Henry Schein One

치과 영상은 촬영이 끝났다고 일이 끝나는 자료가 아니야. 영상이 흐리거나 일부가 빠지면 환자가 돌아간 뒤에야 문제가 드러날 수 있고, 그때는 진료와 보험 청구가 함께 늦어져. Henry Schein One은 이 피드백을 환자가 아직 의자에 앉아 있는 순간으로 당겨, 영상이 쓸 만한지 먼저 알려주는 방식을 만들었어.¹

한 줄로 말하면

Henry Schein One은 치과 진료 관리 소프트웨어 안에 영상 품질 검증을 넣어, X선을 다시 찍어야 하는지를 촬영 직후 알려주는 회사야.

무엇인가

Henry Schein One은 Dentrix와 Dentrix Ascend 같은 치과 진료 관리 플랫폼을 통해 치과 업무를 다루고 있어. 여기서 소개된 Image Verify는 그 업무 흐름에 붙은 영상 품질 평가 기능이야. 병변을 찾아내거나 진단하는 도구가 아니라, 촬영한 X선이 임상적으로 사용할 만한 상태인지 확인하는 도구라는 경계가 분명해.¹

촬영된 영상은 먼저 bitewing, panoramic, periapical처럼 영상 유형을 분류하고, 유형에 맞는 여러 모델이 선명도·정렬·범위·완전성을 평가해. 결과는 하나의 1~5점 품질 점수로 합쳐져 진료 관리 애플리케이션에 돌아간다. 점수가 낮으면 환자가 현장에 있을 때 다시 촬영할 수 있어.¹

구조는 Amazon SageMaker AI의 추론 endpoint와 Amazon EKS 애플리케이션 계층이 나눠 맡아. EKS가 진료 관리 애플리케이션의 요청을 추론 endpoint로 전달하고, 여러 품질 모델의 결과를 다시 화면에 보여주는 흐름이야.

flowchart LR
    A["치과 X선 촬영"] --> B["영상 유형 분류"]
    B --> C["선명도·정렬·범위·완전성 평가"]
    C --> D["1~5점 품질 점수"]
    D --> E["현장에서 재촬영 또는 진료 흐름 계속"]

왜 계속 등장하는가

이 사례가 보여주는 핵심은 의료 AI가 반드시 진단부터 시작할 필요는 없다는 점이야. 진단 전 단계의 품질 확인만으로도 재촬영, 환자 재방문, 보험 청구 지연처럼 업무에 바로 연결되는 마찰을 줄일 수 있어. AI의 역할을 좁게 정의했기 때문에 임상 판단을 대신하는 시스템과는 다른 제품·규제 경계에서 출발할 수 있었고.

동시에 이 기능은 모델 정확도만으로 끝나지 않아. 촬영 화면에 점수가 나타나는 데 걸리는 시간이 짧아야 하고, 여러 지역의 치과에서 동시에 요청을 받아야 하며, GPU 비용도 감당해야 해. 그래서 이 제품을 볼 때는 모델 자체보다 업무 흐름에 맞는 지연시간, 전처리와 추론을 합친 전체 파이프라인, 배포 후 운영을 함께 봐야 한다.

이 대상을 볼 때의 핵심 축

• 품질과 진단의 경계 — 영상이 좋은지 확인하는 기능과 병변을 판단하는 기능을 분리해서 봐야 해. Image Verify는 전자에 해당한다고 설명돼.
• 피드백이 돌아오는 시간 — AWS 글은 영상 촬영부터 점수 표시까지의 중앙값을 1.4초, 90퍼센타일을 2.2초로 제시해. 실제 업무에서 이 시간이 유지되는지가 현장 사용성을 가른다.¹
• 파이프라인의 병목 — 이 시스템은 처음에 영상 디코딩·정규화·크기 조정 같은 전처리가 CPU에서 돌아가 GPU가 충분히 쓰이지 않는 문제가 드러났어. 모델만 빠르게 만드는 것과 전체 흐름을 빠르게 만드는 것은 다르다는 사례야.¹
• 확장과 비용의 동시 달성 — GPU 인스턴스 종류를 바꾼 뒤 중앙값과 90퍼센타일 지연시간을 낮추고, 인스턴스 수를 15개에서 10개로 줄였다고 설명돼. 규모가 커질수록 정확도와 비용을 따로 최적화하기 어렵다는 점을 보여줘.¹
• 현장 지표 — 품질 점수 자체보다 재촬영률, 환자 재방문, 보험 청구 반려, 신규 직원 교육에 어떤 변화가 생겼는지를 확인해야 해. 공개된 AWS 사례는 이런 효과를 방향으로 설명하지만, 독립적인 효과 측정치는 아직 별도로 확인할 필요가 있어.

최근 관찰된 신호

2026년 7월 AWS 기술 글은 Image Verify가 출시 뒤 250개 진료소에서 시작해 1만 곳이 넘는 활성 장소로 확대됐고, 1,100만 건 이상 또는 최적화 과정에서 2,000만 건 이상의 치과 X선을 처리했다고 설명해. 글의 서로 다른 시점에 나온 수치이므로 하나의 동일 시점 지표로 섞어 읽으면 안 돼.¹

현재 구조는 미국·유럽·캐나다·아시아태평양 네 지역 배포를 염두에 두고 있으며, Henry Schein One은 4만 곳까지 확장하는 목표를 제시하고 있어. 추론은 비동기 방식으로 처리하고, 대기열 깊이를 자동 확장의 신호로 사용하며, A/B 테스트와 무중단 배포로 변경을 검증하는 방식이 함께 소개됐다.¹

헷갈리지 말아야 할 점

Image Verify의 품질 점수는 X선에 병변이 있는지 알려주는 진단 결과가 아니야. 점수가 높다고 임상 판단이 끝나는 것도 아니고, 낮다고 특정 질환을 뜻하는 것도 아니야. 이 도구가 확인하는 질문은 영상이 사용 가능한 품질인지에 한정돼.

또 4만 곳이라는 숫자는 현재 사용 장소가 아니라 확장 목표야. 1만 곳 이상의 도입과 처리량·지연시간·오류율은 AWS가 소개한 사례의 수치이고, 그것이 모든 지역과 모든 치과에서 같은 결과를 보장한다는 뜻은 아니야. 실제 효과를 읽으려면 지역별 운영 조건과 환자·보험 청구 결과를 따로 확인해야 한다.

남은 질문들

• Image Verify의 품질 점수와 실제 보험 청구 반려율 사이에는 어떤 관계가 있나?
• 영상 유형별 모델의 오류와 재촬영 기준은 어떻게 정해지나?
• 네 지역에서 환자 영상의 저장·처리·접근 권한은 어떻게 나뉘나?
• 4만 곳으로 확장할 때 지연시간과 GPU 비용이 어떻게 변하나?

이어서 읽기

의료 AI를 진단이 아니라 업무 흐름의 품질 확인부터 적용하는 방식은 이 글의 사례에서 확인할 수 있어. 모델 추론을 관리형 서비스로 운영하는 구조는 Amazon SageMaker AI에서 이어서 읽을 수 있어.

각주

1. AWS, 「Real-time dental image verification with Amazon SageMaker AI at Henry Schein One」(2026-07-10) AWS Machine Learning Blog. ↩︎ ↩︎² ↩︎³ ↩︎⁴ ↩︎⁵ ↩︎⁶ ↩︎⁷ ↩︎⁸