[Research & Insight]안저사진으로 나이·성별을 맞히는 AI — 고혈압·당뇨병·흡연이 있으면 왜 빗나갈까? (Sci Rep 2020 리뷰)
안저사진으로 나이·성별을 맞히는 AI — 고혈압·당뇨병·흡연이 있으면 왜 빗나갈까? (Sci Rep 2020 리뷰) — 핵심 요약*Scientific Reports* 2020년 연구 리뷰 (Kim·Park 외)
AI는 눈 안쪽을 찍은 안저사진 한 장만으로 그 사람의 나이를 평균 3년 안팎, 성별은 거의 정확하게(정확도 96% 이상) 맞힐 수 있습니다. 그런데 이 연구의 진짜 발견은 정확도 자체가 아닙니다. 고혈압·당뇨병·흡연이 있는 사람에서는 같은 AI가 나이를 맞히는 일관성이 눈에 띄게 흔들렸고, 60세를 넘으면 모든 그룹에서 오차가 커졌습니다. 연구진은 여기서 "노화로 생기는 망막 변화와 혈관질환이 만드는 변화는 서로 다른 종류"라는 단서를 읽어냈습니다. 이것이 2020년 *Scientific Reports* 논문의 핵심입니다.
🔎 이해상충 투명 고지: 본 논문의 교신저자(Sang Jun Park)는 본 플랫폼 운영사(CLOP) 관계자입니다. 다만 본 논문의 이해상충(Competing interests) 항목에는 "저자들은 경쟁적 이해관계가 없음을 선언한다(The authors declare no competing interests)"고 명시되어 있습니다. 이 글은 학술 정보 제공을 목적으로 하며, 특정 제품·의료기관·진료의 권유가 아닙니다.
서지정보 · *Scientific Reports* 2020;10:4623 · PMID 32165702 · DOI 10.1038/s41598-020-61519-9 · Open Access(CC BY 4.0)
핵심 요약
- 무엇: 안저사진(망막 사진)만으로 나이와 성별을 예측하는 딥러닝(CNN, ResNet-152) 모델을 만들고, 고혈압·당뇨병·흡연이 그 예측에 어떻게 영향을 주는지 비교한 연구.
- 데이터: 분당서울대병원 망막영상 아카이브(SBRIA) — 15만 5천여 명에서 얻은 안저사진 41만 2천여 장. 정상인 사진으로 학습하고, 정상·고혈압·당뇨병·흡연 4개 집단에서 따로 시험.
- 나이 예측 성능: 정상인 평균오차(MAE) 3.06년, 일치도(R²) 0.92로 매우 정확. 그런데 고혈압·당뇨병·흡연 집단은 오차는 비슷해도 일치도(R²)가 0.74~0.86으로 떨어짐.
- 성별 예측 성능: 모든 집단에서 정확도(AUC) 0.96 이상. 망막 혈관과 황반(특히 혈관)이 핵심 단서. 혈관을 지우면 정확도가 크게 떨어짐(AUC 0.68).
- 의미: "노화 변화"와 "혈관질환 변화"가 서로 다른 흔적을 망막에 남긴다는 단서. 그리고 60세 이후에는 안저사진만으로 나이를 예측하는 정확도가 떨어짐(고령에서 나이에 따른 신호가 약해지는 것으로 해석 — '눈이 안 늙는다'는 뜻은 아님). 안저사진이 전신·노화 바이오마커가 될 가능성을 한 걸음 더 보여줌. (단, 진단 도구는 아님.)
이 연구가 한 일은?
눈 뒤쪽 망막을 찍은 안저사진에는 우리 몸의 혈관과 신경이 칼이나 주삿바늘 없이 직접 보이는 거의 유일한 창이 들어 있습니다. 망막은 발생 단계에서 뇌와 같은 뿌리(간뇌)에서 갈라져 나오기 때문에, 망막을 보면 뇌와 전신 혈관의 상태까지 엿볼 수 있다고 여겨집니다.
연구진은 이 사진만으로 "이 사람이 몇 살인지, 남자인지 여자인지"를 AI가 맞힐 수 있는지 물었습니다. 단순히 맞히는 데서 그치지 않고, 한 걸음 더 나아가 고혈압·당뇨병·흡연이라는 전신 혈관 상태가 그 예측을 어떻게 바꾸는지를 정상인과 나란히 비교했습니다. 목표는 점수 경쟁이 아니라, 노화로 생기는 망막 변화와 질병으로 생기는 변화가 같은지 다른지를 AI라는 도구로 들여다보는 것이었습니다.
