AI 시대의 영상 품질 기대와 위험

초록

**
본 논문은 방사선 영상에서 인공지능(AI) 기반 재구성·향상이 가져오는 장점과 함께, 데이터 분포 불일치, 인공적인 아티팩트·환각, 기존 품질 평가 지표와 실제 진단 성능 사이의 괴리 등 새로운 위험요소를 조명한다. 세 가지 이미지 품질 평가 방법(작업 기반, 주관적, 정량적)의 한계를 분석하고, FDA의 규제·사후 감시 체계와 AI 모델의 학습 가정이 실패 모드에 미치는 영향을 설명한다. 최종적으로 안전한 AI 활용을 위해 작업‑특화 평가와 지속적인 모니터링이 필요함을 강조한다.

**

상세 분석

**
논문은 AI가 영상 재구성·향상에 적용될 때 발생할 수 있는 실패 모드를 체계적으로 정리한다. 첫 번째 핵심은 AI 모델이 훈련 데이터와 실제 임상 데이터 사이의 분포 차이를 가정한다는 점이다. 이러한 가정이 깨지면 이미지가 눈에 보기엔 선명하고 부드러워도 실제 병변 정보를 왜곡하거나 소실할 위험이 있다. 두 번째는 기존의 이미지 품질 평가 방법이 AI가 만든 ‘시각적 품질’과 진단적 유용성을 동일시한다는 착오이다. 작업 기반 평가는 특정 진단 과업(예: 병변 검출)에서 성능을 직접 측정하지만, 비용과 시간 소모가 크다. 반면 주관적 평가는 빠르지만 평가자마다 기준이 달라 일관성이 부족하고, 정량적 지표(SNR, SSIM, RMSE 등)는 이미지와 레퍼런스 간 차이를 수치화하지만, 작은 병변이나 미세 구조를 놓칠 수 있다. 논문은 이 세 평가가 서로 상충할 수 있음을 실제 사례(초고해상도 복원, fastMRI 데이터의 가속 재구성)로 보여준다. 특히 AI 재구성 이미지가 낮은 RMSE를 보이면서도 중요한 병변을 놓치는 경우가 발생한다. 이는 ‘시각적 품질’과 ‘정보량’ 사이의 괴리를 드러낸다.

또한 FDA의 규제 흐름을 검토하면서, 현재 대부분의 AI 기반 영상 장치는 일반적인 사용 지침을 갖고 사전 임상 시험 없이 510(k) 절차를 통과한다는 점을 지적한다. 이는 특정 임상 과업에 대한 검증이 부족함을 의미한다. 규제 당국은 정량적 지표를 보조 자료로 활용하지만, 이러한 지표만으로는 AI가 만든 아티팩트나 환각을 탐지하기 어렵다. 따라서 사후 감시(post‑market surveillance)와 지속적인 성능 모니터링이 필수적이다.

마지막으로 논문은 AI 모델 설계 단계에서 ‘작업‑특화 손실 함수’를 도입하고, 다양한 데이터 도메인(다중 기관, 다양한 장비)에서 검증하는 것이 위험을 최소화하는 전략이라고 제안한다. 또한, 임상의와 엔지니어가 공동으로 AI 결과를 해석하고, AI가 만든 이미지에 대한 ‘신뢰도 표시’를 제공함으로써 인간‑AI 협업을 강화해야 한다고 강조한다.

**