목 차

1. 서론
  1.1. 마이크로로봇 기술 개요
  1.2. 현재 기술의 한계
  1.3. AI와 마이크로로봇 융합의 장점
  1.4. 머신러닝 기술 개요
2. 개발 동향: 연구 분야에 따른 분류
  2.1. 영상화
  2.2. 제어
  2.3. 군집 제어
3. 개발 동향: 의료 응용 사례
  3.1. 캡슐내시경
  3.2. 수술 로봇
  3.3. 캡슐형 로봇
4. 토의
  4.1. 기대 효과
  4.2. 도전 과제
  4.3. 향후 연구 개발 및 임상 적용 전략
5. 결론
6. 참고문헌


1. 서론

1.1. 마이크로로봇 기술 개요

마이크로로봇(microrobot)은 일반적으로 1 ㎜ 이하의 크기를 가진 미세 구조물을 지칭하지만 [1], 더 넓은 의미로는 밀리미터에서 마이크로미터 범위의 특성 크기를 가진 소형 로봇을 포함한다 [2]. 이러한 마이크로로봇은 비침습 중재를 가능하게 하여, 의료 응용의 지평을 넓히고 있다 [1]. 마이크로로봇은 실험실 연구에서 좋은 결과를 보여주었지만, 임상 현장에서 사용하려면 해결해야 할 여러 가지 문제가 있다. 마이크로 크기에서의 제작 방식, 상호작용, 움직임에 대한 이해가 필요하며, 마이크로 로봇의 접근을 위하여 무선 작동 같은 작동 및 제어 방식을 개발해야 한다 (그림 1).

그림 1. 의료 마이크로로봇의 분류.
 (좌) 완전히 새롭게 설계하고 제작한 초소형 로봇, (우) 기존의 대형 로봇을 소형화한 로봇
 약어: GI, gastrointestinal; US, ultrasound
 출처: 참고문헌 [2]

마이크로로봇의 설계는 용도에 크게 좌우된다. 응용 분야의 요구사항에 따라 크기, 기계적 성질, 힘 출력(force output), 재료 선택 등이 결정되기 때문이다. 또한, 특정 신체 부위의 특성과 표적 부위까지의 거리 등을 고려하여 적절한 제어 전략을 수립하게 된다 [2]. 마이크로로봇의 이동 경로로는 소화기계 및 혈관계가 주로 이용된다 (표 1). 이러한 경로를 통해 목표 장기에 도달한 마이크로로봇은 연조직이나 고형 종양 내부로 침투하게 된다 [2].

표 1. 마이크로로봇 활용과 관련된 신체 부위의 중요한 해부학적 특징

1.2. 현재 기술의 한계

인체 내부의 복잡한 구조와 계속적으로 변화하는 환경은 마이크로로봇의 제어와 영상화를 어렵게 한다. 깊은 조직 내부의 실시간 시각화와 로봇 제어를 구현하려면 난이도 높은 기술을 요한다 [1].

마이크로로봇의 생체 내(in vivo) 적용을 위한 과제는 크게 세 가지로 정리할 수 있다. 기본 과제로 마이크로 규모에서 표면력이 부피 효과보다 지배적이어서 기존의 물리 모델을 적용하기 어렵다는 점이다. 현실적인 과제로는 구성 요소의 초소형화, 혁신적인 제작 기술의 탐색, 효과적인 구동 및 센싱 시스템의 개발, 적합한 제어 방법의 설계가 있다. 임상적인 과제로는 안전성과 효능을 보장할 수 있는 적절한 재료 선택, 생체 적합성 확보, 의료 영상을 활용한 체내 추적 및 실시간 피드백 구현이 요구된다 [1]. 이러한 과제들을 극복하면 마이크로로봇 기술의 실제 의료 현장 적용이 가능해질 것이다.

1.3. AI와 마이크로로봇 융합의 장점 

머신러닝(Machine Learning, 이하 ML)은 마이크로로봇의 의료 분야 활용에서 다양한 기술적 난제를 해결하는 데 중요한 역할을 할 수 있다. ML은 방대한 데이터를 분석하고, 의사결정을 지원하는 도구로 활용될 수 있으며, 높은 정확도와 적응성으로 인하여 여러 산업에서 주목받고 있다 [1].