왜 (지금) 이 논문이 의미가 있나?
[먼저, 쉽게] 2018년 구글(Poplin 등)이 안저사진으로 나이·성별·심혈관 위험인자를 예측하는 연구를 *Nature Biomedical Engineering*에 내놓으면서, "망막 사진이 전신 건강의 거울이 될 수 있다"는 생각이 크게 주목받았습니다. 그 연구의 나이 예측 평균오차는 약 3.26년이었습니다. 다만 아시아인 비중이 낮았고, 나이대별로 정확도가 어떻게 다른지, 사진의 어느 부분을 보고 판단하는지에 대한 설명이 부족했습니다.
[조금 더 깊이] 당시 망막 AI 연구에는 두 가지 빈틈이 있었습니다. 첫째, 인종 다양성입니다. 망막은 인종에 따라 차이가 보고되어 왔으므로, 서양 데이터로 만든 모델이 한국인에게도 통하는지는 따로 확인이 필요했습니다. 둘째, "왜 그렇게 판단했는가"의 부재입니다. 신경망이 나이를 맞히긴 하는데 사진의 어느 부위(혈관인지, 시신경인지, 황반인지)를 단서로 쓰는지, 그리고 고혈압·당뇨병 같은 질병이 있을 때 그 단서가 어떻게 교란되는지는 거의 알려지지 않았습니다.
이 논문은 그 빈틈을 정면으로 겨눴습니다. 한국인 대규모 실데이터로 모델을 검증하고, 클래스 활성화 지도(CAM)로 AI가 주목한 영역을 시각화했으며, 혈관을 디지털로 지운 사진(vessel-erased)으로 혈관이 정말 핵심 단서인지를 실험으로 분리해 냈습니다. 무엇보다, 정확도를 자랑하는 데서 멈추지 않고 그 정확도가 질병 앞에서 어떻게 흔들리는지를 노화 생물학의 질문으로 되돌려 놓았습니다.
어떻게 했나? — 데이터와 모델
- 데이터(SBRIA): 분당서울대병원 건강증진센터에서 2003년 6월~2016년 6월(13년간) 촬영된 안저사진 412,026장(참여자 155,449명). 모두 비식별화. 고혈압·당뇨병·흡연 여부가 기록된 사진으로, 정상(고혈압·당뇨병·흡연력 모두 없음) 243,668장, 고혈압 40,659장, 당뇨병 14,189장, 흡연 113,510장으로 나뉩니다. 같은 사람이라도 1년 이상 간격으로 다른 날 찍은 사진은 나이 예측에서 별개로 취급.
- 학습/시험 분리: 정상인 사진을 학습 89%·검증 1%·시험 10%로 무작위 분할(학습 216,866장, 검증 2,436장, 정상 시험 24,366장). 모델은 정상인 사진으로만 학습하고, 정상·고혈압·당뇨병·흡연 4개 집단에서 각각 따로 성능을 쟀습니다. (정상인 사진만으로 배운 '노화의 기준자'를 질병군에 들이대 본 셈입니다.)
- 모델 구조: 영상 분류에서 검증된 ResNet-152(152층) 신경망. ImageNet으로 미리 학습한 가중치를 가져와 망막 데이터에 맞춰 이어 학습(전이학습). 나이 예측은 숫자를 직접 내놓는 회귀(smooth L1 손실), 성별 예측은 확률을 내놓는 분류(이진 교차엔트로피). 다양한 카메라(Kowa·Canon 등)로 찍은 사진을 사용.
- '왜 그렇게 봤나'를 들여다본 두 가지 장치: ① CAM 히트맵 — AI가 어느 영역을 보고 판단했는지 빨강(강함)~파랑(약함)으로 표시. ② 혈관/황반 지우기(inpainting) — 혈관이나 황반을 디지털로 자연스럽게 지운 사진으로 다시 시험해, 그 부위가 정말 단서였는지 검증.
