Google, 피부 질환 이해를 돕는 AI 도구 연구 공개 (feat. JAMA Dermatology)

9bow · 6월 19, 2026, 11:30오전

피부 질환 정보를 이해한다는 것: 접근과 이해 사이의 간극

성인의 절반 이상이 건강 정보를 얻기 위해 인터넷을 사용하고, 3명 중 1명은 인공지능(AI)에 건강 관련 질문을 던집니다. 그러나 정보에 접근할 수 있다는 것이 곧 그 정보를 쉽게 이해하거나 올바르게 해석할 수 있다는 뜻은 아닙니다. 의료 정보에서 AI가 실제로 사람에게 도움이 되려면, 기술의 정확도만큼이나 "사람이 그 결과를 어떻게 받아들이는가"라는 인간적 요소가 중요합니다.

이 문제는 특히 피부과(Dermatology) 영역에서 두드러집니다. 피부, 모발, 손발톱과 관련된 고민(이하 편의상 "피부")은 사람들이 온라인에서 올바른 정보를 찾기 어려운 대표적인 분야입니다. 예를 들어 다리에 "붉은 점"이 생긴 것을 발견하더라도, 그것을 촉진 가능 자반증(Palpable Purpura)이라는 정확한 의학 용어로 검색할 배경 지식을 가진 사람은 거의 없습니다. 즉, 무엇을 검색해야 할지조차 모르는 상태에서 검색이 시작되는 셈입니다.

Google Research는 그동안 이 영역에서 기술적 토대를 차근차근 쌓아 왔습니다. 먼저 감별 진단(Differential Diagnosis)을 보조하는 딥러닝 모델을 개발했습니다. 감별 진단(Differential Diagnosis) 이란 하나의 증상에서 가능한 여러 질환 후보를 함께 추려 좁혀 가는 과정으로, 겉으로 비슷해 보이는 질환이 많은 피부과에서 특히 중요합니다. 이어 모델이 학습 데이터 바깥의 환경에서도 잘 일반화되는지를 검증했고, 다양한 피부색을 대표하는 SCIN 데이터셋을 공개해 임상의와 연구자들이 활용할 수 있게 했습니다. SCIN은 기존 피부과 데이터셋이 특정 피부색에 편중돼 있던 한계를 보완하기 위한 자료로, 뒤에서 살펴볼 "다양한 피부색의 이미지가 왜 중요한가" 라는 주제와 직접 맞닿아 있습니다.

하지만 이런 기술적 토대에도 불구하고, 가장 큰 영향은 결국 피부 고민을 가진 사람이 더 나은 정보를 바탕으로 스스로 더 나은 결정을 내리도록 돕는 데서 나옵니다. 이를 제대로 하려면 사람이 AI와 어떻게 상호작용해 자신의 결정을 내리는지를 이해하는 것이 핵심입니다. 흥미롭게도 비(非)AI 도구를 평가한 기존 연구에 따르면, 사람들이 인터넷을 통해 질환을 더 잘 식별하게 되더라도 그다음에 무엇을 해야 할지를 더 잘 결정하게 되는 것은 아니었습니다. 이 "식별과 행동 사이의 간극"이 바로 이번 연구가 주목한 지점이며, AI 도구가 본격적으로 보급되는 시점에 그 인간적 요소를 신중히 연구하고 개선해야 한다는 문제의식으로 이어집니다.

이러한 맥락에서 Google Research는 피부과 관련 질문에 대한 소비자의 이해를 다룬 최근 연구들을 공유했습니다. 핵심은 두 편의 연구입니다. 하나는 JAMA Dermatology에 게재된 대규모 정량 연구로, AI 보조가 질환 이름을 식별하는 능력을 끌어올리는 동시에 다음 단계를 결정하는 데서도 일부 이점을 보였음을 측정했습니다. 다른 하나는 ACM CHI 학회에 발표된 혼합 연구 방법론(Mixed-Methods) 기반 연구로, 다양한 배경의 사람들이 실제 자신의 피부 고민에 이 도구를 어떻게 사용하는지, 그리고 그렇게 얻은 이해가 의사와의 대화에서 얻는 이해와 어떻게 다른지를 깊이 있게 들여다봤습니다.

