카부키·위드먼 슈테이너 증후군 진단을 위한 해석 가능한 비전 트랜스포머 기반 지문 분석

초록

본 연구는 모바일 앱과 광학 스캐너로 수집한 지문 이미지를 활용해 비전 트랜스포머(ViT) 모델을 학습시켰다. 모델은 정상 대 카부키(KS), 정상 대 위드먼‑슈테이너(WSS), KS 대 WSS 세 가지 이진 분류에서 각각 AUC 0.80·0.73·0.85, F1 0.71·0.72·0.83을 달성했으며, 셀프‑어텐션 히트맵을 통해 진단에 기여하는 지문 부위를 시각화하였다. 결과는 지문에 증후군 특이적 패턴이 존재함을 시사하고, 비침습·저비용 AI 도구가 유전 질환 조기 진단에 활용될 가능성을 제시한다.

상세 분석

이 논문은 희귀 유전 질환인 카부키 증후군(KS)과 위드먼‑슈테이너 증후군(WSS)의 조기 진단을 위해, 전통적인 피부학적 표지인 지문 패턴을 디지털화하고 딥러닝으로 분석하는 새로운 접근법을 제시한다. 데이터는 5개 기관에서 2020‑2024년 사이에 모집된 75명(KS), 38명(WSS), 120명(대조군)의 총 2330장(각 개인당 최대 10장) 지문 이미지이며, NIST Fingerprint Image Quality 2(NFIQ‑2) 점수가 2 미만인 저품질 이미지는 221장을 제외하고 2109장만 사용하였다. 전처리 단계에서는 8‑bit RGB PNG 형식으로 변환 후, 가버 필터 기반 노이즈 감소 및 이미지 반전 과정을 거쳐 품질을 표준화하였다.

모델 아키텍처는 Vision Transformer(ViT)를 채택했으며, 입력 이미지를 224×224 픽셀로 리사이즈하고 16×16 패치로 분할해 512(대조‑KS, 대조‑WSS) 혹은 256(KS‑WSS) 차원의 임베딩으로 선형 투영한다. 클래스 토큰을 앞에 삽입하고 고정 위치 인코딩을 더해 3개의 트랜스포머 인코더 블록(각 블록당 4개의 멀티‑헤드 셀프‑어텐션, 피드포워드 차원 1024 또는 512)을 구성하였다. 최종 클래스 토큰 출력은 선형 분류 헤드에 연결된다. 과적합 방지를 위해 드롭아웃을 사용하지 않았으며, Adam 옵티마이저(learning rate = 3×10⁻⁴)로 10 epoch을 학습한다. 데이터가 제한적이므로 동일한 하이퍼파라미터를 유지한 채 5개의 독립 모델을 각각 학습하고, 로짓을 평균해 앙상블 예측을 수행했다.

성능 평가는 정확도, 정밀도, 재현율, F1, AUC 등 5가지 지표로 이루어졌으며, 대조‑KS(Accuracy 0.72, AUC 0.80), 대조‑WSS(Accuracy 0.80, AUC 0.73), KS‑WSS(Accuracy 0.88, AUC 0.85) 순으로 높은 구분력을 보였다. 특히 KS‑WSS 구분에서 0.85의 AUC와 0.83의 F1 점수는 두 증후군이 임상적으로 겹치는 특징을 가지고 있음에도 불구하고, 지문 이미지에 내재된 미세 차이를 학습할 수 있음을 의미한다.

해석 가능성을 높이기 위해 셀프‑어텐션 가중치를 추출해 패치 단위의 중요도를 시각화하였다. 모든 레이어와 헤드의 가중치를 평균한 뒤 원 이미지 크기로 업샘플링해 히트맵을 생성했으며, 따뜻한 색(빨강·주황)일수록 모델이 해당 영역에 높은 주의를 기울였음을 나타낸다. 결과 히트맵은 주로 지문의 중앙부와 고유한 굴곡(특히 지속성 태아 지문 패드와 연관된 부위)에서 높은 점수를 보였지만, 전반적인 패턴(선형·원형 리지, 분기점 등)에서도 차별적 신호가 포착된 것으로 해석된다.

제한점으로는(1) 샘플 규모가 작아 일반화 가능성이 제한되고, (2) 광학 스캐너 기반 이미지 수집이 스마트폰 카메라만으로는 아직 검증되지 않았으며, (3) 모델이 학습한 특징이 실제 임상적 의미와 얼마나 일치하는지에 대한 생물학적 검증이 부족하다는 점을 들 수 있다. 향후 연구에서는 스마트폰 기반 저비용 촬영, 다중 센서 융합, 그리고 유전적 변이와 지문 패턴 간의 연관성을 탐색하는 다학제적 접근이 필요하다.

전반적으로 이 논문은 전통적인 피부학적 표지와 최신 트랜스포머 기반 이미지 분석을 결합해, 접근성이 낮은 지역에서도 비침습적·신속한 선별 검사를 가능하게 하는 실용적 AI 솔루션을 제시한다는 점에서 의의가 크다.