결과는? — 숫자로
- 정상인 나이 예측 — 매우 정확: 평균오차(MAE) 3.06년(95% CI 3.03–3.09), 실제 나이와의 일치도 R²=0.92. ±5년 이내로 맞힌 비율 82.8%.
- 질병군에서 흔들린 일관성: 평균오차는 고혈압 3.46년, 당뇨병 3.55년, 흡연 2.76년(초록 표기 2.65년)으로 정상과 크게 다르지 않았지만, 일치도(R²)는 고혈압 0.74, 당뇨병 0.75, 흡연 0.86으로 정상(0.92)보다 낮아졌습니다. 오차의 평균은 비슷한데 흩어짐은 커진 것 — 질병이 노화 신호를 일정한 방향이 아니라 들쭉날쭉하게 흔들었다는 뜻입니다(ANOVA로 통계적 차이 확인).
- 60세 이후 정확도 하락: 20~59세에서는 모든 집단에서 평균오차가 3년 미만이었지만, 60세 이상에서는 오차가 4년 이상으로 커졌습니다. 연구진은 이를 망막의 노화 관련 변화가 60세 이후 뚜렷하지 않아지는(신호 '포화') 것으로 해석했는데 — 이는 '60세 이후 망막이 늙지 않는다'는 뜻이 아니라, 나이를 가늠할 신호가 약해지고 고령층의 개인차·표본 특성 등이 함께 작용한 결과로 신중히 봐야 합니다.
- 성별 예측 — 거의 완벽, 질병에 흔들리지 않음: AUC가 정상 0.97, 고혈압 0.96, 당뇨병 0.96, 흡연 0.98로 모든 집단에서 0.96 이상. 전신 혈관질환이 있어도 성별 예측은 떨어지지 않았습니다.
- AI는 어디를 봤나: 나이 예측의 CAM은 주로 혈관 영역에 집중. 흥미롭게도 혈관을 지운 사진에서도 평균오차가 3.19년으로 비슷했고 시선은 여전히 혈관이 있던 자리로 향해, 혈관뿐 아니라 시신경·망막 실질도 함께 단서로 쓰임을 시사. 성별 예측에서는 혈관을 지우자 AUC가 0.68까지 급락(황반만 지우면 0.88)해, 혈관이 핵심 단서임을 보여줍니다.
- 앞선 연구와의 비교: 구글(Poplin 등)의 나이 예측 평균오차 3.26년, 일치도 R²=0.74(UK Biobank)와 비교해, 이 연구는 MAE 3.06·R²=0.92로 더 낫거나 비슷한 성능을 한국인 대규모 데이터로 보였습니다.
이 논문의 중요성 — 4가지 관점
① 분야 흐름에서의 위치 — '얼마나 잘 맞히나'에서 '왜 흔들리나'로. 직전 표준은 구글 Poplin(2018)으로 대표되는, "안저로 나이·성별·심혈관 위험을 예측할 수 있다"는 가능성의 증명이었습니다(주로 서양 데이터, MAE 약 3.26년). 이 논문은 그 가능성을 한국인 데이터로 재확인하는 데 그치지 않고, 질문을 "예측이 질병과 노화 앞에서 어떻게 달라지는가"로 돌렸습니다. 정확도 경쟁의 다음 칸, 즉 예측 오차의 패턴 자체를 생물학적 신호로 읽는 단계로 분야의 좌표를 옮긴 연구입니다.
② 논문 자체의 기여 — '오차의 어긋남'에서 노화와 질병을 가른 통찰. 본질적 신규성은 더 잘 맞힌 데 있지 않고, "평균오차는 비슷한데 일치도(R²)만 떨어진다"는 비대칭(정상 R²=0.92 → 고혈압 0.74·당뇨병 0.75)을 포착해, 거기서 *"노화 변화와 혈관질환 변화는 다른 종류"*라는 가설을 끌어낸 데 있습니다. 더불어 혈관을 지워도 나이 예측이 유지된(MAE 3.19년) 반면 성별 예측은 무너진(AUC 0.97→0.68) 대비 실험으로, 나이는 망막 전반에, 성별은 혈관에 새겨져 있다는 구조적 단서를 분리해 냈습니다. 41만 장 한국인 실데이터와 학습/시험 분리가 이를 뒷받침합니다.
