SKINOPATHY AI: Smartphone-Based Ophthalmic Screening and Longitudinal Tracking Using Lightweight Computer Vision

이 논문은 저자원 및 원격 환경에서 전문 장비 없이도 스마트폰을 통해 안구 홍반 정량화, 깜빡임 빈도 추정, 동공 반사 분석, 공막 색소 지수화, 그리고 병변 침범 측정 등 5 가지 설명 가능한 모듈을 제공하는 경량 컴퓨터 비전 기반의 안과 선별 및 장기 추적 시스템 'SKINOPATHY AI'의 아키텍처, 알고리즘, 윤리적 한계를 제시합니다.

핵심

SKINOPATHY AI: 스마트폰으로 눈 건강을 체크하는 '디지털 안과 의사'

이 논문은 SKINOPATHY AI라는 새로운 기술을 소개합니다. 쉽게 말해, 이 기술은 **스마트폰 카메라 하나만으로도 눈의 다양한 문제를 미리 발견하고, 시간이 지남에 따라 어떻게 변하는지 추적할 수 있게 해주는 '스마트한 눈 건강 도우미'**입니다.

기존의 안과 검사는 비싼 장비와 전문의가 필요했지만, 이 기술은 일반인이 집에서도 쉽게 사용할 수 있도록 만들었습니다.

이 시스템을 이해하기 쉽게 5 가지 핵심 기능과 작동 원리를 비유를 들어 설명해 드릴게요.

---

📱 1. 이 기술은 무엇인가요? (마치 '눈 건강용 스마트폰 앱'처럼)

우리가 스마트폰으로 사진을 찍거나 동영상을 찍을 때, 이 앱은 그 영상을 분석해서 눈의 상태를 5 가지 다른 방식으로 진단합니다. 마치 눈에 5 개의 다른 '렌즈'를 붙여서 각각 다른 문제를 찾아내는 것과 같습니다.

모든 계산은 스마트폰이나 간단한 서버에서 이루어지며, 사생활 보호를 위해 사진은 외부로 전송되지 않고 바로 분석된 '점수'만 저장됩니다.

🔍 2. 5 가지 주요 기능 (눈의 5 가지 검사)

이 앱은 눈의 어떤 부분을 어떻게 보는지 5 가지로 나뉩니다.

① 눈의 '붉은기' 측정 (Redness Quantification)

• 비유: 눈의 흰자위가 얼마나 '화난' 상태인지를 측정하는 온도계입니다.
• 작동: 눈이 붉어지면 (결막염, 알레르기 등) 색이 변합니다. 이 앱은 눈의 흰자위 색을 정교하게 분석해서 붉은 정도를 0~10 점으로 점수화합니다.
• 결과: "약간 빨갛네요, 지켜보세요" 혹은 "너무 빨갛네요, 병원에 가보세요" 같은 조언을 줍니다.

② 윙크 (깜빡임) 횟수 세기 (Blink Rate)

• 비유: 눈이 얼마나 자주 '휴식'을 취하는지를 체크하는 타이머입니다.
• 작동: 스마트폰으로 10 초간 눈을 깜빡이는 영상을 찍으면, AI 가 눈이 얼마나 자주 감고 뜨는지 세어줍니다.
• 의미: 너무 적게 깜빡이면 (건조증 위험), 너무 많이 깜빡이면 (자극 반응) 알 수 있어, 최근 많이 늘어난 '스마트폰 사용으로 인한 안구 건조증'을 미리 경고합니다.

③ 눈동자 반응 테스트 (Pupil Light Reflex)

• 비유: 눈이 빛에 얼마나 빠르게 '숨을' 수 있는지를 보는 신경 반응 검사입니다.
• 작동: 밝은 빛을 눈앞에 비추고, 눈동자가 얼마나 빨리 작아지는지 (수축) 측정합니다.
• 의미: 뇌 신경이나 자율신경계 건강을 간접적으로 확인할 수 있는 신호입니다. 반응이 느리면 신경과 전문의 진료를 권합니다.

