AI가 사용자들의 피부 상태 이해를 돕는 방법에 대한 연구

성인 절반 이상이 인터넷으로 건강 정보를 찾고, 그중 3분의 1은 인공지능(AI)을 활용한다고 해요. 하지만 정보를 얻는다고 해서 그걸 쉽게 이해하거나 올바르게 해석할 수 있는 건 아니죠. 요약하자면, 더 나은 건강 정보로부터 사람들이 혜택을 얻을 수 있도록 건강 정보 AI에서 '인간'이라는 요소는 여전히 중요한 연구 대상이에요.

특히 피부과(피부, 머리카락, 손톱/발톱을 포함하며, 간단히 '피부'라고 부를게요) 분야에서는 이런 점이 더 중요해요. 사람들은 자기 피부 고민과 관련된 올바른 정보를 온라인에서 찾기 어려워하거든요. 예를 들어, '다리에 빨간 점'을 발견했다고 해도, 그게 구체적으로 '촉지성 자반증'이라는 전문 용어인지는 모를 수 있잖아요.

구글 연구팀은 수년간 이 분야에서 기술적 기반을 다져왔어요. 피부 질환의 차등 진단을 위한 AI 모델을 개발하고, 모델 일반화 성능을 검증하며, 임상의와 연구자들을 돕기 위해 SCIN 같은 데이터셋을 출시하기도 했죠. 하지만 가장 큰 영향력은 고품질 정보를 제공함으로써 피부 고민이 있는 사람들의 의사결정을 돕는 데서만 얻을 수 있다고 생각해요.

이걸 제대로 하려면, 사람들이 AI와 어떻게 상호작용하며 자신의 결정을 내리는지 이해하는 게 정말 중요해요. 이전 비(非)AI 도구들을 평가한 연구들을 보면, 사람들이 인터넷을 사용해서 질환을 더 잘 식별할 수는 있었지만, '다음 단계'를 결정하는 능력까지 반드시 향상되지는 않았다고 해요. AI 도구들이 점차 보편화될수록, 우리는 사람들이 더 나은 결정을 내리도록 지원하기 위해 인간 요소를 신중하게 연구하고 개선해야 해요.

위 내용을 염두에 두고, 오늘 구글 연구팀은 피부과 관련 질문에 대한 AI 도구의 사용자 이해도를 다룬 최근 및 과거 연구 일부를 공유할게요. 여기에는 AI의 도움으로 질환 명칭을 식별하는 능력이 향상되고, 다음 단계를 결정하는 데도 일부 이점이 있음을 보여준 최근의 대규모 정량적 논문이 포함되어 있어요. 또한 사람들이 자신의 피부 고민에 이런 도구들을 어떻게 사용하는지, 그리고 그들이 얻은 이해가 의사와의 대화에서 얻은 이해와 어떻게 비교되는지를 다룬 심층적인 혼합 연구도 있어요.

대규모 사용자 이해도 평가

이번 주 《JAMA Dermatology》에 게재된 논문, 'AI 기반 정보 도구를 사용한 피부 고민에 대한 소비자 이해'에서 구글 연구팀은 구조화된 AI 지원이 사용자의 질환 식별 능력과 다음 단계 결정 능력에 어떤 변화를 주는지 조사했어요. 2,345명의 설문 참가자들에게 이미지와 구조화된 병력이 포함된 회고적, 비식별화된 피부 질환 사례를 보여주고, 그 사례가 본인의 것이라고 상상하게 했어요.

참가자들은 사례를 조사하기 위해 세 그룹으로 무작위 배정되었어요.

• (음성) 대조군: 참가자들은 일반 텍스트 기반 웹 검색 같은 익숙한 기존 도구를 사용했어요.
• AI: 참가자들은 프로토타입 AI(위 그림의 사용자 인터페이스)를 사용했어요. 이 AI는 AI 모델의 예측에 따라 일치하는 질환 3~7개의 스크롤 가능한 캐러셀을 제공했는데, 여기에는 교과서 이미지와 증상, 치료법에 대한 상세 정보가 포함되어 있었죠.
• '오즈의 마법사' (양성 대조군): 참가자들은 동일한 AI 인터페이스를 사용했지만, 여기서 예측된 질환들은 사실 피부과 의사 패널이 제공한 '진실' 진단명이었어요. 이는 항상 정답을 맞히는 AI를 모방한 것이죠.

