기술 요약: NeoJaundice-AI

문제 정의

신생아 황달(고빌리루빈혈증)은 매년 인도에서 약 1,500만~2,000만 명의 신생아에게 영향을 미치며, 심각한 경우 영구적인 뇌 손상(핵황달)이나 사망을 초래할 수 있습니다. 조기 발견이 매우 중요하지만, 표준 진단은 실험실 장비와 숙련된 기술자가 필요한 침습적인 혈청 빌리루빈(SB) 혈액 검사에 의존합니다. 비침습적 경피 빌리루빈 측정기(TcB)는 매우 고가($2,000~$8,000 USD)이기 때문에 농촌 지역의 일차 보건소(PHC)에서는 도입하기 어렵습니다. 결과적으로, 인도의 많은 농촌 사례들은 증상이 심각해질 때까지 감지되지 못한 채 방치되고 있습니다.

기존의 AI 기반 솔루션들은 세 가지 주요 한계점에 직면해 있습니다:

1. 단일 모달리티 입력: 대부분의 시스템은 피부 또는 공막(눈의 흰자위) 이미지 중 하나만을 분석하며, 이는 어두운 피부색에서 더 일찍 나타나고 더 잘 보이는 공막 황달의 상호 보완적인 진단 가치를 놓치게 됩니다.
2. 피부톤 편향: 밝은 피부를 가진 영아 중심의 공개 데이터셋으로 학습된 모델은 인도 신생아에게 흔한 어두운 피부색(피츠패트릭 유형 IV–VI)에 대해 성능이 저하됩니다.
3. 데이터 부족: 의료적 긴급성으로 인해 데이터셋 내에서 심각한 황달 사례는 드물며, 이는 클래스 불균형을 초사하여 가장 정확도가 절실한 지점에서 모델 성능을 저하시킵니다.

방법론

저자들은 저사양 안드로이드 하드웨어에서도 오프라인으로 배포 가능한 스마트폰 기반 스크리닝 시스템인 NeoJaundice-AI를 제안합니다. 이 시스템은 인터넷 연결 없이 3초 이내에 황달 심각도를 추정하고 혈청 빌리루빈 수치를 예측합니다.

1. 모델 아키텍처

핵심은 듀얼 브랜치 EfficientNet-B0 아키텍처입니다:

• 듀얼 입력 융합 (Dual-Input Fusion): 두 개의 병렬 브랜치가 각각 피부 이미지(이마/가슴)와 공막 이미지를 독립적으로 처리합니다.
• 특징 융합 (Feature Fusion): 각 브랜치는 256차원 임베딩을 출력합니다. 이들은 YCbCr 색 통계(Y, Cb, Cr의 평균 및 표준편차, 그리고 비율 특징)에서 유도된 16차원 핸드크래프트 특징 벡터와 결합됩니다.
• 멀티태스크 학습 (Multi-Task Learning): 융합된 528차원 벡터는 공유 MLP를 거쳐 두 개의 헤드로 나뉩니다:
  • 분류 헤드 (Classification Head): Bhutani 노모그램 임계값을 기준으로 4가지 심각도 클래스(정상, 경증, 중등도, 중증)를 예측합니다.
  • 회귀 헤드 (Regression Head): 비음수성을 보장하기 위해 Softplus 활성화 함수를 사용하여 연속적인 mg/dL 단위의 빌리루빈 수치를 추정합니다.

2. 전처리 및 피부톤 정규화

어두운 피부톤에 대한 편향을 해결하기 위해 시스템은 다음과 같은 전처리 파이프라인을 사용합니다:

• 화이트 밸런스 (White Balance): 그레이 월드(grey-world) 가정을 사용하여 조명 색상 왜곡을 제거합니다.
• 피부톤 분류 (Skin-Tone Classification): CIELab 성분을 사용하여 개별 유형 각도(Individual Typology Angle, ITA)를 계산하고 피부 톤을 분류합니다.
• 적응형 스케일링 (Adaptive Scaling): 피부톤 특유의 아핀 변환(affine transform)을 Cb 및 Cr 채널에 적용하여, 특정 빌리루빈 수치가 기본 피부색과 관계없이 일관된 목표 색상에 매핑되도록 합니다.