대규모 정량 연구: 구조화된 AI 보조는 무엇을 바꾸는가

*JAMA Dermatology*에 게재된 논문 "Consumer Understanding of Skin Concerns With an AI-Powered Informational Tool"은 구조화된 AI 보조가 사용자의 질환 식별 능력과 다음 단계 결정에 어떤 변화를 주는지를 조사했습니다. 연구진은 2,345명의 설문 참가자에게 이미지와 구조화된 병력 정보가 포함된, 비식별화된 후향적(retrospective) 피부 질환 사례를 보여주고, 마치 자신의 사례라고 상상해 보도록 요청했습니다.

세 갈래로 나눈 실험 설계

참가자들은 사례를 조사하기 위해 세 개의 그룹(arm)으로 무작위 배정되었습니다. 각 그룹의 설계는 "AI 보조"라는 변수를 깔끔하게 분리해 내기 위한 것이었습니다.

대조군(Control, 음성 대조군, 774명): 일반적인 텍스트 기반 웹 검색처럼, 참가자들이 평소 익숙하게 쓰던 기존 도구를 그대로 사용했습니다.
AI군(AI, 797명): AI 모델의 예측을 바탕으로 3개에서 7개까지의 후보 질환을 스크롤 가능한 카드(carousel) 형태로 보여주는 프로토타입 AI를 사용했습니다. 각 카드에는 교과서적 이미지와 함께 증상, 치료법에 대한 설명이 담겨 있었습니다.
Wizard of Oz군(양성 대조군, 774명): AI군과 동일한 인터페이스를 사용하지만, 화면에 표시되는 "예측"이 실제로는 피부과 전문의 패널이 제공한 정답(Ground Truth) 감별 진단이었습니다. 즉, 항상 정답을 맞히는 이상적인 AI를 흉내 낸 조건입니다.

여기서 Wizard of Oz 방법은 UX 연구에서 자주 쓰이는 기법으로, 아직 완성되지 않았거나 완벽할 수 없는 시스템을 사람이 뒤에서 대신 작동시켜 "완벽한 버전이라면 어떨까"를 미리 검증하는 방식입니다. 이 그룹을 둠으로써 연구진은 "AI가 항상 정답을 준다면 사람들의 이해가 어디까지 올라갈 수 있는가"라는 상한선을 함께 측정할 수 있었습니다.

위 인터페이스는 실제 AI 도구의 화면 구성을 보여줍니다. 왼쪽 위(A)에는 참가자가 자신의 것이라고 상상해야 할 사례 정보(증상, 외형, 병원을 찾는 이유, 발생 위치, 발생 시점, 성별, 연령 등)가 제시되고, 아래쪽(B)에는 AI가 매칭한 후보 질환들이 교과서 이미지와 함께 나열됩니다. 오른쪽(C)에서는 특정 질환을 선택했을 때 증상, 전염성, 중증도, 치료, 지속 기간, 유병률 같은 세부 정보를 확인할 수 있습니다.

예시 화면을 구체적으로 따라가 보면 이 도구의 동작 방식이 분명해집니다. 관절 통증을 동반하고 시간이 지나며 커지는 피부 병변 사례에 대해, AI는 낭종(Cyst), 흑색종(Melanoma), 피지샘 암종(Sebaceous carcinoma) 같은 후보를 교과서 이미지와 나란히 제시합니다. 사용자가 그중 피지샘 암종을 선택하면, "공격적인 형태의 피부암", "생검으로 진단 확인 및 수술적 절제가 필요", 그리고 "이러한 증상이 있는 사람은 의사의 진료를 받아야 한다" 같은 안내가 함께 표시됩니다. 중요한 것은 이 정보들이 확정 진단을 내려 주는 것이 아니라, 사용자가 자신의 상태를 더 효율적으로 검색하고 패턴을 맞춰 보도록 돕는 데 초점을 맞췄다는 점입니다.

