“이제 얼굴 사진 한 장으로 암 예후 예측한다”… 딥러닝 모델 ‘FaceAge’ 연구 결과 충격

FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study

딥러닝 기반 ‘FaceAge’, 얼굴 사진만으로 생물학적 나이 추정

인간은 저마다 다른 속도로 노화가 진행된다. 외모는 단순한 연대기적 나이보다 생물학적 나이와 생리적 건강 상태에 대한 통찰력을 제공할 수 있다. 그러나 의학 분야에서는 환자의 외관이 의학적 판단에 주관적이고 비표준화된 방식으로 반영되어 왔다. 미국 매사추세츠 종합병원 네트워크의 사람들로 구성된 연구팀이 개발한 딥러닝 시스템 ‘FaceAge’는 쉽게 얻을 수 있는 저비용 얼굴 사진을 통해 생물학적 나이를 추정함으로써 이러한 한계를 극복하고자 한다.

연구팀은 IMDb-Wiki 데이터셋과 UTKFace 데이터셋에서 수집한 60세 이상의 건강한 것으로 추정되는 58,851명의 데이터를 기반으로 FaceAge를 훈련시켰다. 이 시스템은 얼굴 탐지와 특징 추출이라는 두 가지 주요 단계를 거친다. 첫 번째 단계에서는 캐스케이드 컨볼루션 신경망(cascaded convolutional neural network)을 사용하여 얼굴을 찾고 전처리하며, 두 번째 단계에서는 인셉션-레스넷 v1(Inception-ResNet v1) 컨볼루션 신경망을 활용해 얼굴을 특징 벡터로 인코딩하고 회귀 분석을 통해 나이를 예측한다.

FaceAge 분석 결과, 암 환자는 실제 나이보다 평균 4.79세 더 늙어 보여

FaceAge의 임상적 유용성을 평가하기 위해 네덜란드와 미국의 두 기관에서 암 진단을 받은 6,196명의 환자 데이터를 분석했다. 여기에는 MAASTRO 코호트, 하버드 흉부암 코호트, 하버드 완화 치료 코호트가 포함됐다. FaceAge 추정치는 비암성 참조 코호트 535명과 비교됐다.

연구 결과, FaceAge는 다양한 암 유형과 단계에서 유의미한 독립적 예후 성능을 보여주었다. 공변량을 조정한 후 FaceAge로 추정한 나이가 높을수록 전체 생존율이 더 나빴다(범암 코호트 n=4,906에서 10년당 위험비[HR] 1.151, p=0.013; 흉부암 코호트 n=573에서 HR 1.148, p=0.011; 완화 치료 코호트 n=717에서 HR 1.117, p=0.021). 평균적으로 암 환자들은 비암성 참조 코호트보다 연대기적 나이보다 4.79세 더 늙어 보였다(p<0.0001).

중요한 점은 FaceAge가 불치성 암으로 완화 치료를 받는 환자들에 대한 의사의 생존 예측을 향상시킬 수 있다는 것이다. 곡선 아래 면적(AUC)이 0.74(95% CI 0.70-0.78)에서 0.8(0.76-0.83)로 상승했으며(p<0.0001), 이는 생애 말기 의사 결정을 지원하는 알고리즘의 임상적 사용을 강조한다. 또한 FaceAge는 유전자 분석을 통해 노화의 분자 메커니즘과도 유의미한 관련성을 보였다.

불치암 환자 생존 예측 정확도 74%에서 80%로 상승

의학에서 의사의 환자에 대한 전반적인 인상은 신체 검사의 필수적인 부분을 구성하며 임상 의사 결정에 중요한 역할을 한다. 그러나 이는 기능적 상태나 허약함에 대한 매우 주관적인 평가이며 환자의 생물학적 나이에 대한 대략적인 추정에 불과하다. 특히 종양학에서는 치료 창이 좁고 치료 자체가 사망률을 악화시킬 수 있기 때문에 환자가 치료를 견딜 수 있을 만큼 건강하고 그 혜택을 누릴 만큼 오래 살 수 있는지에 대한 정확한 추정이 필요하다. 그러나 종양 전문의들은 환자의 정확한 생물학적 나이를 알지 못한 채 주관적인 수행 상태 추정에 의존하여 복잡한 치료 결정을 내려야 한다.

