AI 기반 당뇨 진단 지원 시스템

초록

**
본 논문은 전문가 지식과 머신러닝을 결합한 하이브리드 AI 임상결정지원시스템(AI‑CDSS)을 개발·검증한다. 1,298명의 환자 데이터를 이용해 650명으로 학습, 648명으로 테스트했으며, 주요 입력 변수는 BMI, 공복 혈당, HbA1c이다. CART 모델을 최종 선택해 99.8%에 달하는 진단 정확도를 달성했으며, 105명 대상 파일럿 임상시험에서 내분비 전문의와 98.5% 일치, 비전문의와는 85% 차이를 보였다. 결과는 AI‑CDSS가 당뇨 진단 보조에 높은 신뢰성을 제공함을 시사한다.

**

상세 분석

**
본 연구는 당뇨병 진단을 위한 AI‑CDSS를 설계할 때 ‘화이트‑박스’ 접근을 강조한다. 먼저 내분비 전문의와 협업해 임상 진단 기준을 의사결정나무 형태의 D‑CKM(Diabetes Clinical Knowledge Model)으로 구조화하였다. 이는 규칙 기반 전문가 지식이 모델의 해석 가능성을 보장하도록 설계된 점에서 의미가 크다. 이어 데이터 전처리 단계에서 평균·표준편차 기반 정규화와 평균값을 이용한 결측치 대체(imputation)를 적용했으며, 이는 작은 규모 데이터셋에서 과적합을 방지하려는 의도로 보인다.

머신러닝 단계에서는 Decision Tree, Random Forest, J48, CHAID, CART 등 다섯 가지 알고리즘을 비교하였다. 특징 선택은 Recursive Feature Elimination(RFE)과 자동 특성 선택 기법을 활용해 연령, BMI, 공복 혈당, HbA1c 등을 핵심 변수로 도출하였다. 각 알고리즘은 정확도, 규칙 수, 사용된 특성 수를 종합적으로 평가해 가중치를 부여했으며, 최종적으로 정확도 89.8%와 ranking value 0.798을 기록한 CART가 선택되었다.

하이브리드 모델은 전문가 모델(D‑CKM)과 머신러닝 모델(CART)을 α라는 가중치로 선형 결합한 형태(H(x)=α·D‑CKM(x)+(1‑α)·hθ(x))로 구현되었다. 이는 규칙 기반 해석 가능성과 데이터 기반 예측 성능을 동시에 활용하려는 시도로, 실제 임상 적용 시 의사가 AI의 판단 근거를 검증할 수 있는 장점을 제공한다.

성능 검증은 두 단계로 이루어졌다. 첫 번째는 내부 테스트셋(648명)에서 98.8%의 일치율을 보였으며, 민감도·특이도·정확도 모두 98% 이상으로 보고되었다. 두 번째는 105명 환자를 대상으로 한 파일럿 임상시험으로, AI‑CDSS와 내분비 전문의 간의 Cohen’s κ가 0.985에 달해 거의 완벽한 합의를 나타냈다. 반면 비전문의와의 일치율은 85%에 머물러, 전문 지식이 없는 현장에서 AI‑CDSS가 진단 정확도를 크게 향상시킬 수 있음을 보여준다.

하지만 몇 가지 한계점도 존재한다. 첫째, 데이터셋이 단일 기관(또는 지역)에서 수집된 1,298명에 불과해 외부 일반화 가능성이 낮다. 둘째, 99.8%라는 높은 정확도는 과적합의 가능성을 내포할 수 있으며, 교차검증이나 외부 검증 데이터에 대한 보고가 부족하다. 셋째, 결측치 대체 방식을 평균값으로 단순화했는데, 이는 변수 간 상관관계를 무시할 위험이 있다. 넷째, 파일럿 연구의 대상이 105명으로 제한적이며, 당뇨 전단계(프리다이어비티스)와 위험군 구분에 대한 임상적 의미가 충분히 논의되지 않았다. 마지막으로, α 가중치가 어떻게 최적화되었는지, 전문가 모델과 머신러닝 모델 간 충돌이 발생했을 때의 처리 로직이 명시되지 않아 실제 운영 시 의사결정 투명성에 대한 의문이 남는다.

전반적으로 본 논문은 전문가 지식과 머신러닝을 체계적으로 결합한 ‘하이브리드’ AI‑CDSS 설계 과정을 상세히 제시하고, 높은 진단 정확도를 실증함으로써 임상 현장에서 AI 보조 도구의 실용성을 입증했다. 향후 다기관·다인종 데이터와 장기 추적 연구를 통해 외부 타당성을 확보한다면, 1차 진료 현장에서 당뇨병 조기 발견 및 관리에 큰 기여를 할 것으로 기대된다.

**