설명 가능한 AI 기반 당뇨 위험 예측 모바일 프론트엔드

초록

본 연구는 인도네시아 사용자를 대상으로 SHAP 기반 XAI 결과를 직관적인 바·파이 차트와 GPT‑4o가 생성한 텍스트 내러티브로 변환하는 안드로이드 모바일 앱 프론트엔드를 설계·구현하였다. 워터폴 모델로 진행된 개발 과정, 3단계 사용자 설문을 통한 시각화 선호도 조사, MVVM·Clean Architecture 기반 구현, 111개의 E2E 자동 테스트와 사용자 이해도 평가(평균 4.31/5) 결과를 제시한다.

상세 분석

이 논문은 의료 AI 적용에서 가장 큰 장애물 중 하나인 ‘블랙박스’ 문제를 XAI와 UI/UX 설계로 동시에 해결하려는 시도이다. 먼저 요구사항 분석 단계에서 333명, 183명, 114명의 세 차례 설문을 진행해 사용자가 직면하는 주요 문제(예측 정확성에 대한 불신, 권고사항 부재, 복잡한 데이터 해석)를 도출하고, 기존 SHAP·LIME 시각화가 비전문가에게 높은 인지 부하를 일으킨다는 점을 확인했다. 설문 결과, 바 차트와 파이 차트가 각각 8.54·8.69점(10점 만점)으로 가장 높은 이해도를 보였으며, 85.2%가 텍스트 설명을 필수로 요구했다.

시각화 설계에서는 MP AndroidChart 라이브러리를 Jetpack Compose와 AndroidView로 연결해 MVVM·Clean Architecture에 맞게 구현하였다. SHAP 값은 절대값을 전체 합으로 나눈 뒤 백분율로 변환하는 식(1)을 적용해 직관적인 기여도 퍼센트를 제공한다. 색상 코딩(위험 증가=빨강, 감소=초록)과 맞춤형 레전드가 가독성을 높인다.

텍스트 내러티브는 GPT‑4o API를 활용해 생성한다. 모델이 사실에 기반한 설명을 하도록 ‘Medical AI Explainer’ 페르소나와 엄격한 JSON 출력 포맷을 포함한 시스템 프롬프트를 설계했으며, 피처 정의와 전역 중요도 통계를 포함한 지식베이스를 제공해 환각(hallucination) 위험을 최소화했다. 결과는 “위험 요인: BMI(17.0%) – 현재 BMI 24.7은 과체중이며, 일반적으로 BMI가 높을수록 당뇨 위험이 증가한다”와 같은 2~3문장 형태의 간결한 설명으로 제공된다.

기능 테스트는 Espresso 기반 자동 E2E 시나리오 111개를 수행해 100% 성공률을 기록했으며, 이는 목표 90%를 크게 초과한다. 사용자 이해도 평가는 Likert 5점 척도와 인터뷰를 병행했으며, 평균 4.31점(표준편차 0.42)이라는 높은 만족도를 얻었다. 특히 시각화와 텍스트 설명을 동시에 제공했을 때 이해도가 가장 크게 향상된 것으로 나타났다.

기술적 관점에서 보면, Kotlin·Jetpack Compose 조합은 최신 안드로이드 개발 트렌드에 부합하며, MP AndroidChart는 커스터마이징이 용이해 XAI 결과를 비전문가 친화적으로 변환하는 데 적합했다. 또한 MVVM·Clean Architecture를 적용해 데이터 흐름을 명확히 함으로써 유지보수성과 확장성을 확보했다. 다만 서버와의 실시간 통신, LLM 호출 비용, 개인정보 보호(특히 의료 데이터) 등에 대한 논의가 부족하며, 배포 후 장기 사용성 및 임상 효과 검증이 필요하다.

전반적으로 이 연구는 XAI 결과를 시각·언어적으로 재구성해 일반 사용자가 이해하고 행동으로 옮길 수 있게 만든 점에서 의미가 크다. 향후 다국어 지원, 다른 질병 영역 적용, 오프라인 모델 배포 등으로 확장 가능성이 있다.