구글 연구팀은 AI 지원이 사용자 이해도를 통계적으로 유의미하게 향상시켰다는 것을 발견했어요. AI 도구를 사용했을 때, 참가자들은 대조군(표준 검색 도구 사용)의 41%에 비해 더 많은 62% 이상이 질환 명칭을 시도했고, 정확도도 훨씬 높았어요.

더 중요한 건, 참가자들의 질환명 추측 정확도가 비약적으로 높아졌다는 점이에요. AI 그룹의 정확도는 23%로, 비보조 대조군(8%)에 비해 거의 세 배나 높았어요. '오즈의 마법사' 그룹에서는 정확도가 약 네 배(36%) 높았지만, 여전히 완벽하지는 않았어요. 일치하는 질환을 보여주는 AI '카드'가 제공되자, 참가자들은 자신의 질환 추측에 훨씬 더 높은 자신감을 가졌고, 검색 결과와 검색에 소요된 시간에 대한 전반적인 만족도도 더 컸어요.

다음 단계 정의의 어려움

저희 연구에서 AI는 처방적이 되지 않도록, 이미지를 가능한 질환과 연결하는 데 중점을 두었고, 사용자가 무엇을 해야 할지는 스스로 해석하도록 설계되었어요. 저희 목표는 사용자가 효율적으로 검색하도록 돕는 것이지, 처방하거나 진단하는 것이 아니었거든요. 게다가 제공된 치료 및 정보는 권위 있는 출처에 접근할 수 있는 피부과 의사들이 순전히 질환명에 기반하여 작성한 것이지, 해당 사례의 특정 질환 심각도에 맞춰 맞춤화된 것은 아니었어요.

아마도 제공된 정보의 일반성 때문일 텐데, 가정 요법을 사용할지 아니면 긴급 클리닉 방문을 예약할지 같은 적절한 의료적 다음 단계를 결정하는 것은 사용자들에게 여전히 어려웠어요. 구글 연구팀의 연구에 따르면 '오즈의 마법사' 그룹에서 다음 단계 정확도가 소폭 증가(대조군의 60% 대비 63.5%)했지만, 일반 AI 그룹에서는 통계적으로 유의미한 개선을 보이지 않았어요. 심지어 AI 그룹 참가자들은 대조군(27%)보다 피부과 의사가 제안했을 조치보다 덜 긴급한 다음 단계를 제안할 가능성이 약간 더 높았어요(30%).

이것은 단순히 질환을 식별하는 것만으로는 항상 충분하지 않다는 것을 다시 한번 강조해요. 일반인에게 가장 안전하고 적절한 다음 단계를 더 잘 알려주는 도구를 설계하는 데는 여전히 진전이 필요해요.

풍부한 피드백을 위한 커뮤니티 참여

대규모 설문 연구는 일반적인 경향을 이해하는 데 매우 유용하지만, 구글 연구팀은 사람들이 다른 사람의 질환 사진을 해석하는 것이 아니라, 자신의 고민과 직접적으로 관련된 정보를 어떻게 해석하는지 이해할 필요성도 인지했어요. 이처럼 더 풍부하고 미묘한 피드백을 얻기 위해, 저희는 이런 도구들로부터 가장 큰 혜택을 받을 수 있는 커뮤니티로부터 직접 깊이 있는 질적 통찰을 구했어요.

