People of Kai는 카이헬스의 구성원들이 각자의 자리에서 어떤 문제를 마주하고,

어떤 방식으로 제품과 조직을 만들어가고 있는지 소개하는 인터뷰 시리즈입니다.

카이헬스의 제품은 AI 모델, 제품 기획, 디자인, 개발, 고객 지원, 사업개발, 마케팅, 데이터 분석 등 여러 직무의 협업을 통해 만들어집니다.

이번 시리즈에서는 각 구성원의 이야기를 통해, 난임 의료 AI 제품이 실제 임상 현장에 닿기까지 어떤 고민과 과정이 있는지 들여다보고자 합니다.

인공지능 기술로 배아 평가에 더 일관된 기준을 더합니다.

AI Team Lead 김형민님

Q. 현재 어떤 역할을 맡고 계신가요?

“저는 AI Team Lead로서 Vita Embryo의 핵심이 되는 배아 이미지 분석 모델을 연구하고 개발하고 있습니다.

IVF 과정에서 촬영되는 배아 이미지를 기반으로, 배아의 형태적 특징과 임상 결과 사이의 패턴을 학습하고,

이를 의료진이 참고할 수 있는 AI 결과로 연결하는 일을 하고 있습니다.

Vita Embryo는 단순히 이미지를 보고 점수를 내는 모델이 아니라, 실제 임신 결과와 연결될 수 있는 배아의 패턴을 찾는 모델이라고 볼 수 있는데요,

여기에 배아의 형태학적 특징과 표준화된 등급 정보를 함께 제공함으로써, 의료진이 결과를 조금 더 납득하고 활용할 수 있도록 만드는 것이 저희팀의 중요한 역할입니다.”

Q. IVF 분야에서 AI가 특히 의미를 가질 수 있는 지점은 어디라고 보시나요?

“IVF에서 배아 평가는 매우 중요한 의사결정 중 하나입니다.

어떤 배아를 우선적으로 고려할지 판단하는 과정이 이식이나 동결 같은 다음 결정과 연결되기 때문입니다.

그런데 현재의 배아 평가는 여전히 embryologist의 경험과 주관적 판단에 많이 의존하고 있습니다.

같은 배아를 보더라도 어떤 분은 ICM을 더 중요하게 보고, 어떤 분은 TE를 더 중요하게 볼 수 있습니다.

AI는 이런 상황에서 일관된 참고 기준을 제공할 수 있습니다.

사람의 전문성을 대체하는 것이 아니라, 실제 임신 결과와 연결되는 패턴을 바탕으로 의료진이 한 번 더 참고할 수 있는 기준을 제공하는 것입니다.

특히 배아들이 형태적으로 비슷해 보이거나, 여러 배아 중 우선순위를 정해야 하는 상황에서는 AI가 더 구조화된 판단을 돕는 역할을 할 수 있다고 봅니다.”

Q. 배아 이미지를 다루는 AI 연구는 일반적인 의료 영상 AI와 어떤 점이 다르나요?

“배아 이미지는 CT나 MRI처럼 구조가 비교적 명확한 영상과는 다릅니다.

아주 작은 세포 구조를 다루고, 촬영 시점이나 초점, 현미경 환경에 따라 이미지의 품질과 정보량이 달라질 수 있습니다.

같은 배아라도 어떤 조건에서 촬영되었는지에 따라 모델이 받아들이는 정보가 달라질 수 있습니다.

특히 배아는 계속 변화하는 대상입니다. 하나의 정지 이미지 안에 모든 정보를 담기 어렵고, 이미지에서 보이는 특징이 실제 임상 결과와 어떻게 연결되는지를 계속 검증해야 합니다.

그래서 배아 AI는 단순히 이미지를 분류하는 문제라기보다, 이미지의 패턴과 임상적 정보를 함께 다루는 문제라고 할 수 있죠.”

Q. AI 모델을 만들 때 가장 중요하게 보는 기준은 무엇인가요?

“성능 지표는 당연히 중요하지만, 의료 AI에서는 그 결과가 실제로 어떤 의미를 가지는지가 더 중요합니다.

모델이 높은 수치를 보이더라도, 임상 현장에서 납득하기 어렵거나 사용자가 참고하기 어려운 형태라면 좋은 제품이 되기 어렵습니다.

그래서 Vita Embryo에서는 결과의 설명 가능성을 중요하게 봅니다.

