🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

헨리 샤인 원은 치과 엑스레이 촬영 즉시 품질을 판정하는 이미지 베리파이를 구축해 1.4초의 중앙 지연시간과 0.01%의 오류율로 1만 곳 이상의 진료 현장을 지원하고 있다.

📌 핵심 요약

• 기존 치과 엑스레이 품질 검사는 촬영 후 수시간 또는 수일이 지나서 이루어져, 흐리거나 정렬이 잘못된 이미지를 발견했을 때 환자를 다시 불러야 하는 문제가 있었다.
• 이미지 베리파이는 촬영 시점에 엑스레이 종류를 분류하고 선명도·정렬·촬영 범위·완전성을 평가한 뒤, 결과를 1점부터 5점까지의 단일 품질 점수로 제공한다.
• 시스템은 세이지메이커 AI의 비동기 추론과 EKS 기반 애플리케이션 계층을 사용하며, 전체 왕복 처리에서 중앙값 1.4초, 상위 90% 기준 2.2초의 응답시간을 달성했다.
• 전처리를 CPU에서 GPU로 옮기고 GPU 인스턴스를 교체한 결과, 응답속도를 개선하면서 운영 인스턴스를 15대에서 10대로 줄여 GPU 인프라 규모를 33% 축소했다.
• 이미지 베리파이는 진단이 아니라 임상 사용에 적합한 영상인지 확인하는 품질 관리 도구이며, 1만 곳 이상의 활성 지점과 주당 약 150만 장의 처리량을 기반으로 4개 지역 4만 곳까지 확장하는 것을 목표로 한다.

🧩 주요 포인트

1. 기존 치과 엑스레이 품질 검사는 촬영 후 수시간 또는 수일이 지나서 이루어져, 흐리거나 정렬이 잘못된 이미지를 발견했을 때 환자를 다시 불러야 하는 문제가 있었다.
2. 이미지 베리파이는 촬영 시점에 엑스레이 종류를 분류하고 선명도·정렬·촬영 범위·완전성을 평가한 뒤, 결과를 1점부터 5점까지의 단일 품질 점수로 제공한다.
3. 시스템은 세이지메이커 AI의 비동기 추론과 EKS 기반 애플리케이션 계층을 사용하며, 전체 왕복 처리에서 중앙값 1.4초, 상위 90% 기준 2.2초의 응답시간을 달성했다.
4. 전처리를 CPU에서 GPU로 옮기고 GPU 인스턴스를 교체한 결과, 응답속도를 개선하면서 운영 인스턴스를 15대에서 10대로 줄여 GPU 인프라 규모를 33% 축소했다.
5. 이미지 베리파이는 진단이 아니라 임상 사용에 적합한 영상인지 확인하는 품질 관리 도구이며, 1만 곳 이상의 활성 지점과 주당 약 150만 장의 처리량을 기반으로 4개 지역 4만 곳까지 확장하는 것을 목표로 한다.

🧠 상세 정리

1. 촬영 시점과 품질 피드백 사이의 간극

치과 진료에서는 엑스레이 품질이 보험 청구 승인과 치료 계획 진행 여부에 직접적인 영향을 준다. 원문에 따르면 치과 보험 청구의 최대 20%가 처음에는 거절되며, 누락되거나 품질이 낮은 이미지가 주요 원인에 포함된다. 그러나 기존 품질 평가는 촬영이 끝난 뒤 임상의가 수시간 또는 수일 후 이미지를 검토하는 수동 방식이어서, 문제를 발견할 때는 환자가 이미 진료실을 떠난 경우가 많았다. 이미지가 흐리거나 정렬이 어긋났거나 필요한 영역을 온전히 담지 못하면 환자를 다시 불러 재촬영해야 했고, 이는 비용과 처리 지연뿐 아니라 환자와 의료진 모두의 불편으로 이어졌다. 따라서 핵심 문제는 단순히 품질을 판별할 수 있느냐가 아니라, 환자가 현장에 있는 동안 판별 결과를 돌려줄 수 있느냐였다.

2. 이미지 베리파이의 역할과 도입 확산

헨리 샤인 원은 이 시간적 간극을 해소하기 위해 진료 관리 업무 흐름에 내장되는 인공지능 기반 품질 평가 시스템인 이미지 베리파이를 개발했다. 기술자가 엑스레이를 촬영하면 시스템이 즉시 영상을 평가하고 1점부터 5점까지의 품질 점수를 반환하며, 점수가 낮으면 환자가 현장에 있을 때 바로 다시 촬영할 수 있다. 이 제품은 2025년 가을의 구상 단계에서 수개월 만에 운영 환경에 투입됐고, 출시 초기 250개 진료소에서 2026년 4월 말 1만 곳 이상으로 약 43배 확대됐다. 본문의 시점별 수치는 900만 장 이상, 1100만 장 이상, 최적화 여정 후반의 2000만 장 이상으로 진행 상황을 보여주며, 주간 처리량은 약 150만 장으로 제시된다. 품질 점수 자체가 기술자의 참여를 유도하는 요소로 작동해 신규 인력 교육과 자발적인 품질 개선에도 활용되고 있다.

