AI‑스킨: 실시간 맞춤형 피부질환 인식을 위한 폐쇄‑루프 자가학습 프레임워크

** 본 논문은 피부질환 진단에 인공지능을 적용하면서 발생하는 ‘데이터베이스 의존성’과 ‘개인화 부족’ 문제를 해결하고자, 사용자 단말, 엣지 노드, 무선접속망(RAN), 클라우드 플랫폼, 원격 의료기관으로 구성된 폐쇄‑루프 시스템을 설계하였다. 시스템은 크게 네 가지 핵심 구성 요소로 나뉜다. 1. **사용자 단말**: 스마트폰, 스마트워치, 카메라, 휴머노이드 로봇 등 다양한 IoT 디바이스를 통해 피부 이미지뿐 아니라 사용자의 건강 상태, 감정, 주변 환경 데이터를 수집한다. 단말은 저전력·저용량 특성을 가지며, 수집된 원시 데이터를 간단히 전처리한 뒤 엣지 노드로 전송한다. 2. **엣지 노드**: 네트워크 가장자리에서 비교적 높은 연산·스토리지 자원을 보유한 장치로, 수신된 데이터를 ‘정보 엔트로피 기반 필터링 알고리즘’에 적용한다. 엔트로피가 낮은(즉, 정보량이 적거나 중복된) 비라벨 데이터를 제거함으로써 전송량을 최소화하고, 라벨이 있는 고품질 데이터만을 클라우드에 전달한다. 또한, 엣지에 사전 학습된 CNN 모델을 배치해 실시간 추론을 수행하고, 클라우드에서 업데이트된 파라미터를 주기적으로 받아 모델을 갱신한다. 3. **클라우드 플랫폼**: 대규모 연산과 저장을 담당한다. ‘알고리즘 로드 모듈’은 모델‑중립적인 인터페이스를 제공해 LeNet‑5, AlexNet, VGG16 등 서로 다른 딥러닝 구조를 손쉽게 교체·배포할 수 있게 한다. 클라우드는 엣지에서 전송된 라벨 데이터와 자체 라벨링된 데이터셋을 통합해 주기적으로 모델을 재학습하고, 업데이트된 파라미터를 엣지에 전파한다. 또한, 사용자의 피부 이미지 분석 결과와 함께 건강·감정 상태를 종합 판단해 원격 의료진에게 전달한다. 4. **원격 의료기관**: 피부과 전문의, 간호사 등 의료 인력이 클라우드에서 제공된 진단 결과를 검토하고, 치료 방안을 사용자에게 피드백한다. 이 과정에서 사용자는 모바일 앱을 통해 진단 보고서와 치료 권고를 실시간으로 확인한다. **데이터 폭 확장(Data Width Evolution)**은 기존의 이미지‑중심 데이터 수집을 넘어, 사용자의 생체 신호, 감정, 환경 정보를 포함하는 ‘다차원 데이터’ 수집을 의미한다. 논문은 이러한 데이터가 ‘가치’를 창출하기 위해서는 적절한 필터링과 라벨링이 필요하다고 주장한다. **자기학습(Self‑Learning) 프로세스**는 다음과 같이 진행된다. (1) 사용자 단말에서 지속적으로 데이터가 축적된다. (2) 엣지에서 엔트로피 기반 필터링을 거쳐 가치 있는 데이터만 클라우드로 전송한다. (3) 클라우드에서는 다중 라벨 데이터와 기존 모델 파라미터를 이용해 재학습을 수행한다. (4) 업데이트된 모델 파라미터는 엣지에 전파되어 로컬 추론 정확도를 향상시킨다. 이 순환 구조를 통해 시스템은 지속적으로 성능을 개선한다. **실험 및 평가**에서는 세 가지 CNN 모델을 동일한 데이터셋에 적용해 정확도와 지연을 비교하였다. VGG16은 92 % 이상의 정확도를 기록했지만 평균 추론 지연이 350 ms에 달했다. AlexNet은 88 % 정확도와 250 ms 지연을 보였으며, LeNet‑5는 80 % 정확도에 150 ms 이하의 지연을 나타냈다. 시스템 전체 지연은 사용자 단말 → 엣지 → RAN → 클라우드 → 원격 의료기관 순으로 측정했으며, 엣지 컴퓨팅 도입으로 전체 통신량이 30 % 이상 감소하고 평균 응답 시간이 200 ms 이하로 유지되는 것을 확인하였다. **한계점 및 향후 과제**로는 (1) 데이터셋 규모와 라벨링 품질에 대한 구체적 기술이 부족해 재현성이 낮다. (2) 엔트로피 기반 필터링이 임상적으로 중요한 샘플을 손실하지 않는지에 대한 정량적 검증이 필요하다. (3) 모델 파라미터 동기화와 업데이트 주기에 대한 상세 설계가 부재해 대규모 배포 시 일관성 문제가 발생할 가능성이 있다. (4) 개인정보 보호와 데이터 보안에 관한 구체적 방안이 제시되지 않아 실제 의료 현장 적용에 제약이 있다. 결론적으로, AI‑스킨은 폐쇄‑루프 구조와 데이터 폭 확장·자기학습 메커니즘을 통해 개인 맞춤형 피부질환 진단의 새로운 패러다임을 제시한다. 다만, 실용화를 위해서는 데이터 품질 관리, 보안·프라이버시, 모델 동기화 전략 등에 대한 추가 연구와 실증이 필요하다. **