질환 이름을 맞히는 능력은 극적으로 올랐다

결과는 AI 보조가 소비자의 이해에 통계적으로 유의미한 개선을 가져온다는 것을 보여줬습니다. 가장 먼저, AI 도구를 사용한 참가자들은 화면에 보이는 질환의 이름을 시도해서라도 맞혀 보려는 의향이 더 높았습니다. AI군에서는 62% 이상이 이름을 추측하려 한 반면, 표준 검색 도구를 쓴 대조군은 41%에 그쳤습니다.

더 중요한 것은 추측의 정확도였습니다. 질환 이름을 정확히 맞힌 비율은 AI군에서 23%로, 보조받지 못한 대조군의 8%에 비해 거의 세 배 가까이 높았습니다. 이상적 AI를 흉내 낸 Wizard of Oz군에서는 36%로 약 네 배에 달했지만, 그래도 완벽과는 거리가 멀었습니다. 또한 AI "카드"로 후보 질환을 보여 주는 것만으로도 참가자들은 자신의 추측에 더 큰 확신을 가졌고, 검색 결과와 검색에 들인 시간에 대한 전반적 만족도도 유의미하게 높아졌습니다.

위 그래프는 다섯 가지 지표에서 세 그룹의 성과를 비교합니다. 이름을 맞히는 것과 관련된 지표(왼쪽 두 묶음)와 만족도 지표(오른쪽 두 묶음)에서는 AI군과 Wizard of Oz군이 대조군을 뚜렷하게 앞섭니다. 그러나 가운데의 "다음 단계 정확도(Next step accuracy)"만큼은 세 그룹의 막대 높이가 거의 비슷합니다. 바로 이 지점이 이번 연구가 던지는 가장 중요한 질문으로 이어집니다.

그러나 "다음에 무엇을 해야 하는가"는 여전히 어렵다

연구에서 AI는 의도적으로 처방적(prescriptive)이지 않게 설계되었습니다. 이미지를 가능한 질환에 매칭하는 데 집중하고, 그것이 무엇을 의미하는지 해석하는 일은 사용자에게 맡긴 것입니다. 제공된 치료 및 정보 역시 피부과 전문의가 권위 있는 자료를 바탕으로 작성했지만, 어디까지나 질환 이름에 근거한 일반적 설명이었을 뿐 해당 사례의 구체적인 중증도에 맞춰진 것은 아니었습니다.

아마도 이렇게 정보가 일반적이었기 때문에, "가정에서 관리할 것인가, 아니면 긴급히 병원을 찾을 것인가"처럼 적절한 의학적 다음 단계를 결정하는 일은 사용자에게 여전히 어려운 과제로 남았습니다. 연구 결과, 다음 단계 정확도는 Wizard of Oz군에서 63.5%로 대조군의 60%보다 소폭 높아졌지만, 표준 AI군에서는 통계적으로 유의미한 개선이 나타나지 않았습니다. 더 나아가 AI군 참가자들은 피부과 전문의보다 덜 긴급한 다음 단계를 제안하는 경향이 대조군보다 약간 더 높았습니다(30% 대 27%).

이 결과는 다음과 같은 핵심 메시지를 강조합니다. "단순히 질환을 식별하는 것만으로는 충분하지 않다" 는 것입니다. 일반인이 가장 안전하고 적절한 다음 행동을 판단하도록 더 잘 안내하는 도구를 설계하는 데에는 여전히 갈 길이 남아 있습니다.

세 그룹의 주요 지표를 정리하면 다음과 같습니다. 이름을 맞히는 능력에서는 AI 보조 효과가 뚜렷한 반면, 행동을 결정하는 능력에서는 이상적 AI(Wizard of Oz)에서만 소폭의 개선이 나타났다는 대비가 한눈에 들어옵니다.

