 영상의학 전문의를 위한 역량 요구 사항은 한층 정교화될 전망이다. 지금까지의 문헌은 대부분 영상 분석 알고리즘에 초점을 맞췄지만, 대규모 언어 모델은 다음과 같은 추가 응용 영역에도 활용될 수 있다:
- 추적 검사 권고(follow-up recommendations)를 진단 보고서에 추가
- 환자 중심의 영상의학 보고서(patient-centered radiology reports) 작성
이러한 활용을 위해서는 예를 들어 프롬프트 설계(prompt engineering) 전략이나 모델 출력의 신뢰성을 보장하기 위한 안전장치 구축(safeguards) 같은 새로운 기술 역량이 필요할 수 있다. 영상 분석 알고리즘과 대규모 언어 모델은 구조적으로는 다르지만, 다음과 같은 핵심 기술은 공통적으로 필요하다:
- 사용 목적에 맞는 모델을 선별하기 위한 비판적 분석 능력(critical appraisal)
- 정기적인 모니터링 및 평가를 통해 모델의 최적 성능을 유지하는 능력
이러한 공통 역량은 모델 유형에 관계없이 일관되게 중요하다.
이 스코핑 리뷰는 영상의학 전문의가 가까운 미래에 AI를 안전하고 효과적으로 사용하기 위해 필요한 역량(competencies)에 초점을 두고 있다. 그러나 장기적인 관점에서 살펴보면 다른 역량이 요구될 가능성이 있다. 예를 들어, 미래에는 영상의학 전문의가 다양한 오믹스 기술(omics technologies)에 대한 깊은 이해를 갖춘 정보 전문가(information specialists)로 기능할 수 있다는 전망도 제시되어 왔다⁴³. 이러한 장기적 관점을 반영한 리뷰에서는, 멀티모달 데이터 소스(multimodal data sources)에 대한 AI 분석을 감독할 수 있는 영상의학 전문의를 양성하기 위한 또 다른 유형의 역량을 제안할 수 있을 것이다⁴⁴.
그렇기에 어떤 교육과정이든지, 단기적인 기술 습득을 다루는 것과 동시에 다음과 같은 지속 가능한 역량(enduring skills)을 육성하는 균형 있는 접근이 필요하다:
- 비판적 분석(critical appraisal)
- 데이터 과학 리더십(data science leadership)
이러한 역량은 기술이 계속 진화하는 상황에서도 의료인의 직업 생애 전반에 걸쳐 활용될 수 있는 기반이 된다. 기술 발전의 속도가 빠른 현실에서는, 수련 프로그램에서 개발된 기술이 특정 기술에 국한되지 않고, 새로운 기술을 비판적으로 평가하고 효과적으로 활용할 수 있는 프레임워크를 제공해야 한다.
이 연구는 현재 영상의학 내에서의 AI 교육의 분절적(fragmented) 현황을 조명한다. 따라서, 영상의학 전문의가 임상에서 AI를 안전하고 효과적으로 사용할 수 있는 핵심 역량에 대한 합의를 도출하기 위한 국가 차원의 노력이 필요하며, 이는 전공의 교육을 설계하고 AI 교육 및 평가를 프로그램에 통합하는 데 있어 도움이 될 것이다. 영상의학은 의료 분야에서 AI를 가장 먼저 도입한 대표적 전문 분야 중 하나로서⁷˒⁴⁵, 전문의 수련과정에서 AI 핵심 역량을 정의하기 위한 출발점으로 이상적인 분야라 할 수 있다. 본 연구는 다른 전문과들도 자기 분야에서 AI 역량을 정의하기 시작할 때 참고 자료(reference)로 활용될 수 있다. 이는 역량 기반 의학교육(competency-based medical education) 접근법과도 일치하며⁴⁶, 일부 AI 관련 역량은 여러 전문과에서 공통적으로 적용될 수 있는 역량이며, 그 외에 분야별 특화된 역량이 병행되어야 한다.
이 연구에는 몇 가지 제한점이 있다.
- 첫째, 순수한 교육적 의도로 진행된 AI 교육 프로그램은 피어 리뷰된 학술지에 폭넓게 공유되지 않았을 가능성이 있으며, 따라서 본 리뷰에 포함되지 않았을 수 있다.
