4분
- 실제 나이보다 AI가 평가한 얼굴 나이가 최소 5살 이상 많은 환자는 사망위험 21% 높아
- 실제보다 5살 이상 젊어 보이는 얼굴은 사망 위험이 17% 낮았다.
- 얼굴 사진을 통한 건강 평가를 보다 수치화하고 일관성 있게 만들어 개별 치료 결정을 지원하는 것

AI가 셀카 한 장으로 암 환자의 생존 가능성을 예측한다
– 눈 주위와 코등이 위험도 평가에 중요 역할 –

단 한 장의 얼굴 사진이 의사들이 암 Patient의 생존율을 더 정확히 예측하는 데 도움을 줄 수 있을까? 새로운 인공지능(AI) 기술이 환자 그룹 간의 뚜렷한 생존율 격차를 구별하고, 얼굴 특징을 통해 생물학적 나이를 추정해 낸다는 연구 결과가 나왔다. 다만, 이것이 기존의 의학적 진단 방식에 비해 얼마나 실질적인 도움이 될지는 아직 명확하지 않다. 

▲ 컴퓨터를 이용한 얼굴 분석에서 눈 주변과 콧대는 사망 위험을 평가하는 데 특히 중요한 요소로 밝혀졌다. 그러나 두 번째 모델은 주로 이마, 관자놀이, 코와 입 주변의 주름을 이용하여 나이를 추정했다. © andriano_cz / depositphotos.com

인간의 외모는 나이가 들면서, 그리고 중증 질환을 겪는 과정에서 변화한다. 의사들은 환자가 힘든 치료를 받기 전 전반적인 신체 상태를 가늠할 때 이러한 시각적 단서들을 오랫동안 고려해 왔다. 그러나 이러한 외적 변화에서 환자의 향후 생존 가능성을 얼마나 객관적으로 유추할 수 있는지는 수치화하기 어려웠다.

특히 암 치료에 있어서는 환자가 치료를 얼마나 잘 버텨낼 수 있을지가 매우 중요하다. 얼굴 사진을 자동 분석하는 기술은 임상적 판단을 보완할 수 있는 수단이 될 수 있지만, 그 실효성이 확실히 증명되어야만 한다. 현재로서는 이러한 방식이 임상 진료 루틴의 일부는 아니다.

하버드 의과대학(HMS)의 레이몬드 H. 맥(Raymond H. Mak) 교수 연구팀은 최근 얼굴 사진을 통해 암 환자의 사망 위험을 통계적으로 분석할 수 있는지 조사했다. 연구팀은 미국 환자 3만8183명의 사진과 치료 경과를 분석했으며, 네덜란드 환자 4,892명을 통해 결과를 교차 검증했다.

레이몬드 H. 맥 교수는 "인구 고령화에 따라 의사들은 방사선, 수술, 약물 요법 등 강도 높은 치료를 권장하기 전에 환자의 신체적 예비력과 쇠약도를 평가할 수 있는 더 나은 방법이 필요하다"고 설명했다.

▲ 왼쪽 분석은 암 생존과 관련된 주요 특성을 보여주고, 오른쪽은 생물학적 연령과 관련된 특성을 보여준다. © Mass General Brigham

두 가지 질문을 위한 두 가지 AI 모델

연구팀은 먼저 'FAHR-Face'라는 인공 신경망에 4천만 장 이상의 얼굴 사진을 학습시켰다. 이를 바탕으로 하나의 사진에서 서로 다른 정보를 도출할 수 있는 두 가지 특화된 모델을 개발했다.

FAHR-FaceAge: 얼굴 특징을 바탕으로 인간의 나이를 추정한다. 다만 이 추정치는 신체 내부의 생물학적 노화 과정을 직접 측정하는 것은 아니다. 공개된 이미지 데이터셋을 활용했을 때, 실제 연령과의 오차는 평균 5.1년에 불과했다.

FAHR-FaceSurvival: 얼굴 모습에서 곧바로 사망 위험을 유추하도록 설계되었으며, 암 환자 3만4363명의 사진과 치료 경과 데이터로 학습되었다. 연령 추정 모델이 주로 이마, 관자놀이, 코와 입 주변의 주름을 분석한 반면, 생존 예측 모델은 눈 주위와 코등에 더 반응했다.