단순히 ‘이 배아의 점수가 높다’가 아니라, 왜 이 배아가 더 좋은 평가를 받았는지 배아의 형태학적 특징이나 등급과 연결해 설명할 수 있어야 합니다.

성능만 높은 블랙박스 모델보다는, 의료진이 이해하고 신뢰할 수 있는 형태로 결과를 제공하는 것이 더 중요하다고 생각합니다.”

Q. Vita Embryo가 기술적으로 자신 있게 말할 수 있는 강점은 무엇인가요?

“가장 큰 강점은 표준화라고 생각합니다. 배아 평가는 사람이 눈으로 보는 영역이다 보니, 숙련도나 기관별 기준에 따라 차이가 생길 수 있습니다.

Vita Embryo는 여러 병원에서 축적된 데이터와 실제 임상 결과를 함께 학습해, 배아 평가에 참고할 수 있는 일관된 기준을 제공하려고 합니다.

또 단순히 점수만 제공하는 것이 아니라, 배아의 형태학적 특징과 등급 정보를 함께 보여준다는 점도 중요합니다.

AI가 높은 점수를 줬다는 사실만으로는 의료진이 납득하기 어려울 수 있지만, 그 결과가 배아의 구조적 특징과 연결되어 설명될 때 실제 현장에서 더 신뢰받을 수 있다고 봅니다.”

Q. 연구 과정에서 가장 어렵거나 기억에 남는 기술적 고민이 있다면?

“가장 어려웠던 기술적 고민은 AI가 제공하는 스코어를 어떻게 임상적으로 해석 가능하게 만들 것인가였습니다.

초기에는 예측 점수와 ranking을 통해 배아 간 상대적인 우수성만을 보여주는 데 집중했습니다.

하지만 실제 현장에서는 “이 배아의 점수가 왜 높은지”, “점수와 임상 결과가 다른 경우 어떻게 해석해야 하는지”에 대한 질문이 많았습니다.

이에 따라 단순한 점수 제공을 넘어, 각 배아의 스코어가 갖는 임상적 의미를 설명할 수 있는 구조가 필요하다고 판단했습니다.

이를 위해 자궁내막두께, 염색체 검사결과와 같은 임상 변수들을 함께 고려하고, 점수와 실제 결과 간 불일치가 발생했을 때 이를 어떻게 해석할 수 있을지에 대한 설명 로직을 지속적으로 고민하고 있습니다.

이 과정에서 느낀 점은, 의료 AI에서는 단순히 예측 성능이 높은 것보다 결과를 신뢰하고 이해할 수 있도록 만드는 것이 훨씬 중요한 문제라는 것이었습니다.”

Q. 촬영 품질이나 현장 가이드도 중요한 이슈일 것 같습니다. 이 부분은 어떻게 보고 계신가요?

“AI 모델 입장에서는 이미지 품질이 굉장히 중요합니다.

특히 배아 이미지에서는 ICM이나 TE 같은 구조가 잘 보이는지가 결과에 영향을 줄 수 있습니다.

초점이 맞지 않거나 중요한 구조가 잘 보이지 않으면, 사람도 판단하기 어려운 것처럼 AI도 충분한 정보를 얻기 어렵습니다.

그래서 모델만 개선하는 것으로 모든 문제를 해결하기보다는, 실제 현장에서 어떤 방식으로 이미지를 촬영해야 결과를 더 신뢰할 수 있는지 함께 안내하는 것이 중요합니다.

사용자의 워크플로우를 크게 방해하지 않는 선에서, 꼭 필요한 촬영 가이드를 제공하고 제품 안에서 자연스럽게 안내하는 방향을 계속 고민하고 있습니다.”

Q. 카이헬스에서 AI 연구가 실제 제품으로 연결되는 과정은 어떤가요?

“카이헬스에서는 AI 연구와 제품의 거리가 비교적 가깝습니다.

모델을 개발하고 성능을 확인하는 데서 끝나는 것이 아니라, 그 결과가 실제 제품 화면에서 어떻게 보이고, 의료진이 어떤 방식으로 받아들이는지까지 함께 보게 됩니다.

예를 들어 AI 점수나 등급을 어떤 형태로 보여줄지, 촬영 가이드를 제품 안에서 어떻게 전달할지, 리포트에서는 결과를 어떤 언어로 설명할지까지 여러 팀과 논의합니다.

연구가 제품으로 이어지고, 제품에서 나온 피드백이 다시 연구로 돌아오는 구조가 계속 만들어지고 있습니다.”