④ 눈의 색깔로 간/빈혈 체크 (Scleral Color)

• 비유: 눈의 흰자위가 간 질환 (황달) 이나 빈혈의 '신호등' 역할을 합니다.
• 작동:
  • 노란색: 눈이 노랗다면 간 기능 이상 (황달) 의 신호일 수 있습니다.
  • 창백함: 눈이 너무 하얗다면 빈혈 (혈액 부족) 의 신호일 수 있습니다.
• 특이점: 스마트폰 카메라의 색감 차이를 보정하는 기술을 써서, 어떤 폰을 쓰든 비슷하게 측정하려 노력합니다.

⑤ 눈물방울 모양의 혹 추적 (Lesion Tracking)

• 비유: 눈 가장자리에 생기는 작은 '혹' (유희) 의 크기를 자로 재는 자입니다.
• 작동: 눈의 검은자위 (동공) 크기를 기준으로 삼아, 눈 가장자리에 생긴 살덩어리 (유희) 가 각막 쪽으로 얼마나 들어와 있는지 밀리미터 (mm) 단위로 재줍니다.
• 장점: 시간이 지나면서 이 혹이 커지는지, 그대로인지 추적할 수 있어, 수술이 필요한 시기를 판단하는 데 도움을 줍니다.

---

🛡️ 3. 왜 이 기술이 특별한가요? (핵심 장점)

1. 블랙박스가 아닙니다 (설명 가능한 AI):
   • 일반적인 AI 는 "왜 이렇게 판단했는지" 알려주지 않지만, 이 시스템은 **"눈이 붉은 픽셀이 30% 더 많아서 점수가 5 점입니다"**처럼 논리적인 이유를 보여줍니다. 의사나 연구자가 결과를 검증하기 쉽습니다.
2. 비밀이 안전합니다 (프라이버시):
   • 눈 사진은 클라우드 서버에 저장되지 않고, 내 기기나 안전한 서버에서 바로 처리됩니다. 사진은 분석 후 지워지고, 숫자 점수만 남습니다.
3. 진단이 아닌 '선별'입니다:
   • 이 앱은 **"병을 고쳐주는 의사가 아니라, 병이 있을지 모른다고 알려주는 경보 시스템"**입니다. "병원에 가보세요"라고 조언할 뿐, 직접 진단서를 발급하지는 않습니다.

🚀 4. 앞으로의 전망

이 연구는 아직 초기 단계 (파일럿 테스트) 이지만, 실험 결과 매우 유망한 성과를 보였습니다. 앞으로는 더 정교한 AI 모델을 도입하고, 오프라인에서도 완벽하게 작동하도록 발전시켜, **개발도상국이나 의료 접근이 어려운 지역에서도 눈 건강을 지키는 '구원자'**가 되기를 목표로 합니다.

💡 한 줄 요약

"SKINOPATHY AI 는 스마트폰 카메라를 이용해 눈의 붉은기, 깜빡임, 반응, 색깔, 혹까지 5 가지로 종합 검진해주는 '사생활 보호형 눈 건강 도우미'입니다."

기술 요약

1. 문제 정의 (Problem Statement)

• 접근성 부족: 전 세계적으로 약 22 억 명이 시각 장애를 겪고 있으며, 그중 대부분은 안과 전문의 접근이 제한된 저소득 및 중소득 국가에 거주합니다.
• 진단 지연: 기술적으로 선진국에서도 지리적 거리, 비용, 전문가 부족으로 인해 조기 진단이 가능한 흔하고 치료 가능한 안과 질환 (건조증, 결막염, 안구 황달 등) 의 진단이 지연되고 있습니다.
• 기존 솔루션의 한계:
  • 하드웨어 부착물: 스마트폰을 슬릿 램프나 안저 카메라로 변환하는 장치는 비용과 가용성의 장벽이 있습니다.
  • 클라우드 기반 AI: 민감한 생체 이미지를 업로드해야 하므로 프라이버시 위험, 네트워크 지연, 연결성 의존성이 발생합니다.
• 필요성: 특수 하드웨어나 클라우드 AI 추론 없이, 상용 스마트폰 브라우저 내에서 실행 가능하고, 프라이버시를 보호하며, 설명 가능한 (Explainable) 경량 스크리닝 도구의 필요성이 대두되었습니다.

