대장내시경에서 용종의 6~27%는 놓친다. 시술자의 숙련도, 용종의 위치와 모양에 따라 편차가 크다는 뜻이다. 이 문제를 AI로 풀려는 시도는 이미 상용화 단계에 와 있지만, 문제는 값이다.

한국건강관리협회 제주지부 김용배 박사가 Journal of Medical Artificial Intelligence에 발표한 연구는 이 지점을 정면으로 겨냥한다. 갤럭시 S9 한 대와 오픈소스 도구만으로 실시간 용종 검출이 어디까지 가능한지 직접 실험한 것이다.

실험실 성적과 현장 성적은 다르다

김 박사는 Harvard Dataverse의 공개 데이터 28,773장으로 EfficientDet Lite2 모델을 학습시켰다. 여기까지는 흔한 접근이다. 흥미로운 건 그다음이다. 같은 이미지를 모니터에 띄우고 스마트폰으로 다시 촬영한 데이터셋을 따로 만들어 별도 모델을 학습시켰다. 화면 반사, 조명, 카메라 왜곡까지 그대로 들어간 '지저분한' 데이터다.

실험실 평가에서는 당연히 원본 학습 모델이 앞섰다. 그런데 실제 스마트폰 환경에서 돌려보니 순위가 뒤집혔다. 촬영본으로 학습한 모델이 검출률 40.2%, 분류 정확도 28.9%로 원본 학습 모델(32.0%, 16.5%)을 앞질렀다. 과형성 용종 판별에서는 통계적으로 유의한 차이(P=0.008)까지 나왔다. 추론 속도는 80~250ms. 실시간이라 부를 만하다.

정확도보다 중요한 건 배포 비용

솔직히 절대 성능만 보면 상용 시스템에 못 미친다. GI Genius의 민감도 82%, 특이도 89.5%와 비교하면 격차가 뚜렷하다. 하지만 이 연구의 값어치는 다른 데 있다.

전용 하드웨어 없이, GPU도 없는 일반 데스크톱에서 학습해서, 소비자용 스마트폰에 얹었다. 도입 장벽이 사실상 0에 수렴한다는 뜻이다. 개원가와 중소 검진센터, 그리고 장비 예산이 빠듯한 신흥국 시장이 곧바로 떠오른다.

파트너 입장에서 볼 만한 접근은 세 갈래다. 기존 내시경 장비에 얹는 소프트웨어 애드온, 정부 검진사업과 묶는 B2G, 그리고 상용 시스템의 보조 검증·전공의 교육용 레이어로 들어가는 방식이다. 어느 쪽이든 하드웨어 교체를 요구하지 않는다는 게 협상력의 핵심이다.

남은 숙제

파일럿 연구다. 용종 종류가 선종과 과형성 둘뿐이고, 기기도 한 종류만 썼다. 다양한 내시경 장비와 인종·연령대에서의 일반화는 검증되지 않았다. 인허가는 아직 시작도 안 했다.

다만 이 연구가 던지는 메시지는 분명하다. 학습 데이터를 실제 사용 환경에 맞추는 것이, 데이터를 더 모으는 것만큼이나 중요하다는 것. 의료 AI를 현장에 배포해본 팀이라면 익숙한 교훈일 것이다.

출처: Kim YB. Smartphone-based polyp detection: a first step towards an open-source AI framework. Journal of Medical Artificial Intelligence 2025;8:49. doi: 10.21037/jmai-24-310. 2024년 9월 5일 접수, 2025년 3월 21일 게재 승인, 4월 25일 온라인 출판. 한국건강관리협회 제주지부 내시경실. 코드는 GitHub(kcchgs/polyp_detector)에 공개되어 있다.


W Labs Research Team