FaceAge와 같은 접근 방식은 환자의 시각적 외관을 객관적이고 정량적이며 임상적으로 가치 있는 측정치로 변환하는 데 도움이 될 수 있다. 연구팀은 FaceAge가 TEACHH 모델(완화 방사선 치료를 받는 말기 환자의 기대 수명을 추정하는 임상적으로 검증된 예후 모델)의 성능을 유의미하게 향상시켰음을 발견했다.

얼굴 AI 분석, 노화 유전자와 생체 나이 연관성 밝혀

FaceAge가 분자 노화의 바이오마커가 될 수 있는지 평가하기 위해 연구팀은 유전자 기반 분석을 수행하여 노화 유전자와의 연관성을 측정했다. 분석은 비소세포 폐암 진단을 받고 전체 엑솜 시퀀싱으로 프로파일링된 하버드 흉부 코호트의 146명을 대상으로 진행됐다. 연구팀은 노화와 관련된 것으로 알려진 22개의 유전자를 평가했으며, FaceAge는 다중 비교를 조정한 후 CDK6와 유의미한 연관성을 보였다(거짓 발견률 0.25). CDK6는 CDK4 및 사이클린 D와 복합체를 형성하여 망막모세포종(Rb) 종양 억제 단백질의 인산화 및 활성화를 통해 세포 주기의 G1/S 체크포인트를 조절하는 중요한 역할을 한다. 반면, 연대기적 나이는 다중 비교를 조정한 후 어떤 유전자와도 유의미한 연관성을 보이지 않았다.

생활 방식 요인이 FaceAge 예측에 미치는 영향을 평가하기 위해 암 유형, 흡연 이력, BMI, ECOG 수행 상태에 따른 FaceAge와 연대기적 나이의 차이를 비교했다. 연구팀은 암 환자의 FaceAge가 연대기적 나이보다 유의미하게 높다는 것(n=6,367; 평균 4.79세 증가; 쌍체 양측 t 검정 p<0.001)을 발견했다. 이는 암 유형 전반에 걸쳐 일관되게 나타났으며, 건강한 것으로 추정되는 인구에서의 결과와 대조를 이루었다.

FAQ

Q. 딥러닝 기반 얼굴 나이 예측(FaceAge)은 어떻게 작동하나요?

A: FaceAge는 얼굴 이미지에서 특정 패턴과 특징을 인식하도록 훈련된 딥러닝 시스템입니다. 이 시스템은 캐스케이드 컨볼루션 신경망으로 얼굴을 감지하고 전처리한 후, 인셉션-레스넷 신경망으로 얼굴 특징을 추출하여 생물학적 나이를 예측합니다. 이 과정에서 노화와 관련된 다양한 얼굴 특징들을 분석합니다.

Q. 암 환자가 실제 나이보다 더 늙어 보이는 이유는 무엇인가요?

A: 암 환자는 질병 자체와 치료 독성의 복합적인 영향으로 인해 생물학적 노화가 더 빠르게 진행될 수 있습니다. 연구에서는 암 환자가 평균적으로 건강한 사람들보다 약 5세 더 늙어 보이는 것으로 나타났습니다. 이는 암과 관련된 세포 손상, 염증, 그리고 치료 과정에서의 스트레스가 노화 과정을 가속화시키기 때문으로 추정됩니다.

Q. 이 기술이 실제 의료 현장에서 어떻게 활용될 수 있나요?

A: FaceAge는 의사들이 암 환자의 치료 계획을 수립할 때 더 정확한 예후 예측을 제공하는 데 도움을 줄 수 있습니다. 특히 완화 치료를 고려하는 말기 암 환자에게 적절한 치료 강도를 결정하는 데 유용합니다. 또한 임상 시험에서 환자를 더 객관적으로 층화하고, 예후 예측 모델의 정확도를 높이는 데 활용될 수 있습니다.

해당 기사에서 인용한 논문 원문은 링크에서 확인할 수 있다.

이미지 출처: FaceAge, a deep learning system to estimate biological age from face photographs to improve prognostication: a model development and validation study

기사는 클로드와 챗GPT를 활용해 작성되었습니다.