2. 방법론 (Methodology)

SKINOPATHY AI 는 React 프론트엔드와 FastAPI 백엔드, MongoDB 데이터베이스로 구성된 3 계층 아키텍처를 기반으로 하며, 모든 알고리즘은 오픈소스 컴퓨터 비전 라이브러리 (OpenCV, MediaPipe) 를 사용하여 로컬 또는 최소한의 자체 호스팅 백엔드에서 실행됩니다.

핵심 5 개 스크리닝 모듈

1. 충혈 정량화 (Redness Quantification):
   • 기술: sRGB 를 CIE LAB 색 공간으로 변환하여 'a*' 채널 (적색 - 녹색 축) 을 분석합니다.
   • 알고리즘: 밝기 (Luminance) 가 가중된 스클레라 (흰자위) 마스크를 생성하고, 가중 평균 'a*' 값을 기반으로 0~10 점의 충혈 점수를 산출합니다.
2. 깜빡임 빈도 추정 (Blink Rate Estimation):
   • 기술: MediaPipe FaceMesh 를 활용한 눈의 랜드마크 (6 개) 기반 Eye Aspect Ratio (EAR) 계산.
   • 알고리즘: 적응형 임계값과 시간적 평활화 (Temporal Smoothing) 를 적용하여 프레임당 EAR 변화를 감지하고, 일정한 임계값 이하로 유지되는 시간을 기준으로 깜빡임을 판별합니다.
3. 동공 반사 특성화 (Pupil Light Reflex, PLR):
   • 기술: 동공 - 홍채 비율 (PIR, Pupil-to-Iris Ratio) 의 시계열 분석.
   • 알고리즘: 밝은 빛 자극 후 동공 수축의 진폭, 잠복기 (Latency), 수축 속도를 계산합니다. 홍채 랜드마크를 기반으로 카메라 - 피사체 거리 변화에 불변하는 정규화를 수행합니다.
4. 스크레라 색상 인덱싱 (Scleral Color Indexing):
   • 기술: 황달 (icterus) 과 빈혈 (anemia) 의 간접 지표 분석.
   • 알고리즘: LAB 색 공간의 'b*' (노란색 축) 를 황달 지수로, 'L*' (밝기) 와 'a*' 를 빈혈 (창백함) 지수로 활용합니다. 기기 간 편차를 줄이기 위해 Gray-world 화이트 밸런스 보정을 적용합니다.
5. 병변 침범 측정 및 추적 (Lesion Encroachment & Tracking):
   • 기술: 안구 표면의 안구육아종 (Pterygium) 등 병변의 각막 침범 거리 측정.
   • 알고리즘: 홍채 직경의 평균값 (HVID, 11.8mm) 을 기준으로 픽셀을 밀리미터로 변환합니다. 극좌표계를 사용하여 각막 - 결막 경계 (Limbus) 에서의 병변 침범 거리를 밀리미터 단위로 추정하고, 장기적 추이를 OLS(최소제곱법) 를 통해 분석합니다.

시스템 아키텍처 및 데이터 흐름

• 프론트엔드: React 기반, 카메라 접근 (getUserMedia), 미디어 녹화 (MediaRecorder), Chart.js 를 통한 시각화.
• 백엔드: FastAPI, OpenCV, MediaPipe, ReportLab(PDF 생성).
• 데이터: UUID 기반 세션 관리, MongoDB 저장. 원본 이미지/비디오는 처리 후 기본적으로 삭제되며, 계산된 메트릭만 저장되어 프라이버시를 보호합니다.