최근 로봇 공학에서 ML 기술이 적극적으로 도입되며, 특히 로봇 비전과 내비게이션 기술 발전에 기여하고 있다. ML 기반 로봇은 축적된 데이터를 활용해 패턴을 학습하고, 환경 변화에 적응하며 자율적으로 움직일 수 있어 복잡한 환경에서도 안정적인 성능을 발휘한다 [1].

의료 분야에서도 ML의 적용은 유망한 것으로 보인다. 예를 들어, 수술 로봇에 ML 알고리즘을 적용하면 외과 수술의 정밀도를 높이고, 의료진의 부담을 줄이는 데 기여할 수 있다. 또한, ML 기술을 의료 영상 분석에 활용하면 병변 검출과 질병의 조기 진단을 보다 정밀하게 수행할 수 있어 진단 정확도가 향상될 것으로 기대된다 [1].

대형 로봇에서 성공적으로 적용된 ML 기술을 미세 규모 로봇에도 채택하려는 연구가 활발히 진행되고 있다. 마이크로로봇은 복잡한 운동 특성 때문에 전통적인 모델링 방식이 사용되기 어려우므로, 이를 보완할 수 있는 ML 기반 접근 방식이 주목받고 있다. 특히 모델 없이도 학습과 적응이 가능한 ML 기술은 마이크로로봇이 예측 불가능한 환경에서도 효과적으로 작동할 수 있도록 한다 [1].

ML은 마이크로로봇의 자동화 및 예측 가능성을 향상시키며, 정확한 영상 처리와 정밀한 내비게이션 기술을 구현하는데 기여할 가능성이 크다. 예를 들어, ML 알고리즘을 활용하면 마이크로로봇이 복잡하고 불안정한 환경에서도 자율적으로 경로를 탐색하고, 최적의 제어 방식을 학습할 수 있다. 이는 개별 마이크로로봇뿐만 아니라 여러 개의 마이크로로봇이 협력하여 움직이는 군집 제어 시스템에도 적용될 수 있다. 또한, ML을 기반으로 한 영상 처리 기술은 마이크로로봇과 주변 환경에 대한 정밀한 정보를 제공하여 인식 및 제어 능력을 개선한다. 이러한 기술적 융합을 통해 보다 지능적이고 자율적인 마이크로로봇 개발이 가능해질 것으로 전망된다. 궁극적으로, ML의 도입은 마이크로로봇의 안전성과 성능을 한층 향상시키며, 의료 분야에서 보다 정밀하고 효율적인 치료를 지원하는 기반이 될 것으로 기대된다 [1].

ML은 의료 마이크로로봇 분야에서 아래의 예시와 같이 활용될 것으로 보인다 [1].

1) 안전한 물질 선택: 안전성과 생체 내 반응성 측면에서 최적의 재료 선택을 지원한다.
2) 최적 설계 탐색: 마이크로로봇의 유연성, 기동성, 효율성을 극대화하는 설계를 탐색한다.
3) 실시간 물체 탐지: 수술 중 목표물, 마이크로로봇, 장애물을 정확히 식별한다.
4) 기능 향상: 특정 작업(예: 약물 전달, 조직 상호작용)의 수행 능력을 개선한다.
5) 최적 경로 계획: 효율성을 높이면서 위험을 최소화하는 경로를 설계한다.
6) 동적 환경에서의 정밀 내비게이션: 마이크로로봇의 원활한 이동과 정확한 목표 도달이 가능해진다.

1.4. 머신러닝 기술 개요

ML 모델은 지도 학습, 비지도 학습, 고급 학습의 세 가지 유형으로 분류할 수 있다 [1].

지도 학습은 입력 변수와 출력 값 간의 관계를 모델이 학습하도록 한다. 주어진 데이터셋에는 입력과 그에 대응하는 정답(라벨)이 포함된다 [1].

Deep Learning(이하 DL)은 주로 지도 학습에 활용되며, 깊은 신경망 구조를 통해 데이터를 계층적으로 표현하는 것이 특징이다. 신경망의 층이 깊어질수록 복잡한 패턴을 더 효과적으로 학습할 수 있어 모델의 정확도와 성능이 개선된다. 특히, 인공 신경망(Artificial Neural Network, 이하 ANN) 중에서도 Convolutional Neural Network(이하 CNN)은 음성 및 영상 인식, 컴퓨터 비전 등에서 뛰어난 성능을 보인다. CNN은 데이터의 공간적 특징을 보존하면서 중요한 특징을 효과적으로 추출할 수 있어, 영상 처리 작업에서 정확도가 높다 [1].

