챗지피티 생성 종이에 손으로 쓴 글씨나 그림을 스마트폰 카메라로 찍기만 해도 알츠하이머병을 선별할 수 있는 인공지능(AI) 기술이 개발됐다. 이 기술은 고가의 병원용 스캐너나 특수 입력 장치 없이 일상에서 수집한 이미지를 AI가 분석하는 방식으로, 다양한 손글씨 과제의 예측치를 종합했을 때 높은 선별력을 보인 것으로 나타났다. ◆ 伊 174명 손글씨 25개 과제 촬영...AI모델 4개로 학습 이탈리아 카시노·남부라치오대 연구팀은 알츠하이머병 환자와 건강한 대조군에 손글씨 과제를 수행하도록 한 뒤, 작성한 결과물을 스마트폰으로 촬영해 딥러닝·머신러닝 모델에 학습시켰다. 연구에는 알츠하이머병 환자 89명과 인지 기능이 정상인 대조군 85명 총 174명이 참여했다. 참가자들은 간이정신상태검사(MMSE)와 전두엽기능검사(FAB), 몬트리올 인지평가(MoCA)를 거쳐 선정됐다. 향정신성 약물을 복용하거나 인지 저하가 지나치게 심한 경우에는 연구에서 제외했다. 평균 연령은 알츠하이머병군 71.6세, 대조군 63.8세였다. 두 집단은 연령과 교육 수준, 직업 형태, 성별 등을 고려해 구성됐다. 연구팀은 참가자들에게 총 25개의 손글씨 과제를 수행하도록 했다. 과제에는 ▲도형을 잇거나 원을 따라 그리기 ▲글자·단어·숫자를 베끼거나 거꾸로 옮겨 적기 ▲단어를 암기해 다시 쓰기 등이 포함됐다. 참가자들은 그래픽 태블릿 위에 종이를 얹은 채 필기했는데, 이 과정에서 종이에는 잉크 흔적이 남도록 했다. 기존 연구는 이렇게 작성된 손글씨를 전문 인력이 고해상도 스캐너로 이미지화했지만, 이번 연구에서는 같은 종이를 두 종류의 스마트폰으로 다시 촬영해 별도 이미지 데이터를 구축했다 알라딘예시 . 촬영은 비전문가가 맡았고, 기종도 무작위로 배정했다. 실제 사용 환경에서 발생할 수 있는 조명 차이와 그림자, 종이 비침 등 변수들도 그대로 반영했다. 연구팀은 이렇게 확보한 손글씨 이미지를 4가지 종류의 AI 분석 모델에 각각 적용해 과제별로 분류 성능을 평가했다. 또한 이들 모델이 이미지에서 뽑아낸 특징들을 다시 여러 기계학습 기법에 입력하는 방식으로 성능을 비교하는 실험도 병행했다. ◆ 과제별 정확도 최고 76%...스마트폰·스캔본 성능 차이 미미 분석 결과, 개별 손글씨 과제에 AI 모델과 분류 기법을 하나만 적용했을 때 과제별 성능 차이가 크게 나타났다. 전체 과제의 정확도는 58.02%에서 76.31%까지 차이를 보였다. 특정 조합 모델은 지름 6㎝ 원을 반복해서 따라 그리는 과제에서 가장 높은 정확도를 기록했다. 이 조합은 전체 평균 결과에서도 정확도 63.77%로 가장 우수한 평가를 받았다. 연구팀은 스마트폰으로 찍은 손글씨 이미지와 병원 고해상도 스캔 이미지의 성능도 과제별로 비교했다. 두 방식 간 정확도 차이는 대체로 크지 않았지만, 일부 과제에서는 스마트폰 촬영본의 성능이 확연히 뒤처졌다. 특히 필기체 소문자 '엘(l)'을 반복해 쓰는 과제와 '마마(mamma)'라는 단어를 베끼는 과제, 같은 단어를 거꾸로 옮겨 적는 과제에서는 스마트폰 이미지의 정확도가 스캔본보다 평균 9~10%포인트가량 낮은 것으로 확인됐다. 반대로 지름 3㎝ 원을 따라 그리는 과제에서는 스마트폰 이미지가 오히려 더 나은 성능을 보였다. 알라딘사이트 연구팀은 필기의 미세한 떨림이나 획 굵기 변화 등 정밀한 특징을 포착하는 과제일수록 촬영 조건의 영향을 민감하게 받는다고 설명했다. ◆ 여러 과제 예측치 통합하니...