과학기술정보통신부 「AI최고급신진연구자지원사업」에 선정된 컴퓨터공학과 남윤영 교수. AI와 의료·바이오를 연결하는 융합연구를 통해 새로운 연구 가능성을 넓히고, AI 고급인재 양성에 나선 남윤영 교수의 연구 이야기와 비전을 들어봤다.

Q. 과학기술정보통신부 「AI최고급신진연구자지원사업」선정을 진심으로 축하드립니다. 이번 사업에서 추진하고자 하는 연구의 핵심 목표와 주요 내용을 소개해 주시고, ​서로 다른 학문 분야와 AI를 연결하는 공동연구를 통해 어떤 AI 고급인재를 양성하고자 하시는지 말씀 부탁드립니다. 아울러 이번 사업이 우리 대학의 AI 연구역량 강화에 어떤 역할을 할 것으로 기대하시는지도 궁금합니다.

A: 먼저 이번 「AI최고급신진연구자지원사업」 선정은 개인 연구자 한 사람의 성과라기보다 순천향대학교가 그동안 축적해 온 AI·의료·바이오 분야의 연구역량과 대학병원 인프라, 그리고 다양한 학문 분야의 연구자들이 함께 만들어낸 결과라고 생각합니다. 특히 이 사업이 글로벌 AI 기술의 혁신을 이끌 최고 수준의 AI 인재 양성을 목표로 한다는 점에서 이번 선정의 의미가 더욱 크다고 생각합니다.

이번 연구의 핵심 목표는 AI를 의료데이터와 결합해 질병의 예측부터 바이오마커 발굴, 신약 개발까지 연결하는 ‘AI 기반 정밀의료 플랫폼’을 구축하는 것입니다. 이를 위해 순천향대학교 4개 부속병원과 경희대 의료원의 다기관 의료데이터를 활용해 임상정보와 의료영상, 생체신호, 오믹스 데이터 등 서로 다른 형태의 의료데이터를 통합·표준화하고, 질병의 예후와 약물 반응을 예측할 수 있는 의료 AI 모델을 개발하고자 합니다.

연구는 크게 Model–Marker–Medicine, 즉 3M 구조로 추진됩니다. Model에서는 다양한 의료데이터를 학습한 AI 모델을 통해 질환의 진행과 치료 반응을 예측하고, Marker에서는 AI를 활용해 새로운 바이오마커를 발굴하며, Medicine에서는 이를 신약 후보물질과 치료전략 개발로 연결하고자 합니다. 결국 단순히 의료데이터를 잘 분석하는 AI를 넘어 AI가 질병을 이해하고, 새로운 치료 가능성을 제시하며, 다시 그 결과가 임상과 신약 개발로 이어지는 선순환 구조를 만드는 것이 목표입니다.

특히 이번 연구에서 중요하게 생각하는 부분은 AI와 다른 학문 분야를 연결할 수 있는 고급인재를 양성하는 것입니다. 앞으로는 알고리즘이나 모델을 잘 만드는 것뿐만 아니라 의료, 생명과학, 약학, 임상 등 각 분야의 전문지식을 이해하고 자신의 전공 문제를 AI의 언어로 재정의할 수 있는 융합형 AI 연구자가 필요합니다. 신진연구자들이 실제 의료·바이오 연구자들과 함께 문제를 정의하고, 데이터를 확보·표준화하며, AI 모델을 개발하고 그 결과를 다시 연구문제로 연결하는 전 과정을 경험하도록 하고자 합니다.

이번 사업은 단일 연구실 중심의 연구를 넘어 대학과 병원, 타 대학 및 기업이 함께 참여하는 AI 융합연구 생태계를 구축하는 기반이 될 것으로 기대합니다. 궁극적으로는 “AI를 잘하는 대학”을 넘어 “AI로 새로운 학문과 산업을 만들어내는 대학”으로 발전하고, 그 중심에서 AI와 자신의 전문 분야를 동시에 이해하고 새로운 문제를 해결할 수 있는 AI의료분야 스타급 신진연구자를 양성하고자 합니다.

A: 이번 사업을 통해 가장 중요하게 만들고 싶은 것은 단순히 여러 분야의 연구자가 참여하는 ‘연구자 네트워크’가 아니라 실제 공동연구가 지속적으로 만들어지는 ‘AI 융합연구 생태계’입니다. AI 연구자와 각 전공 분야 연구자가 서로의 전문성을 이해하고, 실제 연구 현장의 문제를 함께 정의하는 과정이 무엇보다 중요하다고 생각합니다.

이를 위해 우선 AI 분야 전임교원과 박사후연구원이 보유한 기술과 연구역량을 정리하고, 의과대학과 부속병원, 자연과학·공학 등 각 분야 연구자들이 해결하고자 하는 연구문제와 연결하는 ‘AI 연구자–수요 연구자 매칭 플랫폼’을 구축할 필요가 있습니다. 의료진이 임상현장의 문제를 제시하면 AI 연구자가 영상 AI, 생성형 AI, 멀티모달 AI 등의 기술과 연결해 공동연구 주제로 발전시키는 방식입니다.

