[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"newsroom-blogs":3,"news-blog-14":28},[4],{"id":5,"blog_author_id":6,"blog_category_id":6,"title":7,"slug":8,"excerpt":9,"banner":10,"content":11,"published_at":12,"created_at":13,"updated_at":13,"banner_url":14,"author":15,"category":22},14,2,"스마트폰으로 대장 용종을 찾는다","Finding Colorectal Polyps With a Smartphone","대장내시경에서 용종의 6~27%는 놓친다. 이를 해결하는 상용 AI 시스템은 이미 나와 있지만, Medtronic의 GI Genius처럼 전용 하드웨어에 묶여 있고 값이 비싸다. Journal of Medical Artificial Intelligence에 실린 파일럿 연구는 다른 길을 택했다. 갤럭시 S9 한 대와 오픈소스 도구가 전부다. 김용배 박사는 공개 데이터 28,773장으로 EfficientDet Lite2 모델을 학습시킨 뒤, 같은 이미지를 모니터에 띄우고 스마트폰으로 재촬영한 데이터로 두 번째 모델을 만들었다. 화면 반사와 조명, 카메라 왜곡이 그대로 들어간 데이터다. 실험실 평가에서는 원본 학습 모델이 앞섰지만, 실제 스마트폰에서는 순위가 뒤집혔다. 검출률 40.2%, 분류 정확도 28.9%로 원본 모델(32.0%, 16.5%)을 앞질렀고 추론 속도는 80~250ms였다. 절대 성능은 여전히 상용 시스템에 못 미치지만, 도입 비용이 사실상 0이라는 점이 핵심이다. 전용 장비도, GPU도, 기기 교체도 필요 없다. 기존 내시경 장비용 소프트웨어 애드온, 국가 검진사업과 묶는 B2G, 상용 시스템의 보조 검증·교육 레이어라는 세 갈래 접근이 열린다.","blog\u002F01M0EN8HXNAPHK31C9F53J7EWC.jpg","\u003Cp>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.\u003C\u002Fp>\u003Cp>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.\u003C\u002Fp>\u003Ch3>실험실 성적과 현장 성적은 다르다\u003C\u002Fh3>\u003Cp>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.\u003C\u002Fp>\u003Cp>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.\u003C\u002Fp>\u003Ch3>정확도보다 중요한 건 배포 비용\u003C\u002Fh3>\u003Cp>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.\u003C\u002Fp>\u003Cp>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.\u003C\u002Fp>\u003Cp>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.\u003C\u002Fp>\u003Ch3>남은 숙제\u003C\u002Fh3>\u003Cp>파일럿 연구다. 용종 종류가 선종과 과형성 둘뿐이고, 기기도 한 종류만 썼다. 다양한 내시경 장비와 인종·연령대에서의 일반화는 검증되지 않았다. 인허가는 아직 시작도 안 했다.\u003C\u002Fp>\u003Cp>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.\u003C\u002Fp>\u003Cp>\u003Cstrong>출처\u003C\u002Fstrong>: 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\u002Fjmai-24-310. 2024년 9월 5일 접수, 2025년 3월 21일 게재 승인, 4월 25일 온라인 출판. 한국건강관리협회 제주지부 내시경실. 코드는 GitHub(kcchgs\u002Fpolyp_detector)에 공개되어 있다.\u003Cbr>\u003Cbr>\u003Cbr>\u003Cem>W Labs Research Team\u003C\u002Fem>\u003C\u002Fp>","2026-08-20T00:00:00.000000Z","2026-08-20T04:00:57.000000Z","https:\u002F\u002Fnewsroom.wsoftlabs.dev\u002Fstorage\u002Fblog\u002F01M0EN8HXNAPHK31C9F53J7EWC.jpg",{"id":6,"name":16,"email":17,"photo":18,"bio":19,"github_handle":18,"twitter_handle":18,"created_at":20,"updated_at":20,"photo_url":21},"W Labs Research Team","contact@wsoft.space",null,"\u003Cp>\u003Cstrong>W Labs Research Team\u003C\u002Fstrong> – The department of W Labs dedicated to systematic investigation, knowledge development, and evidence-based analysis to guide decision-making, product development, and organizational strategy.\u003C\u002Fp>","2026-04-09T02:42:20.000000Z","",{"id":6,"name":23,"slug":24,"description":25,"is_visible":26,"created_at":27,"updated_at":27},"Artificial Intelligence","artificial-intelligence","\u003Cp>Content, tools, or initiatives related to the development and application of intelligent systems that can learn, analyze data, and perform tasks typically requiring human intelligence, such as decision-making, automation, and problem-solving.\u003C\u002Fp>",true,"2026-04-09T02:47:28.000000Z",{"id":5,"blog_author_id":6,"blog_category_id":6,"title":7,"slug":8,"excerpt":9,"banner":10,"content":11,"published_at":12,"created_at":13,"updated_at":13,"banner_url":14,"author":29,"category":30},{"id":6,"name":16,"email":17,"photo":18,"bio":19,"github_handle":18,"twitter_handle":18,"created_at":20,"updated_at":20,"photo_url":21},{"id":6,"name":23,"slug":24,"description":25,"is_visible":26,"created_at":27,"updated_at":27}]