3. 합성 데이터 증강 (Synthetic Data Augmentation)

심각한 황달 사례와 어두운 피부톤에 대한 데이터 부족을 극복하기 위해, 저자들은 합성 황달 생성기를 활용합니다:

• 메커니즘: 복잡한 GAN(생성적 적대 신경망)을 사용하는 대신, 정상 신생아 이미지의 YCbCr 색 공간을 조작합니다. 시스템은 Cb(청색 차이) 및 Cr(적색 차이) 채널을 이동시켜 빌리루빈으로 인한 황색 변화를 시뮬레이션합니다.
• 물리 기반 (Physics-Informed): 시각적인 황색 변화가 다양한 피부색에 대해 지각적으로 일관되게 나타나도록, 이동량(magnitude of the shift)을 ITA 각도에 따라 조절합니다.
• 영향: 이 과정을 통해 '중증(Severe)' 클래스의 샘플 수가 83개에서 883개로 증가(10배 증가)하였으며, 전체 데이터셋이 1,847장에서 5,047장으로 확장되었습니다.

4. 학습 및 배포

• 손실 함수 (Loss Function): 교차 엔트로피(분류)와 평균 제곱 오차(회귀)의 가중 합을 사용합니다.
• 최적화 (Optimization): 모델은 Adam 옵티마이저를 사용하여 50 에포크 동안 학습되었으며, 조기 종료(early stopping)를 적용했습니다.
• 모바일 최적화: 모델은 ONNX 형식으로 변환된 후 INT8로 양자화되어 크기가 8.3 MB로 줄어들었습니다. 이를 통해 중급 사양의 안드로이드 CPU에서 약 2.1초(p95 레이턴시) 내에 추론이 가능합니다.

주요 결과

758장의 테스트 이미지로 평가한 결과, NeoJaundice-AI는 다음과 같은 성능 지표를 달 achieved 했습니다:

• 전체 정확도 (Overall Accuracy): 91.8%
• 임상 민감도 (Clinical Sensitivity): 93.5% (황달 사례를 올바르게 식별)
• 특이도 (Specificity): 95.1%
• 빌리루빈 추정: 평균 절대 오차(MAE) 1.4 mg/dL, RMSE 1.9 mg/dL.
• AUC-ROC: 0.971 (매크로 평균).

절제 연구(Ablation Study) 결과:
합성 증강 및 피부톤 적응의 포함은 특히 과소 대표된 그룹에서 유의미한 개선을 보였습니다:

• 어두운 피부 정확도: 합성 데이터가 없을 때 72.3%에서 합성 데이터 사용 시 **87.6%**로 향상되었습니다.
• 중증 클래스 정확도: 65.2%에서 **83.4%**로 향상되었습니다.
• 전체 개선 사항: 합성 증강을 사용하지 않은 베이스라인 대비 전체 정확도가 +10.6% 상승했습니다.

의의 및 주장

본 논문은 NeoJaundice-AI가 기존 문헌의 5가지 핵심 격차를 동시에 해결하는 최초의 인도 특화 신생아 황달 AI 시스템이라고 주장합니다:

1. 듀얼 모달리티 융합: 더 풍부한 특징 표현을 위해 피부와 공막 입력을 결 조합합니다.
2. 피부톤 적응: 피츠패트릭 유형 III–VI를 위한 명시적 보정을 수행하여, 기존 시스템(어두운 피부에서 정확도가 약 71.6%로 떨어지는 현상)에서 발견되는 편향을 해결합니다.
3. 다중 클래스 심각도 등급: 이진 분류를 넘어 4단계 클래스 시스템을 제공합니다.
4. 연속 회귀: 단순 범주형 라벨이 아닌 mg/dL 단위의 수치적 추정치를 제공합니다.
5. 오프라인 모바일 배포: 인터넷 없이 저가형 하드웨어에서 실행되는 완전한 기능의 20MB 미만 모델입니다.

저자들은 이 시스템을 전문적인 임상 판단이나 혈청 검사를 대체하는 것이 아니라, 농촌 보건 요원을 위한 스크리닝 도구로 정의합니다. 시스템에는 오프라인 작동, 연령 인지 위험 평가(Bhutani 노모그램 활용), 현지 언어(힌디어) 지원 기능이 포함되어 있어, 실험실 접근이 제한적인 자원 제약 환경에 신뢰할 수 있는 스크리닝을 제공하는 것을 목표로 합니다.