③ 임상 현장에서의 의미 — '망막 나이'라는 위험 신호의 씨앗. 당장 진료를 바꾸는 도구는 아닙니다. 그러나 AI가 매긴 망막 나이와 실제 나이의 격차가 전신 혈관 부담을 비추는 신호가 될 수 있다는 가능성을 보여줍니다 — 특히 고혈압·당뇨병이 있을 때 그 격차의 흩어짐이 커졌기 때문입니다. 동시에 60세 이후 정확도가 떨어진다는 한계는, 이런 도구를 만들 때 고령층에서 신호가 포화한다는 점을 반드시 감안해야 함을 알려줍니다. 진단이 아니라 위험 계층화·연구 가설 생성의 자리에 두는 것이 정직한 사용법입니다.
④ 한국 + AfterNOON 관점. 한국은 국가검진에서 안저사진이 대량으로 생산되지만 현장에서 곧장 판독할 인력은 부족합니다. 한국인 41만 장 실데이터로 검증된 망막 노화·전신질환 신호는, 인종이 다른 해외 모델을 그대로 들여올 때의 일반화 우려를 줄이고, 국내 검진·역학 연구의 토대가 됩니다. AfterNOON은 안과 네트워크 기반의 당뇨망막병증 스크리닝과 실사용 데이터(RWD)를 다루는 만큼, 이처럼 안저사진을 전신·노화 바이오마커로 확장하는 흐름이 향후 검진·코호트 설계와 직접 맞닿습니다.
짚어둘 한계는?
- 단면연구: 한 시점의 사진을 본 것으로, 같은 사람을 시간에 따라 추적한 결과가 아닙니다. 인과(노화→망막 변화)를 직접 증명하진 못합니다.
- 질병의 종류·기간 미반영: 고혈압·당뇨병이 얼마나 오래됐는지, 어떤 유형인지는 고려하지 않았고, 안질환이 있는 사진은 제외했습니다.
- 렌즈·백내장·근시 영향 미보정: 수정체 혼탁(백내장)이나 안축장(근시)도 안저 모양을 바꿔 나이 예측에 영향을 줄 수 있는데, 이 연구에서는 충분히 통제하지 못했습니다.
- 흡연군이 더 정확한 이유는 미해명: 흡연군이 오히려 나이를 더 잘 맞힌 것은 남성·연령대 분포 편향 때문일 가능성이 크며, 흡연 자체의 효과로 설명되지 않습니다.
- 단일 인종·단일 기관: 한국인, 분당서울대 단일 데이터로만 검증됐습니다. 다른 인종·기관 데이터에서의 추가 검증이 필요합니다(논문도 자인).
그래서 무엇을 시사하나?
"안저사진 한 장 → 나이·성별 예측, 그리고 그 오차의 패턴 읽기"는 단순한 기술 시연을 넘어, 망막을 전신 건강과 노화를 비추는 창으로 다시 보게 합니다. 핵심 메시지는 두 가지입니다. 첫째, 노화가 망막에 남기는 흔적과 고혈압·당뇨병이 남기는 흔적은 서로 다른 종류라는 것. 둘째, 안저사진의 나이 신호는 60세 이후 약해지는 것으로 보인다는 것(망막이 그때 멈춘다는 뜻은 아니며, 정확도 해석에 주의가 필요). 이는 향후 '망막 나이'를 전신 위험의 보조 지표로 연구할 단서를 주지만, 어디까지나 연구·검진 보조의 자리이며 진단·치료의 근거가 아닙니다. 실제 활용은 추가 전향적 검증과 다인종 데이터로 일반화를 확인한 뒤에야 안전합니다.
자주 묻는 질문 (FAQ)
Q1. 안저사진만으로 정말 나이와 성별을 맞힐 수 있나요?
네, 이 연구에서는 가능했습니다. 정상인에서 나이는 평균 약 3년 오차로, 성별은 정확도(AUC) 96% 이상으로 맞혔습니다. 다만 이는 연구용 모델의 성능이며, 개인을 진단하거나 신원을 확인하는 용도가 아닙니다. 흥미롭게도 사람 안과 의사는 안저사진만으로 성별을 거의 구분하지 못하는데, AI는 해냈습니다.
Q2. 고혈압·당뇨병이 있으면 AI가 제 나이를 틀리게 본다는 뜻인가요?
