서울아산병원 융합의학과 김남국 교수와 피부과 김경훈 레지던트, 문익준 피부과 전문의(전 서울아산병원 교수) 연구팀은 피부색에 따른 인공지능(AI) 진단 성능 격차를 줄이는 생성형 AI 기술을 개발했다고 8일 밝혔다.

연구팀은 밝은 피부 환자의 피부 병변 형태를 보존하면서 피부색만을 어둡게 변환하는 ‘피부유형 변환 네트워크(Skin Type Translation Network, STTN)’를 개발했다. 현재 AI 학습에 사용되는 임상데이터는 밝은 피부(Fitzpatrick Skin Type I-II)에 집중되어 있고, 조직검사로 확진된 어두운 피부(V-VI) 데이터는 전 세계적으로 부족한 실정이다.

일반적인 생성형 AI가 새로운 병변을 만들어내는 것과 달리, STTN은 실제 밝은 피부 환자의 임상데이터를 기반으로 피부색만 변환하도록 설계됐다. 이를 통해 진단에 중요한 병변 형태를 그대로 유지하면서 상대적으로 부족했던 어두운 피부 임상데이터를 보완할 수 있다.

연구팀은 1만 6707개의 임상데이터를 활용해 STTN을 학습시켰다. 피부과 전문의 19명, 다른 진료과 의사 12명, 비의료인 11명 등 총 42명이 실제 사진과 AI 생성 사진을 구별하는 블라인드 평가에 참여했다. 그 결과 실제 사진과 생성 사진을 구별하는 평균 정확도는 49.7%로, 무작위 추측과 유사한 수준이었다. 다만 임상 경험이 많은 피부과 전문의일수록 생성 사진의 미세한 차이를 찾아내는 경향이 확인됐다.

STTN이 생성한 사진으로 피부색에 따른 AI 성능 격차를 줄일 수 있는지도 검증했다. 밝은 피부 사진만으로 학습한 기존 AI 모델과 STTN이 생성한 어두운 피부 사진을 추가해 학습한 ‘STTN 데이터 학습 모델’을 비교한 결과, STTN 모델의 진단 성능이 통계적으로 유의하게 향상됐다. 양성·악성 피부종양을 구분하는 AUC(곡선하면적)는 기존 모델 0.56에서 STTN 모델 0.66으로 올랐으며, 민감도와 특이도 역시 향상됐다.

김남국 교수는 “의료에서는 평균적인 성능보다 개별 환자에게 적용했을 때의 성능이 중요하다”며 “인종이나 피부색, 성별, 나이 등에 따라 정확도가 달라지지 않는 공정한 AI 개발에 노력하겠다”고 말했다.

이번 연구는 아프리카 에티오피아 연구진이 함께 참여했으며, 피부과 분야 국제학술지 ‘피부과학 연구저널(Journal of Investigative Dermatology)’에 최근 게재됐다. 연구팀이 생성한 합성 데이터와 코드는 온라인에 공개되어 있다.

저작권자© 메디게이트뉴스, 무단 전재 및 재배포 금지

#서울아산병원 # 피부색 변환 AI # STTN # 피부질환 진단 # 성능 격차 # Fitzpatrick Skin Type # Journal of Investigative Dermatology # 임상데이터