두 번째로는 ‘AI 융합연구 Lab 또는 AI Research Clinic’과 같은 정기적인 교류 프로그램이 필요합니다. 단순한 연구발표 세미나보다는 실제 연구문제를 가지고 AI 연구자와 전공 연구자가 함께 토론하는 방식이 효과적이라고 생각합니다. 이러한 과정을 반복하면 단순한 기술 적용을 넘어 새로운 연구 아이디어가 자연스럽게 만들어질 수 있습니다.

특히 작은 규모의 ‘융합연구 씨앗자금(Seed Money)’을 지원하는 체계가 중요합니다. 처음부터 대형 국가연구과제를 목표로 하기보다는 공동연구팀에 소규모 연구비를 지원해 데이터를 확보하고 예비연구를 수행한 뒤, 의미 있는 결과를 논문·특허나 후속 국가연구과제로 발전시키는 것입니다. 결국 Seed → Pilot → 대형 공동연구로 이어지는 단계적인 지원체계를 구축해야 합니다.

또한 AI 연구자와 부속병원 연구자가 공동연구를 수행할 때 가장 큰 어려움 중 하나는 데이터와 연구 인프라에 접근하는 과정이라고 생각합니다. 따라서 대학 차원에서 데이터 표준화, IRB, 개인정보 보호, 연구데이터 관리, GPU 및 클라우드 자원 등을 지원하고, 연구자는 연구문제와 아이디어에 집중할 수 있는 구조를 만드는 것이 중요합니다.

장기적으로는 이러한 공동연구가 특정 사업기간에만 이루어지는 것이 아니라 ‘AI 융합연구 클러스터’ 형태로 지속되는 구조를 만들고 싶습니다. AI, 의료, 바이오, 공학 등 서로 다른 분야의 연구자들이 지속적으로 공동 프로젝트를 발굴하고, 대학이 데이터·인프라·연구비·인재를 연결한다면 일회성 공동연구를 넘어 새로운 연구성과가 계속 만들어지는 선순환 구조를 구축할 수 있을 것으로 기대합니다.

Q.교수님의 연구이력을 보면 의료영상과 암 진단, 뇌질환, 원격탐사 등 다양한 데이터를 대상으로 딥러닝, Transformer, 설명가능 AI, 멀티모달 AI 등을 적용하는 연구를 폭넓게 수행해 오셨습니다. 이처럼 AI를 다양한 분야와 접목하는 연구를 이어오시면서 교수님께서 궁극적으로 해결하고 싶은 연구문제는 무엇인지, 그리고 앞으로 연구자로서 도전하고 싶은 연구 방향은 무엇인지 궁금합니다.

A: 돌이켜보면 제가 지금까지 수행해 온 연구는 의료영상, 암 진단, 뇌질환, 원격탐사 등 서로 다른 분야를 대상으로 하고 있지만, 그 중심에는 하나의 공통된 질문이 있었습니다. “AI가 복잡한 데이터를 단순히 분류하고 예측하는 것을 넘어, 인간이 이해하고 신뢰할 수 있는 방식으로 새로운 지식을 발견하고 실제 문제 해결까지 연결할 수 있는가?”라는 질문입니다.

초기에는 딥러닝을 활용해 의료영상이나 다양한 영상데이터에서 질환이나 객체를 탐지하는 데 관심을 가졌습니다. 이후 Transformer와 설명가능 AI, 멀티모달 AI 등으로 연구를 확장하면서 단순한 정확도 향상만으로는 충분하지 않다는 생각을 갖게 되었습니다. 실제 현장에서 활용되는 AI라면 왜 그런 결과를 제시했는지 설명할 수 있어야 하고, 서로 다른 형태의 데이터를 함께 이해하며, 새로운 가설과 지식을 만들어낼 수 있어야 한다고 생각합니다.

특히 앞으로 해결하고 싶은 핵심 연구문제는 AI가 데이터로부터 새로운 과학적 지식을 발견하고, 그 지식을 다시 인간의 의사결정과 실제 치료·기술개발로 연결하는 것입니다. 의료 분야에서도 질병의 발생과 진행, 치료 반응을 예측하는 것을 넘어 새로운 바이오마커나 치료 후보를 발굴하는 단계까지 AI의 역할을 확장하고자 합니다.

이를 위해 앞으로는 멀티모달 파운데이션 모델과 Agentic AI를 기반으로 한 ‘AI Scientist’ 연구에 도전하고 싶습니다. 기존 AI가 주어진 데이터를 분석하고 정해진 질문에 답했다면, 앞으로는 연구자의 문제를 이해하고 필요한 데이터를 분석하며 가설을 생성하고 검증하는 연구 파트너가 될 수 있다고 생각합니다. 이 과정에서 설명가능성, 재현성, 검증 가능성을 확보하는 것도 매우 중요합니다.

궁극적으로 제가 지향하는 것은 “AI가 사람을 대신하는 기술”보다 “AI와 사람이 함께 새로운 지식을 만들어내는 기술”입니다. AI가 방대한 데이터에서 패턴과 가설을 찾아내면 연구자가 이를 과학적·임상적으로 검증하고 다시 AI의 학습으로 연결하는 Human–AI Research Loop를 구축하고자 합니다. 앞으로도 특정 기술 하나에 머무르기보다 AI가 새로운 지식을 발견하고, 설명하고, 검증하고, 실제 문제 해결까지 연결하는 전 과정을 연구하고 싶습니다.