정확히는 '더 많이 틀린다'기보다 '들쭉날쭉해진다'에 가깝습니다. 평균 오차는 정상과 비슷했지만, 실제 나이와의 일관성(R²)이 떨어졌습니다. 이는 질병으로 인한 망막 혈관 변화가 노화의 변화와 다른 방향으로 작용하기 때문으로 해석됩니다. 개인의 건강을 판정하는 수치가 아니라, 집단 차원의 연구 관찰입니다.
Q3. '평균오차(MAE)'와 '일치도(R²)'는 무엇이 다른가요?
평균오차(MAE)는 예측이 실제 나이에서 평균 몇 년이나 벗어났는가이고, 일치도(R²)는 예측이 실제 나이와 얼마나 나란히 따라가는가(1에 가까울수록 일관적)입니다. 이 연구의 핵심은 '오차는 비슷한데 일치도만 떨어진' 점 — 즉 평균은 같아도 흩어짐이 커진 점이었습니다.
Q4. 60세가 넘으면 왜 부정확해지나요?
연구진은 안저사진에서 나이에 따라 달라지는 신호가 60세 이후 뚜렷하지 않아지는 것으로 해석했습니다. 이는 '60세 이후 눈(망막)이 더는 늙지 않는다'는 뜻이 아니라, 나이를 가늠할 단서가 약해지고 고령층의 개인차·촬영 표본 특성 등이 겹쳐 예측 정확도가 떨어진다는 의미로 이해하는 것이 정확합니다.
Q5. 이 AI를 지금 건강검진에서 쓸 수 있나요?
아닙니다. 이 논문은 모델을 개발·검증한 연구 단계의 결과입니다. 실제 검진 활용에는 추가 전향적 검증, 다인종 데이터에서의 일반화 확인, 백내장·근시 같은 교란요인 보정이 더 필요합니다.
Q6. 한국인 데이터로 검증한 점이 왜 중요한가요?
망막은 인종에 따라 차이가 보고되어 왔고, AI는 학습한 데이터의 특성을 따라갑니다. 서양 데이터로 만든 모델을 그대로 들여오면 일반화 우려가 있습니다. 한국인 41만 장 대규모 실데이터로 검증된 점은 국내 검진·역학 연구에 직접 쓰일 수 있는 근거가 됩니다.
더 알아보기
눈 건강과 안과 검사, 안저사진에 대한 더 많은 연구 리뷰·정보는 AfterNOON Insights에서 확인하실 수 있습니다 → afternoon.clop.ai
진단과 치료에 대한 판단은 담당 안과 전문의와 상의하세요. (본 글은 학술 정보로, 진단·치료의 근거가 아닙니다.)
출처 (Sources)
- Kim YD, Noh KJ, Byun SJ, Lee S, Kim T, Sunwoo L, Lee KJ, Kang SH, Park KH, Park SJ. Effects of Hypertension, Diabetes, and Smoking on Age and Sex Prediction from Retinal Fundus Images. *Scientific Reports*. 2020;10:4623. doi:10.1038/s41598-020-61519-9 (PMID 32165702)
- Poplin R, Varadarajan AV, Blumer K, et al. Prediction of cardiovascular risk factors from retinal fundus photographs via deep learning. *Nature Biomedical Engineering*. 2018;2:158-164. doi:10.1038/s41551-018-0195-0
- He K, Zhang X, Ren S, Sun J. Deep Residual Learning for Image Recognition. *arXiv*:1512.03385 (2015). (ResNet)
- Gulshan V, Peng L, Coram M, et al. Development and Validation of a Deep Learning Algorithm for Detection of Diabetic Retinopathy in Retinal Fundus Photographs. *JAMA*. 2016;316(22):2402-2410. doi:10.1001/jama.2016.17216
- Park SJ, Shin JY, Kim S, et al. A Novel Fundus Image Reading Tool for Efficient Generation of a Multi-dimensional Categorical Image Database for Machine Learning Algorithm Training. *J Korean Med Sci*. 2018;33(43):e239. doi:10.3346/jkms.2018.33.e239
함께 보면 좋은 글
참고 자료
이 글은 안과 전문의 박상준(분당서울대학교병원 안과)의 감수를 받았습니다.
본 콘텐츠는 일반 건강정보이며, 진단과 치료는 담당 안과 전문의와 상담하세요.