비지도 학습은 라벨이 없는 데이터에서 의미 있는 패턴을 찾아내는 방법이다. 주로 확률 기반 모델을 활용해 학습이 이루어진다. 이 방법은 그래픽 모델을 통해 입력 데이터의 패턴을 분석하고, 정보를 효율적으로 압축할 수 있게 한다. 마이크로로봇 연구에서는 신경망의 구조와 하이퍼파라미터를 발전시키기 위해 NeuroEvolution of Augmenting Topologies(이하 NEAT)가 활용된다. NEAT는 유전 알고리즘(Genetic Algorithm, 이하 GA)과 신경망을 결합하여 ANN의 가중치와 네트워크 구조를 함께 최적화할 수 있는 기술을 제공한다 [1].

ML 모델의 세 번째 범주인 고급 학습은 여러 ML 기법을 결합하여 활용하는 방식이다. 강화 학습(Reinforcement Learning, RL), 퍼지 논리(Fuzzy Logic, FL), GA 등을 결합해 모델의 성능을 극대화할 수 있다 [1].

RL은 컴퓨터가 환경과 상호작용하며 학습한다. 이 방식의 목표는 숨겨진 패턴을 발견하는 것이 아니라, 보상 신호(reward signal)를 최대화하는 것이다. RL에서는 실제 세계를 에이전트(agent)가 환경과 지속적으로 상호작용하면서 피드백(보상 또는 벌점)을 받고, 이를 바탕으로 최적의 의사결정 전략을 학습한다. 이 과정에서 에이전트는 목표를 달성하기 위해 점진적으로 행동을 개선한다 [1].

FL은 퍼지 집합 이론을 기반으로 하며, 불확실성이 존재하는 환경에서 의사 결정을 내리기 위해 언어 변수와 퍼지 집합을 활용한다. FL은 입력과 출력 값 사이의 비선형 매핑을 수행하며, 자연어 규칙을 반영해 인간의 추론을 표현한다. 반면, GA는 자연선택 원리를 모방한 기법으로, 집단 기반의 확률적 방법을 사용한다. GA는 최적해를 찾기 위해 선택, 교차, 돌연변이라는 세 가지 종류의 연산을 적용한다. 선택(selection) 과정에서는 적합도가 높은 개체를 식별하고, 교차(crossover)는 서로 다른 개체의 유전 정보를 결합해 솔루션을 생성한다. 마지막으로, 돌연변이(mutation)를 통해 일부 요소를 무작위로 변형하여 탐색 공간을 확장하고 성능을 높인다 [1].

2. 개발 동향: 연구 분야에 따른 분류 

2.1. 영상화(imaging) 

마이크로로봇을 생체의학적으로 활용하기 위해서는 정확한 영상화와 추적 능력이 필수적이다. 이는 의료 시술의 진행 상황을 모니터링하고 로봇의 안전성과 효율성을 보장하기 위해 필요하다. 실시간 추적 데이터는 로봇의 기능을 최적화하고 전반적인 효과성을 향상시킬 수 있다 [1].

최근 마이크로로봇을 위한 새로운 영상화 및 추적 기술을 개발하려는 노력이 활발하다. 마이크로로봇의 실시간 추적을 위해서 광학, 자기, 초음파, 방사선 기반 및 하이브리드 기술이 유망 후보로 여겨지고 있다. 의료 영상 시스템은 1) 영상 형성과 재구성, 2) 영상 처리 및 분석의 두 가지 주요 구성 요소로 이루어져 있다. ML, 특히 DL은 영상 분석과 재구성에서 중요한 역할을 하며, 추적 기술의 효율성과 정확성을 향상시킨다. 마이크로로봇의 추적 능력을 개선하기 위하여 ML은 지도 학습으로 특정 패턴을 인식하고, 비지도 학습으로 관련 특징을 추출한다 [1].