지표	대조군(Control)	AI군	Wizard of Oz군(이상적 AI)
질환 이름 추측 시도 의향	41%	62% 이상	AI군과 유사한 수준
질환 이름 추측 정확도	8%	23% (약 3배)	36% (약 4배)
다음 단계(행동) 정확도	60%	유의미한 개선 없음	63.5%
검색 결과 및 시간 만족도	기준	유의미하게 상승	유의미하게 상승

(검색 결과 및 시간 만족도의 정확한 백분율은 원문 본문에 수치로 제시되지 않았으며, 위 그래프상 AI군과 Wizard of Oz군이 대조군보다 유의미하게 높습니다.)

실제 커뮤니티 속으로: 다양성을 고려한 인간 중심 연구

대규모 설문 연구는 전반적 경향을 파악하는 데 매우 유용하지만, 한 가지 한계가 있습니다. 참가자가 남의 사례 사진을 해석하는 상황이라는 점입니다. 정보가 자신과 직접 관련될 때 사람들이 그것을 어떻게 해석하는지를 알기 위해, 연구진은 이 도구로 가장 큰 혜택을 받을 수 있는 커뮤니티로부터 더 풍부하고 미묘한 질적 피드백을 직접 구하고자 했습니다.

작년 ACM Computer-Human Interaction (CHI) 학회에 발표된 "Navigating Skin Concerns with AI: A Human-Centered Investigation of a Dermatology App in a Diverse Community"에서 연구진은 스탠퍼드 헬스케어 AI 응용 연구팀(HEA3RT), 그리고 산타클라라 패밀리 헬스 플랜(SCFHP)과 협력했습니다. SCFHP는 의료 안전망인 Medi-Cal(캘리포니아의 저소득층 의료 지원 제도)에 의존하는 사람이 많은 지역 주민들을 대상으로 합니다. 목표는 실제 피부 고민을 가진, 동의한 다양한 참가자들이 현실 환경에서 피부 AI 시스템의 정보를 실제로 어떻게 사용하고 반응하는지를 연구하는 것이었습니다.

특히 연구진은 이 커뮤니티를 위해 도구를 만들고 있다는 점을 확실히 하고자 했습니다. 참가자들이 네 개의 주요 언어를 사용했기 때문에 AI 애플리케이션을 각 언어로 번역했고(위 화면은 베트남어, 영어, 스페인어, 중국어로 번역된 시작 화면입니다), 해당 언어에 능통한 자원봉사자나 직원이 함께하며 소통을 도왔습니다. 이는 의료 AI에서 흔히 간과되는 언어 접근성과 문화적 맥락을 정면으로 다룬 설계입니다.

이 현실 환경 연구에서는 동의한 110명의 참가자가 앱을 사용했고, 사용 직후 곧바로 임상의와 상담하며 궁금한 점을 명확히 했습니다. 앞선 설문 연구와 마찬가지로, 앱을 사용하자 참가자들이 자신의 질환 이름을 말할 수 있는 능력이 260% 증가했습니다(다만 정답률 자체는 전반적으로 낮았습니다). 참가자들은 교과서 이미지를 자신의 상태와 시각적으로 매칭하는 데 크게 의존했는데, 이는 다양한 피부색, 다양한 중증도, 다양한 신체 부위의 이미지를 갖추는 것이 "패턴 매칭"을 돕는 데 얼마나 중요한지를 보여 줍니다. 앞서 언급한 SCIN 데이터셋처럼 대표성 있는 데이터가 필요한 이유가 바로 여기에 있습니다.

임상의들의 반응도 주목할 만합니다. 연구에 참여한 임상의들은 앱의 예측이 자신들의 질환 평가와 대체로(86%) 일치한다고 느꼈습니다. 또한 참가자가 상담 도중 앱을 열어 볼 수 있었기 때문에, 임상의들은 앱을 환자와 의사가 함께 보는 공유 참조점(shared reference point)으로 활용해 대화를 촉진할 수 있었습니다. 임상의들은 92%의 경우에 앱이 유용한 도구였다고 보고했습니다. 이는 AI가 의사를 대체하는 것이 아니라, 진료실 안에서 환자와 의사 사이의 대화를 돕는 매개체가 될 수 있음을 시사합니다.