지난해 ACM 컴퓨터-인간 상호작용 (CHI) 컨퍼런스에서 발표된 'AI로 피부 고민 탐색: 다양한 커뮤니티에서 피부과 앱에 대한 인간 중심 조사' 논문에서, 구글 연구팀은 스탠퍼드 헬스케어 AI 응용 연구팀(HEA 3 RT) 및 산타클라라 가족 건강 플랜 (SCFHP)과 협력했어요. SCFHP는 주변 지역 주민들에게 서비스를 제공하며, 그중 많은 이들이 의료 안전망인 메디컬(Medi-Cal)에 의존하고 있어요. 저희 목표는 실제 환경에서 활동적인 피부 고민을 가진 다양한 동의 참가자들이 피부 AI 시스템의 정보를 실제로 어떻게 사용하고 반응하는지 연구하는 것이었어요.

무엇보다 저희는 이 커뮤니티를 위한 도구를 만들고 있다는 것을 확실히 하고 싶었어요. 참가자들이 네 가지 주요 언어를 사용했기 때문에, AI 애플리케이션은 각자의 언어로 번역되었어요. 해당 언어에 능통한 자원봉사자나 직원들도 소통을 돕기 위해 함께했어요.

이 실제 환경 연구에서, 110명의 동의 참가자들이 앱을 사용했어요(그리고 우려 사항을 명확히 하기 위해 즉시 임상의와 상담했어요). 위 설문 연구와 유사하게, 앱 사용은 이 참가자들의 질환 명칭 식별 능력을 향상시켰어요(260% 증가했지만, 정확한 추측률은 전반적으로 낮았어요). 참가자들은 교과서 이미지를 자신의 질환과 시각적으로 매칭하는 것에 크게 의존했는데, 이는 다양한 피부 톤, 질환의 심각도, 신체 부위의 이미지를 제공하여 '패턴 매칭'을 돕는 것이 중요함을 강조해요.

연구에 참여한 임상의들은 앱의 예측이 자신의 질환 평가와 일반적으로(86%) 일치한다고 느꼈어요. 참가자들이 임상의 상담 중에 앱을 열 수 있었기 때문에, 임상의들도 앱을 토론을 위한 공유 참조점으로 활용하고 환자-의사 간 대화를 촉진할 수 있었죠. 임상의들은 앱이 92%의 경우에 도움이 되는 도구라고 보고했어요.

결론

위에 언급된 저희 연구들은 다양한 배경을 가진 개인이 피부 질환을 더 잘 이해하도록 돕기 위한 이미지 기반 AI 사용에 초점을 맞췄어요. 개선을 위한 주요 발견으로는 사용자 이해 및 패턴 매칭을 안내하기 위한 더 많은 '교과서적' 예시 제공, 그리고 실제 사용자 질의에 더 구체적인 실행 가능한 정보 포함(질환명 자체보다는)이 있어요. 또한, 이미지 유사성 기반 도구를 사용한 저희 연구에 따르면, 일반인들은 AI 기반 피부 질환 정보 검색에서 이미지와 텍스트(즉, 멀티모달) 접근 방식을 단독으로 사용하는 것보다 선호한다고 해요.

이 모든 연구들을 종합적으로 보면, 피부 질환 정보 검색의 미래에 대한 잠재적인 그림이 나타나요. 시각적인 시작점을 제공하면 진입 장벽이 낮아지고, 더 개인화된 AI 안내는 복잡한 의료 정보를 탐색하는 데 도움이 될 수 있어요. 하지만, 매우 효과적인 도구를 구축하려면 모든 사람이 이 정보를 효과적으로 해석하여 헬스케어 여정을 지원할 수 있도록 지속적인 인간 중심 연구가 필요해요.

감사의 말씀

혼합 연구 실행에 기여해주신 엘리스 배글리, 트레버 크로웰, 바브나 다리야니, 휴 도안, 모건 두, 매디슨 엘리엇, 베아 에릭슨, 맷 플렉, 조이 간, 태미 후인, 예툰데 이비토예, 예진 정, 세르지오 마르케스, 제이 나야르, 키라 응우옌, 트랑 응우옌, 하비에르 페레즈, 카롤라 폰세, 우리엘 리베라, 써니 버마니, 르네 웡, 그리고 알란 이순자에게 감사드립니다. 또한, 논문에 귀중한 피드백을 주신 마이클 하월, 나아마 해멀, 라지브 리키, 애비 존스, 데이브 스타이너에게도 감사드립니다.