초음파 기반 영상을 예로 들어 설명하겠다. 초음파는 저렴하고 소형이며, 휴대 가능한 장비를 사용하여 조직에 해를 주지 않으면서 실시간 영상(초당 수백 프레임 가능)을 제공한다. 초음파 에코 데이터를 영상으로 변환하는 여러 방법 중 일반적으로 B모드가 사용된다. B모드는 공간의 각 지점에서 에코 신호의 진폭을 밝기 수준으로 변환하여 영상을 생성한다. 에코 진폭은 조직과의 상호작용 과정에서 초음파 파동의 반사, 전송 및 감쇠에 영향을 받으므로, B모드 영상은 복잡한 아티팩트를 포함할 수 있어 해석이 어렵다. 이러한 이유로 예제 영상을 활용하여 자동 실시간 마이크로로봇 탐지 [3-4], 추적 및 위치 확인 [5]을 가능하게 하는 DL 기반의 ML 접근 방식이 관심을 받고 있다 [2].

마이크로로봇의 영상화 및 추적 분야에서 ML의 적용에는 깊이 및 자세 추정, 탐지 및 추적, 마이크로로봇 작업을 위한 특징 추출이 포함된다. 관련 사례를 (표 2)에 제시하였다 [1].

표 2. ML 방법을 활용한 마이크로로봇의 영상화 및 추적 연구 사례

2.2. 제어(control) 

정밀한 제어와 내비게이션은 마이크로로봇의 핵심 요구 사항이다. 생체 내의 복잡한 환경에서 효과적으로 작동하려면 자율적인 감지, 의사 결정 및 작업 수행 기능이 필수적이다. 이러한 기능은 대형 로봇에서 성공적으로 개발되었지만, 소형 로봇에서는 감지, 에너지 공급, 정보 처리 하드웨어의 통합이 어려워 성과가 제한적이다. 보다 유망한 접근 방식은 외부 물리적 필드 생성기와 결합된 ML 기반 제어 전략을 통해 마이크로로봇의 자율적 움직임을 조절하는 것이다 [1].

마이크로로봇의 제어 및 내비게이션에 ML 알고리즘을 적용하려면 몇 가지 요구 사항을 충족해야 한다. 첫째, 샘플 효율성이다. 실제 실험에서 훈련 데이터를 대량으로 수집하기 위해서는 많은 시간과 자원이 소모되므로, 최소한의 샘플로 특정 정확도 수준에 도달해야 한다. 둘째, 실시간 처리이다. ML 알고리즘은 낮은 계산 복잡성을 유지하면서 장애물 회피와 같은 실시간 상황에서도 충분히 빠르게 작동해야 한다. 셋째, 강건성과 일반화이다. 성능은 예측할 수 없는 환경 변화에 견딜 수 있어야 하며, 다양한 환경에 맞춰 이동 방식을 적절히 조정할 수 있어야 한다 [1]. 관련 사례를 (표 3)에 제시하였다.

표 3. ML 방법을 활용한 마이크로로봇의 제어 연구 사례

2.3. 군집 제어(swarm control) 

최근 의료 및 생명과학 분야에서 군집 마이크로로봇 기술이 주목받고 있다. 이 시스템은 다수의 미세 로봇으로 구성되어, 단일 로봇으로는 어려운 작업을 협력하여 수행한다. 효과적인 제어 기술은 이러한 군집의 목표 지향적 움직임을 가능케 한다. 그러나 기존 제어 방식은 군집의 다양한 특성을 동시에 관리하는 데 한계가 있어, 복잡한 환경에서의 정밀한 조작에 어려움이 있다. 이에 대한 해결책으로 ML 기반 접근법이 유망한 결과를 보여주고 있다. 관련 사례를 (표 4)에 제시하였다 [1].

표 4. ML 방법을 활용한 마이크로로봇의 군집 제어 연구 사례 

3. 개발 동향: 의료 응용 사례 

3.1. 캡슐내시경 

저자 설아람   약력   2006. 03. ~ 2007.11. 연세의료원 의학공학교실, 연구강사   2007. 11. ~ 2010. 06. 건강보험심사평가원, 주임연구원   2010. 06. ~ 현재 한국보건의료연구원, 연구위원    학력   2006. 02. 연세대학교, 의공학 박사(PhD)   2024. 02. 성균관대학교, 경영학 석사(MBA)     연구 분야   보건의료 관련 임상 및 정책 연구(주 관심 분야: 디지털 헬스케어)