3. 주요 기여 (Key Contributions)

1. 다중 모듈 설명형 파이프라인: 특수 하드웨어나 클라우드 AI 없이 상용 스마트폰에서 실행 가능한 5 개 모듈 통합 스크리닝 시스템 제시.
2. 홍채 보정 병변 측정 알고리즘: 단일 사진에서 홍채 랜드마크를 기반으로 한 밀리미터 단위의 병변 침범 거리 추정 알고리즘 개발.
3. 적응형 깜빡임 감지: EAR 기반의 적응형 임계값과 시간적 평활화를 적용한 프레임 수 인식 깜빡임 감지 알고리즘.
4. 종단적 (Longitudinal) 세션 아키텍처: 임상 방문 간 병변 진행 추세를 감지할 수 있는 데이터 구조 설계.
5. 프라이버시 우선 설계: 비식별 세션 저장, 명시적 동의 절차, 로컬/자체 호스팅 처리를 통한 소비자 건강 앱 적합성 확보.
6. 검증 프레임워크: 각 모듈에 대한 임상 검증을 위한 실험 설계 및 절삭 (Ablation) 연구 방법론 제시.

4. 결과 (Results)

파일럿 테스트 (Pilot Study) 를 통해 각 모듈의 초기 성능이 검증되었습니다.

• 충혈 모듈: 40 장의 이미지에서 임상 등급 (Efron scale) 과의 스피어만 순위 상관관계가 0.86으로 높게 나타났습니다.
• 깜빡임 모듈: 30 개 비디오에서 적응형 임계값을 사용할 경우 평균 절대 오차 (MAE) 가 2.1 ± 0.9회/분으로 목표치 (<2.5) 를 충족했습니다. 고정 임계값보다 저조도 환경에서 성능이 우수했습니다.
• 동공 반사 모듈: 20 개 기록에서 잠복기 추정 오차가 42 ± 18 ms였으며, 임상용 Pupillometer 와 비교 시 유의미한 상관관계를 보였습니다.
• 색상 인덱스 모듈: 황달 (Icterus) 분류에서 AUC 0.79, 빈혈 (Pallor) 분류에서 AUC 0.71을 기록했습니다.
• 병변 추적 모듈: 25 개 안구육아종 이미지에서 슬릿 램프 측정값 대비 평균 절대 오차가 0.31 ± 0.12 mm였습니다. MediaPipe 기반 보정이 원형 검출 (Hough Circle) 보다 정확도가 높았습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 임상적 가치: SKINOPATHY AI 는 진단 도구가 아닌 선별 (Triage) 및 자기 관리 도구로 위치하며, 안과 질환의 조기 발견과 적절한 의료 기관 연계에 기여할 수 있습니다.
• 설명 가능성 (Explainability): 딥러닝 블랙박스 모델과 달리, 모든 지표가 문서화된 알고리즘과 구체적인 이미지 영역에서 유래되므로 임상가와 규제 기관이 검증 및 감사 (Audit) 가 가능합니다.
• 프라이버시 보호: 클라우드 AI 추론 없이 기기 내 또는 자체 서버에서 처리하여 민감한 생체 데이터의 유출 위험을 최소화합니다.
• 미래 방향: 휴리스틱 알고리즘을 경량 학습 모델 (U-Net 등) 로 대체, 온디바이스 추론 (TensorFlow Lite) 구현, 자동 이미지 품질 게이트 도입 등을 통해 임상적 유효성 검증을 거쳐 규제 승인 (SaMD) 을 목표로 합니다.

이 연구는 특수 장비 없이도 스마트폰만으로 다중 신호 기반의 안과 스크리닝이 가능하며, 설명 가능하고 프라이버시를 보호하는 모바일 안과 도구 개발의 토대를 마련했다는 점에서 의의가 큽니다.