유동근 루닛 CAIO가 서울에서 열린 'AI World Congress 2026 in Seoul(AWC 2026)'에 연사로 나서 '의료 AI 진화 : 영상에서 병원 OS까지'를 주제로 발표했다. 그는 래디올로지 AI와 패솔로지 AI 두 축으로 세계 주요 의료기관에 제품을 공급해 온 루닛의 임상 성과를 공개하고, 이를 발판으로 의료 전 영역을 아우르는 바이오메디컬 파운데이션 모델과 병원 OS 구축 전략을 제시했다. 

유동근 CAIO는 강연 서두에서 루닛의 두 사업 축을 간략히 정리했다. 암 스크리닝을 위한 래디올로지 AI는 현재 전 세계 1만2000곳 이상의 병원과 기관에서 임상 목적으로 쓰이고, 암 치료를 위한 패솔로지 AI는 글로벌 빅파마 상위 20개 중 15개사와 협업 중이라고 밝혔다. 그는 "루닛은 기술이 어떻게 만들어졌는지보다 실제로 어떤 변화를 일으켰는지에 중점을 두고 있다"며 임상 데이터를 전면에 내세웠다.

첫 번째로 제시된 사례는 서울대학교병원에서 진행한 RCT(무작위 대조 시험)였다. 약 1만 명의 환자를 AI 지원 그룹과 비 AI 그룹으로 무작위 배정해 폐암 판독 성능을 비교한 결과, AI 그룹에서 16명의 폐암 환자가 발견된 반면 비 AI 그룹에서는 8명에 그쳤다. 유 CAIO는 "비 AI 그룹에서도 8명이 더 나왔어야 하는데, 인간 시각 인지 능력의 한계로 초기 폐암을 찾지 못한 것"이라고 설명했다. 유방 촬영술 다기관 연구에서도 유사한 결과가 나왔다. 6개 병원, 2만4000여 명 대상 연구에서 일반 영상의학과 전문의가 95명의 암 환자를 찾은 반면, 루닛 인사이트 단독으로는 128명, AI와 전문의가 협업했을 때는 140명까지 발견율이 높아졌다. 

패솔로지 AI 파트에서는 면역 항암 치료의 반응 예측 사례가 제시됐다. 면역 항암제는 전체 암 환자의 약 30%에서만 반응하고, 약 20%에서는 오히려 암 성장이 가속화하는 역효과가 나타난다. 루닛은 조직 병리 영상에서 수십 만에서 수백 만 개의 세포를 인식하고 분류해 암세포와 면역세포의 공간적 분포를 분석하는 컴퓨테이셔널 바이오마커를 개발했다. 유 CAIO는 "의사는 슬라이드 하나의 수백만 개 세포를 일일이 볼 수 없다. AI가 이걸 다 인식해야 바이오마커를 만들 수 있다"고 말했다. 이를 통해 면역 항암제에 반응할 환자군과 그렇지 않은 환자군을 사전에 구분해 생존율에서 뚜렷한 차이를 확인했다고 밝혔다. 

루닛의 기술 전략 핵심인 파운데이션 모델 성능도 공개됐다. 루닛은 래디올로지와 패솔로지 각각에 대형 파운데이션 모델을 구축하고 그 위에서 빠르게 확장하는 전략을 택했다. 래디올로지 파운데이션 모델은 1000만 개 이상의 엑스레이와 영상 페어로 학습한 비전언어모델(VLM)이고, 패솔로지 파운데이션 모델은 2억1300만 개의 이미지 패치로 학습했다. 유 CAIO는 "구글, 마이크로소프트의 파운데이션 모델과 50가지가 넘는 병변에 대해 비교했을 때 대부분의 영역에서 루닛 모델이 더 좋은 성능을 보였다"고 밝혔다. 패솔로지 파운데이션 모델 역시 템퍼스, 마이크로소프트, 오킨 등 경쟁사 대비 우위를 확인했다고 덧붙였다.

이 두 파운데이션 모델을 기반으로 루닛은 7가지 제품을 빠르게 출시할 수 있었고, 자연스럽게 시야가 더 넓어졌다고 유 CAIO는 설명했다. "패솔로지와 래디올로지는 의료라는 도메인에서 굉장히 일부에 불과하다. 한 예로 EMR, 출판된 모든 논문, 약물 데이터베이스, 단백질 정보 등이 있다. 이걸 다 포괄하는 파운데이션 모델을 구축하고 그 위에 다양한 AI를 묶은 하나의 시스템을 만들면 재밌겠다는 생각이 자연스럽게 들었다"고 말했다. 이 구상을 바탕으로 루닛은 정보통신산업진흥원(NIPA)이 주관하는 의료 특화 파운데이션 모델 개발 프로젝트에 대형 컨소시엄을 구성해 공모, 선정돼 현재 과제를 수행 중이다. 

현재 구축 중인 바이오메디컬 파운데이션 모델은 분자 정보, 단백질, 오믹스, 약물 정보, 출판 논문, 임상 가이드라인, 병원 임상 데이터까지 총 7개 레이어의 데이터를 연결하는 구조다. 현재 페이즈 1에서는 영상을 제외한 언어 데이터에 집중해 바이오메디컬 언어 모델을 구축하고, 이를 신약 개발 도메인과 임상 현장 도메인으로 재특화하는 전략으로 개발 중이다. 유 CAIO는 "페이즈 1 결과로 제시된 것은 5개 헬스케어 벤치마크에서 대형 프런티어 모델들을 16B 소형 모델로 앞질렀다"고 말했다. "나아가 17개 의료 도메인 벤치마크 전체로 확장해 테스트한 결과에서도 경쟁력 있는 성능을 확인했다"고 덧붙였다. 

실증 단계에서는 건강보험공단 13개 병원의 실제 데이터를 활용해 두 가지 시나리오를 검증했다. 응급실 트리아지와 감별 진단(DDX) 시나리오, 이상 약물 반응의 인과성을 평가하고 리포트를 자동 작성하는 시나리오였다. 유 CAIO는 "의료진 평가는 지금 당장 초안으로서 의사결정을 돕는 데 쓰일 수 있다는 것이었다"고 전했다. 한계도 솔직하게 짚었다. "특화 도메인에서 학습했으니 그 도메인에서 잘 해야 하는 건 맞다. 하지만 새로운 문제나 복잡한 질문에 대해서는 여전히 잘한다고 볼 수 없다"고 인정하며, 이를 극복하기 위해 페이즈 2에서 대규모 강화 학습에 집중 투자하고 있다고 밝혔다. 

유 CAIO는 병원 OS의 청사진도 공개했다. 진료 대화, 과거 기록, 각종 임상 데이터를 입력으로 받아 언어 모델이 환자 상황을 시간 순서에 맞게 정확히 파악하고, 의료진의 다양한 업무를 보조하는 구조다. 응급 상황 추정, 약물 이상 반응 의심, 건강보험 삭감 위험 등 주요 상황에서는 실시간 알림이 뜨고, 모든 답변에는 정확한 근거가 함께 제시된다. 병원마다, 의사마다 다른 워크플로우에 맞춰 에이전트 하네스를 커스터마이징하며, 의사가 AI 초안을 수정하는 행위 자체가 누적돼 에이전트가 지속적으로 개선되는 구조도 포함된다. 그는 "언어를 통해 변화시킬 수 있는 병원 내 영역을 잘 정의함으로써 변화를 가져오겠다"고 밝혔다.