서울아산병원 연구팀, 피부 병변 형태 보존하는 생성형 AI 개발
실제 사진과 구별 정확도 49.7%…양성·악성 종양 판별 AUC 0.56→0.66

서울아산병원 연구팀은 밝은 피부 환자의 피부 병변 형태를 보존하면서 피부색만을 어두운 피부처럼 변환하는 생성형 인공지능 기술을 개발했다. 생성형 AI로 만든 이미지

피부색에 따라 인공지능(AI)의 피부질환 진단 성능이 달라지는 문제를 생성형 AI로 개선할 수 있다는 연구 결과가 나왔다.

실제 피부 병변의 형태는 유지하면서 피부색만 어둡게 바꾼 사진을 AI 학습에 활용한 결과, 양성·악성 피부종양을 구분하는 성능이 향상됐다.

서울아산병원 융합의학과 김남국 교수와 피부과 김경훈 레지던트, 문익준 피부과 전문의(전 서울아산병원 교수) 연구팀은 피부 병변 형태를 보존하면서 피부색만 어둡게 변환하는 생성형 AI 기술을 개발했다고 9일 밝혔다.

의료 AI는 학습 데이터의 양과 다양성에 따라 진단 성능이 달라질 수 있다. 그러나 피부질환 관련 임상데이터는 밝은 피부 유형에 집중돼 있으며, 특히 조직검사로 확진된 어두운 피부 환자의 데이터는 상대적으로 부족하다.

연구팀은 이를 보완하기 위해 ‘피부유형 변환 네트워크(STTN·Skin Type Translation Network)’를 개발했다. 실제 밝은 피부 환자의 임상 사진에서 병변 형태는 최대한 유지하고 피부색만 어둡게 바꾸는 방식이다.

연구팀은 임상데이터 1만6707개로 STTN을 학습시킨 뒤, 피부과 전문의 19명과 다른 진료과 의사 12명, 비의료인 11명 등 42명에게 실제 사진과 AI 생성 사진을 구별하도록 했다. 그 결과 평균 판별 정확도는 49.7%로, 무작위 추측과 비슷한 수준이었다. 다만 임상 경험이 많은 피부과 전문의일수록 생성 사진의 미세한 차이를 찾아내는 경향을 보였다.

생성 사진을 AI 학습에 활용했을 때 진단 성능도 개선됐다. 밝은 피부 사진만 학습한 기존 모델과 비교해, 생성한 어두운 피부 사진을 추가로 학습한 모델의 양성·악성 피부종양 판별 AUC(곡선하면적)는 0.56에서 0.66으로 높아졌다. 민감도와 특이도도 개선됐으며, 밝은 피부에서의 진단 성능은 유지됐다.

이번 연구는 어두운 피부 환자의 임상데이터 부족으로 발생할 수 있는 의료 AI의 성능 격차를 합성 데이터로 완화할 가능성을 보여줬다는 데 의미가 있다.

김남국 교수는 “의료에서는 평균적인 성능보다 개별 환자 한 명 한 명에게 적용했을 때의 성능이 중요하다”며 “인종이나 피부색, 성별, 나이 등에 따라 정확도가 달라지지 않는 공정한 인공지능을 개발하기 위해 노력하겠다”고 말했다.

이번 연구는 피부과 분야 국제학술지 ‘피부과학 연구저널(Journal of Investigative Dermatology)’에 게재됐으며, 연구팀이 생성한 합성 데이터와 관련 코드는 온라인에 공개됐다.

이승구 온라인뉴스 기자 [e-mail]