종합: 가능성과 한계의 양면성

두 연구를 나란히 놓고 보면, AI 기반 피부 질환 정보 검색이 가진 빛과 그림자가 함께 드러납니다.

빛의 측면에서, 이미지 기반 AI는 검색의 진입 장벽을 확실히 낮춥니다. 무엇을 검색해야 할지 모르는 사람도, 자신의 상태와 닮은 교과서 이미지를 보며 후보를 좁혀 갈 수 있습니다. 실제로 질환 이름을 맞히는 능력은 정량 연구에서 약 3배, 커뮤니티 연구에서 260% 증가했습니다. 사용자의 확신과 만족도도 함께 올랐습니다.

그림자의 측면에서, 질환을 식별하는 것과 올바른 행동을 결정하는 것 사이에는 여전히 메우기 어려운 간극이 있습니다. 표준 AI군에서 다음 단계 정확도는 유의미하게 개선되지 않았고, 오히려 사용자들이 전문의보다 덜 긴급한 선택을 하는 경향이 약간 나타났습니다. 이는 "이름을 알게 되었다"는 안도감이 자칫 필요한 의료 조치를 미루게 만들 수 있다는, 의료 AI 설계에서 반드시 짚어야 할 역설입니다.

연구진이 제시한 개선 방향도 이 양면성에서 출발합니다. 사용자의 이해와 패턴 매칭을 돕기 위해 더 많은 "교과서적" 예시를 제공하고, 질환 자체가 아니라 사용자의 실제 질문에 더 구체적으로 맞춰진 실행 가능한(actionable) 정보를 담아야 한다는 것입니다. 또한 이미지 유사도 기반 도구를 활용한 연구는, 일반인이 이미지나 텍스트 어느 하나만 쓰는 것보다 이미지와 텍스트를 함께 쓰는 멀티모달(Multimodal) 방식을 선호한다는 점을 뒷받침합니다.

시사점: 인간 중심 연구가 빠지면 도구는 완성되지 않는다

이 연구들은 AI 모델의 정확도 지표만으로는 결코 측정되지 않는 부분, 즉 사람이 AI의 출력을 어떻게 해석하고 행동으로 옮기는가를 정면으로 다뤘다는 점에서 의미가 큽니다. 의료뿐 아니라 LLM과 에이전트를 다루는 모든 개발자에게도 시사하는 바가 있습니다. 모델의 출력이 정확하다고 해서 사용자가 그것을 올바르게 활용하리라는 보장은 없으며, 인터페이스 설계, 정보의 구체성, 언어 접근성, 그리고 결과를 어떻게 제시하는가가 실제 효용을 좌우합니다.

연구진은 이를 다음과 같이 정리합니다. "시각적 출발점을 제공하면 진입 장벽이 낮아지고, 더 개인화된 AI 안내는 복잡한 의학 정보를 탐색하는 데 도움이 될 수 있다. 그러나 진정으로 효과적인 도구를 만들려면, 모든 사람이 이 정보를 효과적으로 해석해 자신의 의료 여정을 이끌어 갈 수 있도록 지속적이고 인간 중심적인 연구가 필요하다." 기술적 토대가 충분히 갖춰진 지금, 다음 과제는 결국 사람을 향해 있는 셈입니다.

Research into how AI can help users understand skin conditions 소개 블로그

더 읽어보기

이 글은 GPT 모델로 정리한 글을 바탕으로 한 것으로, 원문의 내용 또는 의도와 다르게 정리된 내용이 있을 수 있습니다. 관심있는 내용이시라면 원문도 함께 참고해주세요! 읽으시면서 어색하거나 잘못된 내용을 발견하시면 덧글로 알려주시기를 부탁드립니다.

파이토치 한국 사용자 모임이 정리한 이 글이 유용하셨나요? 회원으로 가입하시면 주요 글들을 이메일로 보내드립니다!
텔레그램(Telegram)이나 Slack/Discord/Teams/Dooray/GoogleChat 등으로도 새 글 알림을 받으실 수 있습니다.

아래쪽에 좋아요를 눌러주시면 새로운 소식들을 정리하고 공유하는데 힘이 됩니다~