- 둘째, 본 스코핑 리뷰에 포함된 논문의 대부분은 대규모 언어 모델(large language models)에 대한 관심이 본격화되기 전 작성된 것이다. 대규모 언어 모델은 향후 영상의학에 큰 영향을 미칠 것으로 보이지만, 현재까지는 그 영향이 가설 수준에 머물러 있고, 영상의학 전문의가 이러한 모델들과 어떻게 상호작용할지, 어떤 교육 역량이 필요한지에 대해서는 명확히 정의되지 않았으며 본 리뷰에서 충분히 다뤄지지 않았다.
- 셋째, 본 리뷰는 주로 영상의학 전문의를 위한 역량을 다루었지만, 의뢰 임상의(referring clinicians)나 의대생(장차 영상의학 서비스를 의뢰할 미래의 의사들)에게 필요한 AI 관련 이해 역량, 예를 들어 영상 판독 보고서에 포함된 위험 점수(risk scores)를 이해하는 능력 등은 포함되지 않았으며, 이는 중요한 공백이다.
- 넷째, 영문 논문만 포함되었기 때문에, 비영어권 맥락에 대한 일반화 가능성(generalizability)은 제한될 수 있다.
- 마지막으로, 본 스코핑 리뷰에 포함된 49편 중 14편은 원저가 아닌 의견 또는 논평(opinion/commentary) 논문이다. 이러한 논문들은 엄격한 연구 설계는 부족할 수 있지만, AI 역량에 대한 현재 담론을 보다 완전하게 이해하는 데 기여하며, 다른 원저 논문의 핵심 메시지와도 일관되었다.
예를 들어 이들 논문은 다음과 같은 메시지를 담고 있었다:
- 전문의 수련과정에서 AI 교육을 강화해 친숙성과 통합을 유도해야 함(6)
- 영상의학 전공의 수련과정에 AI 교육을 포함시켜야 함²⁹˒³³˒⁴⁷˒⁴⁸
- AI 역량을 위한 교육 프레임워크 제안⁵
- AI 커리큘럼 개발 탐색²⁵˒²⁷˒³⁵˒⁴⁸˒⁴⁹
- 영상의학 수련에서 AI 교육 및 도입의 도전 과제 분석³⁰˒⁴³
- 영상의학 전문의가 AI 도구에 어떻게 접근해야 하는지 제안²¹
결론 (Conclusion)
영상의학에서 AI의 사용이 증가함에 따라, 영상의학 전문의가 임상에서 AI를 안전하고 효과적으로 사용하기 위해 필요한 지식, 기술, 태도를 갖추도록 보장하는 방향으로 교육 프로그램을 조정(adaptation)해야 할 필요성이 커지고 있다. 본 스코핑 리뷰는 임상 실무에서 영상의학 전문의가 AI를 안전하고 효과적으로 사용하기 위한 다양한 역량들을 확인하였으며, 앞으로는 영상의학계 내에서 모든 영상의학 전문의가 갖추어야 할 핵심 역량(core competencies)에 대한 합의 형성(consensus-building)이 필수적이다.
이에 대한 후속 연구로, 본 연구진은 현재 수정된 델파이 연구(modified Delphi study)를 진행 중이며, 영상의학 전문의가 AI를 임상에서 안전하고 효과적으로 사용하기 위한 합의된 역량 목록 도출을 목표로 하고 있다.
한편, 교육기관 간의 전문성 및 자원 격차는 영상의학 프로그램 전반에서 AI 중심 교육을 확대하는 데 중대한 장애 요인이 될 수 있다. 따라서, 영상의학 전문 학회 및 인증 기관(certifying boards)은 다음과 같은 역할을 수행해야 한다:
- 영상의학에서의 AI 핵심 역량에 대한 합의 도출 주도
- ACGME 마일스톤에 AI 역량을 통합
- 전공의 수련 프로그램의 교육 설계 지원
이러한 노력을 통해 모든 영상의학 전공의가 필수적인 AI 역량을 습득할 수 있도록 보장해야 한다.