매스 제너럴 브리검(Mass General Brigham)의 후고 J.W.L. 아에르츠(Hugo JWL Aerts)는 "이번 기술적 진화의 핵심은 FAHR-Face가 4천만 장 이상의 이미지로부터 얼굴에 대한 일반적인 특징을 학습한 뒤, 이를 생물학적 나이나 생존 기간 같은 다양한 건강 지표에 맞춰 적용할 수 있다는 점"이라고 설명했다.

▲ 연구 설계 및 Harvard-RT 환자 데이터셋 개요. (출처:October 19, 2026 Open access / Foundation artificial intelligence models for health recognition by use of face photographs (FAHR-Face): a model development and validation study / Lancet Digital Health)

생존율에서의 뚜렷한 차이

 

아직 학습에 사용되지 않은 3,820명의 미국 환자 테스트 데이터셋에서, 연구팀은 AI 예측 점수를 네 가지 위험군으로 분류했다. 점수가 가장 높은 상위 25% 그룹은 가장 낮은 하위 25% 그룹에 비해 통계적으로 보정된 사망 위험이 3.23배 높았다. 이는 집단 간 상대적인 차이를 보여줄 뿐, 개인의 구체적인 생존 확률을 확정적으로 알려주는 것은 아니다.

특히 평가 척도의 양극단에서 이러한 경향이 두드러졌다. 모델이 매우 높은 위험도를 보인 122명의 환자 중 64명이 촬영 후 90일 이내에 사망하여 52.5%의 비율을 기록했다. 반면, 매우 낮은 점수를 받은 975명 중 같은 기간 내 사망한 환자는 20명으로 2.1%에 그쳤다.

AI가 추정치로 산출한 '얼굴 나이' 역시 단서가 되었다. 실제 나이보다 AI가 평가한 얼굴 나이가 최소 5살 이상 더 많은 환자들은 사망 위험이 21% 높았다. 반대로 실제보다 5살 이상 젊어 보이는 얼굴은 사망 위험이 17% 낮았다. 이러한 차이는 외모가 건강에 직접적인 영향을 미친다는 뜻이 아니라, 통계적 상관관계를 뜻한다.

네덜란드의 독립된 환자 그룹을 분석한 결과에서도 이러한 기본적인 연관성은 입증되었다. 또한 두 모델은 서로 상호보완적인 정보를 제공하여, 이를 함께 고려했을 때 통계적 예측력이 더 향상되었다.

임상적 유용성은 여전히 과제

이번 연구는 과거에 촬영된 사진과 치료 경과 데이터를 소급하여 분석한 것이다. 따라서 AI가 의사들이 신체 검진이나 기타 검사 결과를 통해 이미 파악할 수 있는 것 이상의 새로운 정보를 찾아내는지에 대해서는 아직 확실하지 않다. 또한 이러한 모델 점수를 기반으로 치료 방식을 조절했을 때 환자의 생존율이 실제로 향상된다는 점도 아직 입증되지 않았다.

게다가 임상 데이터의 대부분이 방사선 치료를 받은 환자들에게서 수집되었기 때문에, 일반적인 암 환자나 건강한 사람들에게 곧바로 적용하기는 어렵다. 인구 집단 간의 잠재적 편향 문제와 민감한 얼굴 데이터의 보안 문제 역시 추가 연구를 통해 해결해야 할 과제이다.

레이몬드 H. 맥 교수는 "우리의 목표는 의사의 판단을 대체하는 것이 아니라, 얼굴 사진을 통한 건강 평가를 보다 수치화하고 일관성 있게 만들어 개별 치료 결정을 지원하는 것"이라고 밝혔다.

이 방법이 실제로 유용한 의사결정 보조 도구가 될 수 있을지는 미래지향적 임상 연구와 기존 예측 방법과의 직접적인 비교를 통해 증명되어야 할 것이다.

출처:

The Lancet Digital Health, doi: 10.1016/j.landig.2026.101056
Mass General Brigham 공식 연구 발표 자료

[더사이언스플러스=문광주 기자]

[ⓒ the SCIENCE plus. 무단전재-재배포 금지]