정확도·정밀도 크게 상승 단일 과제만으로는 성능에 한계가 드러났지만, 전체 과제의 예측 결과를 결합 기법으로 통합한 결과 성능이 크게 개선됐다. 가장 좋은 성적을 낸 조합은 특정 인공지능 모델로 이미지의 특징을 뽑아낸 뒤, 엔트로피 기반 다양성 결합 방식으로 종합한 방식으로 정확도(전체 대상자 중 환자와 정상인을 맞춘 비율) 84.08%, 정밀도(실제 환자 중 AI가 환자로 맞춘 비율) 90.23%를 달성했다. 또 다른 AI 모델에서는 우수한 예측 성능을 보인 결합 방식이 달랐다. 다수결 투표 같은 기본적인 결합 방식은 실제 환자를 찾아내는 비율이 31.67~46.67%에 그쳐 상대적으로 놓친 경우가 많았다. 스마트폰 이미지와 고해상도 스캔 이미지에 같은 결합 기법을 적용한 결과, 두 방식 간 성능 차이는 미미했다. 특정 모델의 경우 스마트폰 이미지로 학습한 결합 조합이 정밀도에서 71.30%로, 같은 조건의 스캔본(68.50%)보다 높게 나타나기도 했다. 연구팀은 이 같은 결과를 바탕으로 스마트폰 촬영이 분류 성능을 실질적으로 크게 떨어뜨리지는 않는다고 평가했다. ◆ 과제 늘수록 성능 향상...특이도는 73% 수준에 머물러 연구팀은 실제 현장에서 참가자가 모든 과제를 완료하지 못할 수 있는 상황을 고려해 과제 수를 무작위로 조절하며 성능 변화를 추적했다. 그 결과 과제가 7개를 넘어서면서부터 식별 정확도가 빠르게 향상됐다. 반면 15개 안팎에서는 정밀도 상승 폭이 둔화되는 양상을 보였다. 황금성게임장주소 전반적으로는 23개가 확보됐을 때 가장 우수한 성능이 구현됐다. 다만 모든 구간에서 정밀도, 즉 AI가 '환자'로 판정한 경우의 신뢰도가 높게 유지됐다. 이는 AI가 확실한 패턴에만 양성 판정을 내리는 보수적 전략을 취했기 때문으로 분석된다. 대신 이러한 접근은 오히려 실제 환자를 찾아내는 비율(민감도)을 낮춰, 과제 23개 기준 두 지표의 격차가 9.61%포인트까지 벌어졌다. 또 정확도와 정밀도가 비교적 높은 성적을 거둔 것과 달리, 건강한 대조군을 제대로 식별하는 특이도는 평균 73% 안팎에 불과했다. 이는 건강한 사람 4명 중 1명꼴로 환자로 오진할 가능성이 있다는 뜻으로, 향후 개선이 필요한 부분이다. 연구팀은 이 도구가 알츠하이머병 환자와 건강한 대조군만을 구분하도록 학습됐다는 .도 한계로 짚었다. 손글씨의 떨림이나 글자 크기 변화 등은 파킨슨병을 비롯한 다른 신경계 질환에서도 흔히 나타나는 증상이기 때문이다. 따라서 양성 판정을 하더라도 알츠하이머병으로 특정하기보다는 인지·운동 기능 저하 신호로 해석해야 한다고 강조했다. 이번 연구 결과는 지난 25일(현지 시간) 인공지능 분야 국제 학술지 'EAAI(Engineering Applications of Artificial Intelligence)'에 온라인으로 실렸다. Source Nardone E, D'Alessandro T, De Stefano C, Scotto di Freca A, Fontanella F. Artificial Intelligence for Alzheimer's disease screening via handwriting images acquired by smartphones. Engineering Applications of Artificial Intelligence. 2026 계가 드러났지만,