Q. 제품팀, CS, BD, 마케팅 등 다른 팀과는 어떤 식으로 협업하시나요?

“AI팀 혼자서 제품을 완성할 수는 없습니다.

제품팀과는 모델 결과를 어떤 기능이나 화면으로 연결할지 논의하고, CS팀과는 실제 병원에서 어떤 질문이나 피드백이 나오는지 확인합니다.

BD나 마케팅 쪽에서는 외부에 설명해야 하는 내용이 있을 때, 기술적·임상적 표현이 정확한지 함께 검토하기도 합니다.

특히 의료 AI는 표현 하나도 중요합니다. 모델이 무엇을 예측하는지, 어떤 데이터에 기반하는지, 어디까지 참고할 수 있는지 명확하게 정리해야 합니다.

그런 점에서 AI팀은 내부의 여러 팀이 제품을 정확하게 이해하고 전달할 수 있도록 돕는 역할도 함께 하고 있습니다.”

Q. 실제 제품이나 현장 피드백을 보면서 연구 방향이 달라진 경험이 있으신가요?

“실제 제품을 사용한 병원들의 피드백을 통해 연구 방향과 접근 방식을 크게 수정한 경험이 있습니다.

초기에는 모델을 먼저 개발한 뒤, 이를 어떻게 활용할지 고민하는 방식으로 접근했습니다.

하지만 현장에서의 피드백을 받아보니, 개발 당시에는 예상하지 못했던 기능이나 정보가 필요하거나, 반대로 저희가 편리할 것이라 생각했던 기능이 실제로는 연구원의 업무를 하나 더 늘리는 경우도 있었습니다.

이 경험을 통해 단순히 성능이 좋은 모델을 만드는 것보다, 현장에서 실제 workflow에 자연스럽게 녹아드는 것이 훨씬 중요하다는 점을 깨달았습니다.

그래서 현재는 접근 방식을 바꿔, 모델을 먼저 만드는 것이 아니라 제품이 실제로 사용되는 상황과 목적을 먼저 정의한 뒤, 그에 맞게 모델을 설계하는 방향으로 연구를 진행하고 있습니다.

이러한 변화는 결과적으로 모델의 활용도를 높이고, 의료진이 실제 의사결정 과정에서 부담 없이 사용할 수 있는 형태로 발전시키는 데 큰 도움이 되었다고 생각합니다.”

Q. 어떤 분이 카이헬스의 AI팀에 잘 맞는다고 생각하시나요?

“AI 기술 자체에 대한 관심도 중요하지만, 실제 문제를 끝까지 이해하려는 태도가 더 중요하다고 생각합니다.

IVF는 도메인 자체가 어렵고, 배아 이미지도 일반적인 데이터와 다른 특성이 많기 때문에 계속 배우면서 접근해야 합니다.

또 혼자 연구하는 데서 끝나는 환경이 아니라, 제품팀, 개발팀, CS, BD, 마케팅과 계속 협업해야 합니다.

기술적으로 깊게 파고들면서도, 그 기술이 실제로 어떻게 쓰일지 함께 고민할 수 있는 분이면 잘 맞을 것 같습니다.”

Q. 앞으로 카이헬스의 AI가 어떤 역할을 하게 되면 좋겠다고 생각하시나요?

“단순한 배아 평가 도구를 넘어, IVF 전 과정에서 의사결정을 지원하는 표준화된 clinical decision support system으로 자리 잡아야 한다고 생각합니다.

현재 IVF 현장에서는 배아 평가가 연구원 개인의 경험과 주관에 의존하는 부분이 크고, 병원 간 기준 차이로 인해 일관성이 부족합니다.

카이헬스 AI는 배아 이미지와 임상 데이터를 기반으로 객관적인 기준을 제공함으로써 이러한 변동성을 줄이고, 의료진의 판단을 보완하는 역할을 할 수 있다고 생각합니다.

나아가 난자 단계부터 배아 발달, 이식 전략까지 데이터를 통합해 환자별 최적 치료 전략을 제안하는 정밀 IVF 의사결정 시스템으로 확장되어야 한다고 생각합니다.

이를 통해 의료진에게는 진료의 일관성과 효율성을 높이고, 환자에게는 반복 실패를 줄이며 임신까지 도달하는 시간을 단축하는 데 기여할 수 있을것이라 생각합니다.”