피부암 AI 비교, 진단 정확도와 안전한 판단은 다르다

피부암 영상에서 10년 된 신경망이 최신 대형언어모델을 앞섰다는 비교가 공개됐다. 하지만 제목만 읽으면 중요한 사실을 놓친다. 진단명 정확도에서는 전문 모델이 우세했지만, 기본 설정으로 위험한 병변을 돌려보내지 않는 판단에서는 결과가 달랐다. 모델의 신구보다 무엇을 평가했는지가 먼저다.

무엇을 비교했나

피부과 전문의 Magnus Lynch는 2026년 10월 25일 실험과 결과를 공개했다. 조직검사로 확인된 병변 200개에 대해 GPT-6 Astra, Claude Fable 5.1, 미세조정한 Inception v3를 비교했다. 진단 후보는 여섯 가지였고, 치료·검사·추적 없이 귀가시켜도 되는지도 물었다.

자료는 ISIC의 MILK10k에서 추출했다. 위험 관리가 필요한 병변 100개와 귀가 가능한 양성 병변 100개로 구성됐다. 흑색종은 30개였다. LLM에는 임상 사진과 피부경 사진을 함께 제공했고, CNN은 두 영상을 평가하되 피부경 영상에 더 큰 가중치를 주었다고 설명한다.

CNN은 68,011개 영상으로 미세조정됐다. 저자는 시험 대상 병변 및 같은 환자의 다른 사진을 학습·검증 자료에서 제거했다고 밝혔다. 이는 단순히 오래된 모델을 그대로 실행한 것이 아니라, 특정 과제에 맞게 학습한 전문 모델과 범용 모델을 비교한 실험이라는 뜻이다. Inception v3 논문의 발표 연도가 곧 이번 시스템의 학습 시점을 뜻하지는 않는다.

정확도 표를 안전성 순위로 읽으면 안 된다

전체 진단 정확도는 각각 42%, 42.5%, 62.5%다. 원문은 일부 수치를 정수로 표시하므로 여기서는 분모와 분자를 함께 적었다. CNN이 진단을 더 많이 맞혔다는 사실은 분명하지만, 이 설정이 진료에서 더 안전하다는 결론은 나오지 않는다.

저자는 CNN의 임계값을 조정하면 위험 병변 유지가 9899개, 흑색종 귀가 분류가 12개로 바뀐다고 보고했다. 다만 이 수치를 새로운 의료기관에서 그대로 재현할 수 있다고 가정해서는 안 된다. 임계값을 맞추는 과정과 독립된 시험, 그때 증가하는 추가 검사 부담을 함께 확인해야 한다.

기저세포암을 다른 위험한 암으로 잘못 부르는 것과 흑색종을 양성 병변으로 판단하는 것은 같은 오답 한 건이어도 결과가 다르다. 정확도 하나로 구매 결정을 내리면 이 차이가 사라진다.

범용 모델과 전문 모델은 맡길 일이 다르다

범용 LLM은 설명문 작성, 의료 문서 정리, 질문과 답변을 하나의 인터페이스로 묶는 데 장점이 있다. 반면 특정 영상 분류에 맞춘 모델은 제한된 출력 공간과 학습 자료를 활용할 수 있다. 이번 결과는 모든 의료 영역에서 CNN이 우월하다는 증거도, LLM의 의료 활용이 무의미하다는 증거도 아니다.

시각 추론의 비용과 근거에서 살펴봤듯, 더 많은 설명이 더 나은 관찰을 보장하지 않는다. 높은 확신으로 긴 설명을 만들 수 있다는 사실과 실제 병변을 정확히 구별하는 능력은 따로 검증해야 한다.

기업의 선택지도 반드시 하나의 모델로 통일할 필요는 없다. 영상 모델이 제한된 후보와 불확실성을 제공하고, 언어모델이 검증된 결과만 이해하기 쉬운 문장으로 설명하는 구조가 가능하다. 다만 이런 조합 역시 새 시스템이므로 별도 평가가 필요하다. 이 기사에서 그 효과가 입증됐다고 주장하는 것은 아니다.

한국 의료 AI 팀이 확인할 평가 설계

첫째, 국내 환자와 촬영 장비를 반영한 별도 자료를 확보해야 한다. 피부색, 병원별 촬영 조건, 의뢰 환자의 구성은 공개 자료와 다를 수 있다. 조직검사를 받은 어려운 사례만 모은 이번 표본을 일반 검진 전체로 확장해서도 안 된다.

둘째, 진단명 정확도와 위험 병변 민감도, 양성 병변의 불필요한 검사 비율을 함께 보고해야 한다. WHO의 의료 AI 윤리·거버넌스 지침은 의료 AI의 책임과 운영 원칙을 검토하는 보조 자료다. 국제 지침이 개별 시스템의 임상 검증이나 국내 인허가를 대신하지는 않는다.

셋째, 재실행 변동성과 불확실한 사례의 인계 절차를 기록해야 한다. 이번 LLM 평가는 사례당 한 번 실행됐다. 모델 업데이트나 프롬프트 변화가 결과에 미치는 영향은 별도 문제다. 연구 평가의 범위와 공동체 기반 검증이 중요한 이유도 여기에 있다.

저자는 분석과 초고 작성에 Claude Code를 사용했다고 공개했다. 이는 결과를 무효로 만드는 이유가 아니라, 점수 계산 코드와 원자료를 확인해야 할 추가 맥락이다. 공개된 연구용 데모를 개인의 피부암 자가진단 도구로 해석하는 것도 적절하지 않다.

자주 묻는 질문

오래된 CNN이 모든 최신 AI보다 좋은가?

아니다. 이번 200개 병변, 여섯 진단 범주, 특정 학습·실행 설정에서의 결과다. 다른 질환이나 진료 과제로 일반화할 수 없다.

62.5% 정확도면 임상에 바로 쓸 수 있나?

그렇지 않다. 오류 종류, 임계값, 외부 검증, 실제 진료 과정에서의 역할을 함께 평가해야 한다.

CNN의 흑색종 귀가 분류가 많았던 이유는 무엇인가?

기본 임계값과 진단 오류의 방향이 영향을 미쳤다. 진단 정답률을 높이는 것과 위험 병변을 놓치지 않는 것은 동일한 목표가 아니다.

LLM이 학습 중 시험 자료를 봤을 가능성은?

저자는 공개 자료이므로 가능성을 배제하지 않았다. CNN에서는 해당 환자와 병변을 제거했다고 설명했다. 두 조건은 구분해야 한다.

국내 팀의 첫 행동은 무엇인가?

최신 모델 구매보다 목표 지표와 실패 비용을 먼저 정의하는 것이다. 같은 안전성 수준에서 검사 부담과 운영 비용을 비교해야 한다.