3. 임상 환경이 요구한 다섯 가지 조건

기존 시스템은 다른 클라우드 환경에서 운영됐지만, 자연스러운 임상 업무 흐름에 필요한 지연시간과 비용 효율성을 충족하지 못했다. 새 시스템은 단순한 환경 이전이 아니라 지연시간, 정확도, 확장성, 비용 효율성, 세계적 배포라는 다섯 조건을 동시에 만족하도록 다시 설계해야 했다. 임상의가 결과를 기다리지 않도록 품질 평가는 3초 이내에 끝나야 했고, 선명도·정렬·완전성 등 서로 다른 품질 차원을 평가하는 여러 모델이 불필요한 오판으로 신뢰를 떨어뜨리지 않아야 했다. 동시에 수만 곳에서 발생하는 하루 수십만 건의 요청을 처리하면서 GPU 추론 비용을 통제해야 했다. 미국뿐 아니라 유럽, 캐나다, 아시아 태평양 지역에서도 일관된 성능을 제공해야 했기 때문에, 성능 수치와 운영 방식 및 지역 확장성이 하나의 설계 문제로 다뤄졌다.

4. 다단계 추론 파이프라인의 작동 방식

애플리케이션 계층은 아마존 EKS에서 실행되며, 진료 관리 애플리케이션이 보낸 요청을 세이지메이커 AI 추론 엔드포인트로 전달한 뒤 품질 점수를 임상의에게 돌려준다. 추론 파이프라인의 첫 단계에서는 촬영된 영상이 교익방사선, 파노라마, 치근단방사선 등 어떤 유형인지 분류하고 해당 유형에 적합한 평가 모델로 요청을 보낸다. 다음 단계에서는 영상 유형별 전문 모델들이 선명도, 정렬 상태, 촬영 범위, 완전성을 각각 평가한다. 마지막으로 여러 품질 모델의 결과를 집계해 1점부터 5점까지의 단일 점수로 만들고 진료 관리 화면에 표시한다. 이 구조는 병변이나 질환을 찾는 진단 시스템이 아니라 영상이 임상적으로 사용할 만큼 잘 촬영됐는지를 묻는 품질 관리 시스템이며, 이러한 범위 구분은 임상 인공지능에 수반되는 규제 제약 없이 빠르게 개선하는 데 도움이 됐다.

5. 지연시간과 GPU 인프라 개선

전체 왕복 과정은 영상 촬영부터 화면의 품질 점수 표시까지 중앙값 1.4초, 상위 90% 기준 2.2초가 걸리며, 수백만 건의 추론에서 오류율은 0.01%로 제시된다. 변동하는 요청량은 세이지메이커 AI 비동기 추론으로 처리하고, 일반적인 CPU 사용률 대신 대기열 깊이를 기준으로 자동 확장해 GPU 작업량을 더 정확하게 반영했다. 팀은 여러 GPU 인스턴스 계열을 비교한 뒤 ml.g6e.4xlarge에서 ml.g7e.4xlarge로 전환했다. 그 결과 중앙 지연시간은 1.687초에서 1.432초로, 상위 90% 지연시간은 2.45초에서 2.196초로 줄었다. 동시에 운영 인스턴스 수를 15대에서 10대로 통합해 GPU 인프라를 33% 줄였으므로, 더 적은 자원으로 더 빠른 응답을 제공하는 개선이 함께 이루어졌다.

6. 점진적 구축과 무중단 배포 방식

협업 초기에는 다른 클라우드에서 실행되던 기존 영상 검증 작업을 검토하고, 같은 기능을 더 나은 지연시간과 비용 효율성으로 제공할 수 있도록 AWS 서비스에 대응시키는 작업이 진행됐다. 먼저 다중 모델 추론 파이프라인이 새 환경에서도 올바르게 작동하는지 확인하는 기준 시스템을 만들었고, 기능적 동등성이 검증된 뒤 성능 최적화와 대규모 확장으로 초점이 이동했다. AWS 측은 아키텍처 검토, 작업 특성에 맞는 GPU 계열 선정, 사용률 분석과 병목 식별, 4만 곳 규모의 배포를 위한 확장 전략 수립을 지원했다. 각 변경 사항은 실제 운영 트래픽을 활용하는 A/B 시험 체계로 검증한 뒤 전체에 적용되어, 운영 중단 없이 하루에도 여러 차례 개선 사항을 배포할 수 있었다. 다지역 네트워크는 미국, 유럽, 캐나다, 아시아 태평양 지역에서 일관된 배포를 지원하도록 구성됐다.

