요약:
미국 연구자들은 얼굴 특징을 기반으로 환자의 생물학적 연령을 추정하고 사망 위험을 직접 평가할 수 있는 차세대 얼굴 건강 인식 모델을 개발했습니다. 연구 결과, 이러한 얼굴 이미지에는 암 환자의 예후와 관련된 정보가 포함되어 있어 향후 의사가 환자의 신체 상태를 보다 종합적으로 평가하고 치료 계획 수립에 참고 자료가 될 수 있음이 밝혀졌습니다.
FAHR-Face라고 불리는 이 기본 인공지능 모델은 미국 매사추세츠 주에 있는 종합 의료 기관인 Mass General Brigham의 연구팀이 개발했으며, 다양한 연령대와 인종 그룹의 4천만 개 이상의 얼굴 사진을 사용하여 훈련되었습니다. 이를 기반으로 연구진은 FAHR-FaceAge와 FAHR-FaceSurvival이라는 두 가지 보완적인 분석 도구를 개발했습니다. 전자는 개인의 생물학적 연령을 추정하고 이 정보를 사용하여 암 예후를 평가하는 데 도움을 줍니다. 후자는 나이를 추정하고 결과를 간접적으로 추론하는 것이 아니라 얼굴 사진을 통해 직접 암 환자의 생존 위험을 예측합니다.
연구팀은 암 환자의 임상 사진과 그에 따른 의학적 결과를 사용하여 모델을 훈련시켰습니다. 이 중 FAHR-FaceSurvival은 표적 훈련을 위해 암 환자의 얼굴 사진 34,363장을 사용했으며 독립적인 환자 데이터 세트에서 검증되었습니다. 이런 방식으로 연구자들은 인공지능이 환자의 신체 상태 및 생존 결과와 관련된 얼굴 이미지의 신호를 식별할 수 있기를 희망합니다.
연구 결과에 따르면 FAHR-FaceSurvival은 강력한 위험 식별 능력을 가지고 있는 것으로 나타났습니다. 모델 예측 결과에 따르면, 사망 위험이 가장 높은 10% 범위에 있는 환자의 약 절반이 90일 이내에 사망했습니다. 가장 낮은 10% 위험 범위에 있는 환자의 비율은 약 2%였습니다. 사분위수에 따라 비교하면 가장 높은 위험 그룹의 사망 위험도 가장 낮은 위험 그룹보다 유의하게 높았으며 조정 위험 비율은 3.23이었습니다.
또한 연구진은 인공지능이 추정한 생물학적 연령과 실제 연령의 차이가 암환자의 생존 결과와도 관련이 있다는 사실을 발견했습니다. 방사선 치료를 받은 환자 중 얼굴이 실제 나이보다 5살 이상 더 늙어 보이는 환자는 평균 약 4년의 추적 기간 동안 사망 위험이 21% 더 높았습니다. 얼굴이 실제 나이보다 5살 이상 어려 보이는 사람은 사망 위험이 17% 더 낮았습니다.
이것은 젊어 보이는 사람이 반드시 암과의 싸움에서 더 뛰어나다는 것을 의미하지는 않습니다. 이번 연구에서 생물학적 나이는 외모를 기반으로 인공지능이 추정한 척도이며, 세포 노화, 장기 기능, 면역 체계 상태를 직접적으로 측정하는 것은 아니다. 이는 신체 활동, 근육 및 연조직 변화, 기타 건강 관련 요인의 조합을 반영할 가능성이 높지만, 모델이 식별하는 특정 생리학적 신호가 정확히 무엇인지는 아직 완전히 이해되지 않았습니다.
연구진은 모델의 주의 영역을 분석한 결과 두 도구가 집중하는 얼굴 위치가 다르다는 사실을 발견했습니다. FAHR-FaceAge는 주로 코에서 입가, 이마, 관자놀이 부위까지 팔자주름을 분석합니다. FAHR-FaceSurvival은 눈 아래와 콧등 주위에 더 중점을 둡니다. 이는 생물학적 연령 예측과 생존 위험 예측이 서로 다른 얼굴 정보에 의존할 수 있음을 시사합니다.
연구팀은 이 기술이 미래에 의사가 수술, 방사선 요법 또는 전신 약물 치료를 사용할지 여부를 결정하기 전에 환자의 신체적 여유와 허약함을 더 잘 평가하는 데 도움이 될 수 있다고 믿습니다. 나이가 많거나, 복잡한 질병을 앓고 있거나, 전통적인 바이오마커 데이터가 부족한 환자의 경우 얼굴 사진 분석은 저렴하고 조작하기 쉬운 보조 평가 방법이 될 것으로 예상됩니다.
이 연구에서는 또한 생활방식과 얼굴의 생물학적 나이 사이에 연관성이 있다는 사실이 밝혀졌습니다. 흡연이 가장 두드러진 연관성이 있고 얼굴이 더 나이들어 보이는 것으로 나타났습니다. 과도한 알코올 섭취와 약물 사용도 비슷한 현상과 관련이 있습니다. 또한 연구진은 FAHR-FaceAge가 다양한 촬영 각도, 조명, 표정, 메이크업 조건에서도 확실한 안정성을 보여 대부분의 성형수술 테스트 후에도 비교적 안정적인 추정 결과를 유지했지만, 코성형 수술을 하면 변화가 더 작을 것이라고 밝혔다.
그래도 연구원과 외부 전문가들은 이 기술이 아직 의사의 판단을 직접적으로 대체할 수는 없다고 강조합니다. 모델 예측의 정확성이 실제 치료 결과를 향상시킨다는 것을 자동으로 의미하지는 않습니다. 의사가 이미 알고 있는 병력, 검사 데이터 및 신체 평가에 안면 분석 결과를 추가하면 예측 정확도가 더욱 향상되고 환자가 더 나은 치료 결과를 얻는 데 실제로 도움이 될 수 있는지 여부는 향후 연구에서 확인해야 합니다.
또한 모델 훈련에 사용되는 환자 그룹은 주로 고소득 국가 출신입니다. 다양한 인종, 연령층, 의료 환경에 어떻게 적합한지 확인하는 것은 여전히 중요한 문제입니다. 얼굴 특징은 인종적 배경 및 기존 질병과 관련될 수 있으므로 AI는 훈련 데이터의 편견을 물려받을 수도 있습니다. 따라서 대규모 적용에 앞서 보다 광범위한 독립적 검증과 전향적 임상 연구가 필요하다.
관련 연구 결과가 'The Lancet Digital Health'에 게재되었습니다. 연구팀은 앞으로는 일반 사진에서 보다 정량적인 건강 지표를 추출할 수 있어 얼굴 분석이 외모만으로 환자의 치료 기회를 결정하는 것이 아니라 임상 위험 평가를 위한 보조 도구가 될 수 있기를 바라고 있다.
댓글