7. CPU 병목 발견과 전처리 최적화

출시 후 사용량이 빠르게 늘자 팀은 인프라 프로파일링을 실시해 자원이 실제로 어디에서 소모되는지 분석했다. 그 결과 영상 디코딩, 정규화, 크기 조정으로 구성된 전처리 과정이 전부 CPU에서 실행되고 있었으며, CPU가 포화된 동안 GPU에는 활용 가능한 여유가 남아 있다는 사실이 확인됐다. 이런 상태에서는 전체 처리량이 부족해 보이기 때문에 인스턴스를 더 추가하기 쉽지만, 실제 해결 지점은 GPU 증설이 아니라 파이프라인 내부의 전처리 방식이었다. 팀은 60개가 넘는 최적화 항목을 우선순위에 따라 정리하고, 먼저 영상 전처리를 CPU에서 GPU로 옮겨 지연시간이나 안정성 저하 없이 인스턴스 효율을 높였다. 이어진 두 번째 최적화도 인스턴스당 처리량을 추가로 개선했으며, 비동기 추론과 A/B 시험 체계가 이러한 변경을 빠르고 안전하게 운영 환경에 반영하는 기반이 됐다.

8. 운영 성과와 세계적 확장 계획

최적화 여정이 시작된 지 약 2주가 지난 시점에 본문은 이미지 베리파이가 2000만 장 이상의 치과 엑스레이를 처리했고, 1만 곳 이상의 활성 지점에서 주당 약 150만 장을 처리한다고 설명한다. GPU 사용률은 약 70%이며 최적화 과제의 60%가 완료된 상태에서도 개선 사항이 계속 배포되고 있다. 현장에서는 품질이 낮은 이미지를 환자가 떠나기 전에 찾아내므로 재방문 요청을 줄이고, 보험 청구 자료를 더 완전하게 만들며, 진료소의 보험금 지급 절차를 앞당기는 데 도움을 준다. 250곳에서 1만 곳 이상으로의 확대가 수개월이 아니라 수주 안에 이루어졌다는 점은 업무 흐름에 자연스럽게 들어간 품질 점수와 기술자 참여 방식의 빠른 수용을 보여준다. 현재 아키텍처는 4개 지역에 걸친 4만 곳의 목표를 위해 검증됐으며, 본문은 현재 1만 곳이 목표 용량의 약 26%에 해당해 구조를 다시 설계하지 않고도 확장할 여지가 있다고 설명한다.

🧾 핵심 주장 / 시사점

• 실시간 인공지능 품질 검증의 가치는 모델 판정 자체보다 환자가 현장에 있을 때 재촬영 여부를 결정할 수 있도록 피드백 시점을 앞당기는 데 있다.
• GPU 추론 시스템에서는 CPU 포화가 GPU의 실제 여유를 가릴 수 있으므로, 인스턴스를 증설하기 전에 디코딩·정규화·크기 조정 등 전처리 경로를 함께 측정해야 한다.
• 비동기 추론, 대기열 기반 자동 확장, GPU 전처리, 인스턴스 비교, 무중단 A/B 시험을 결합하면 응답시간을 단축하면서도 운영 인프라를 줄이고 지속적인 최적화를 이어갈 수 있다.

✅ 액션 아이템

• 헨리 샤인 원 사례처럼 촬영 즉시 품질 판정을 넣어 흐림·정렬 오류를 조기 차단하고 환자 재촬영 부담을 낮춘다.
• 세이지메이커 비동기 추론과 EKS 계층을 결합해 중앙 1.4초·P90 2.2초를 실서비스 응답 지표로 두고 운영한다.
• 전처리를 GPU로 이전하고 GPU 인스턴스를 15대에서 10대로 줄여 33% 인프라 감소 효과를 검증한 뒤 주당 약 150만 장 처리량 적합성을 점검한다.

❓ 열린 질문

• 단일 1~5점 품질 점수 체계로 촬영 즉시 판정 정확도를 임상 사용 기준에 맞게 운영할 수 있는가?
• 동시 호출 증가 시 중앙 1.4초, P90 2.2초 응답을 유지하려면 병목을 어디에서 선제적으로 분리·완화해야 하나?
• 1만 개 이상 활성 지점과 주당 150만 장 처리량 기준을 적용해 4개 지역 4만 곳까지 확장할 때 어떤 성능 모니터링 기준이 필요한가?