어린이 영양실조 판독용 휴대전화 사진 AI, MUAC·체중측정을 대체할 수 있나
어린이 영양실조를 휴대전화 사진 한 장으로 판독하겠다는 구상은 이미 국제기구와 연구진이 여러 차례 시험했다. 다만 현재까지 공개된 근거를 보면 결론은 분명하다. 사진 기반 AI는 현장 접근성을 높일 가능성은 보였지만, MUAC(상완중간둘레)나 체중·신장 같은 신체계측을 당장 대체할 수준으로 검증됐다고 보기는 어렵다.
유니세프는 2019년 ‘세계 아동 현황’에서 얼굴 사진과 기계학습을 이용하는 MERON(Method for Extremely Rapid Observation of Nutritional Status)을 소개하면서, 이 도구가 기존 측정을 ‘대체’하기보다 ‘보완’하기 위한 것이라고 적었다. 당시 설명만 보면 응급 현장에서 빠르고 비침습적인 선별도구처럼 보이지만, 실제 성능을 따져 보려면 나중에 공개된 원논문과 비교가 필요하다.
유니세프가 소개한 사진 AI, 실제 공개 성능은 어땠나
MERON의 2024년 논문은 케냐 4개 카운티에서 2018년 1~2월 수집한 5세 미만 아동 3167명의 얼굴 사진과 영양조사 자료를 이용했다. 연구진은 사진만으로 급성 영양실조를 가려낼 수 있는지 시험했고, 전체 시험 표본 838건에서 분류 성공률은 60%라고 보고했다. 논문 초록만 보면 나쁘지 않아 보이지만, 세부 지표는 훨씬 조심스럽다.
이 연구는 체중대비신장 Z점수(WFH 또는 WFL)를 기준으로 정상, 중등도 급성 영양실조(MAM), 중증 급성 영양실조(SAM)를 구분해 사진 AI를 평가했다. 그 결과 MERON의 정밀도와 재현율은 정상군에서 각각 0.78, 0.60이었고, MAM은 0.30, 0.37, SAM은 0.10, 0.27에 그쳤다. 특히 중증군에서 오분류가 많았다는 뜻이다. 연구진도 중증 사례 표본이 적어 정확도 향상에 제약이 있었다고 적었다.
같은 논문은 현장에서 함께 측정한 MUAC도 같은 기준으로 비교했다. MUAC는 정상군 예측에서는 사진 AI보다 높았지만, MAM·SAM을 WFH/WFL 기준에 맞춰 다시 맞혀 보는 성능은 역시 낮았다. 이 결과만 보면 사진 AI가 MUAC보다 우월하다고 말하기 어렵고, 반대로 MUAC 하나만으로 충분하다고 말하기도 어렵다. 둘 다 기준을 무엇으로 삼느냐에 따라 한계가 드러난 셈이다.
왜 ‘사진 대 계측’의 단순 대결이 성립하지 않나
핵심은 MUAC와 체중대비신장 지표가 원래부터 서로 완전히 같은 아이를 골라내는 도구가 아니라는 점이다. 47개국 1832개 인체계측 조사를 분석한 2016년 연구는 MUAC와 체중대비신장을 서로 대체 가능한 하나의 잣대로 다루면 안 된다고 결론냈다. 두 지표가 잡아내는 아동군이 다르기 때문에 독립적으로 함께 써야 한다는 것이다.
세계보건기구도 현재 급성 영양실조를 그렇게 정의한다. 6~59개월 아동에서 중증 급성 영양실조는 MUAC 115mm 미만, 체중대비신장·신장대비길이 Z점수 -3 미만, 또는 양측 함요부종 가운데 하나로 본다. 중등도 급성 영양실조도 체중대비신장 Z점수와 MUAC 범위를 함께 사용한다. 다시 말해 국제 기준 자체가 하나의 측정법으로 다른 측정법을 없애는 구조가 아니다.
그래서 사진 AI가 MUAC를 얼마나 잘 흉내 냈는지, 혹은 체중대비신장을 얼마나 잘 추정했는지만으로는 ‘신체계측 대체’ 여부를 판정하기 어렵다. 실제 대체를 주장하려면 최소한 현장 표준 측정과의 오차, 중증군 검출 민감도, 연령·성별·인종·촬영각도 변화에 대한 견고성, 장비가 없는 현장과 보건소 수준 현장 각각에서의 성능, 그리고 치료 의사결정에 미치는 영향까지 따로 검증해야 한다.
최근 연구는 정확도를 끌어올렸지만, 조건이 더 붙었다
사진 기반 기술이 정체된 것은 아니다. 2026년 공개된 프리프린트 ‘AnthroNet’은 우간다 카라모자 지역 6~59개월 아동 3445명의 팔 사진을 바탕으로 MUAC를 추정했다. 이 연구는 단순 얼굴 사진이 아니라, 아이의 팔을 뻗게 한 뒤 어깨에 지름 2cm 기준 마커를 붙여 촬영하는 방식을 썼다. 그 결과 별도 시험세트 488명에서 영양실조 여부 이진 분류 정확도 78.1%, 민감도 76.4%, 특이도 79.5%, 연속형 MUAC 추정 평균절대오차 0.628cm를 제시했다.
다만 이 결과도 곧바로 대체를 뜻하지는 않는다. 첫째, 아직 동료평가를 거친 최종 논문이 아니라 프리프린트다. 둘째, WHO의 표준 분류인 정상·MAM·SAM 3단계가 아니라 정상 대 영양실조 2단계 분류로 단순화했다. 셋째, 촬영 때 기준 마커를 붙이고 팔 자세를 맞춰야 했기 때문에 ‘아무 휴대전화 사진 한 장’과는 거리가 있다. 편의성은 높아질 수 있어도, 무측정·무보정 상태의 완전한 대체 기술로 보긴 어렵다.
한국에서의 적용성은 어디까지인가
국내 공공 검진 체계는 지금도 사진 기반 추정이 아니라 실제 신체계측을 중심으로 운영된다. 보건복지부 영유아 건강검진 항목에는 키, 몸무게, 머리둘레, 체질량지수가 포함돼 있고, 질병관리청의 소아청소년 성장도표도 실제 측정값을 바탕으로 성장 상태를 평가하는 기준이다. 이번 확인 범위에서는 국내 공공 검진이나 공식 가이드라인에서 휴대전화 사진 AI를 키·몸무게·상완둘레 측정의 공식 대체 수단으로 인정한 근거는 찾지 못했다.
그렇다고 기술 가치가 없는 것은 아니다. 분쟁지역, 재난지역, 의료인력 부족 지역처럼 체중계·신장계·교육받은 조사원이 부족한 곳에서는 사진 기반 AI가 1차 선별, 재방문 우선순위 설정, 원격 모니터링 보조도구가 될 가능성이 있다. 실제로 MERON 논문도 사진 방식이 더 빠르고, 접촉이 적고, 일부 지역에서는 문화적 수용성이 높았다고 보고했다.
하지만 기사의 출발점인 질문으로 돌아가면, 현재 확인 가능한 근거의 답은 보수적이다. 휴대전화 사진 AI는 영양실조 판독을 보조하는 실험적·현장보완적 도구로는 의미가 있지만, MUAC와 체중·신장 측정을 일반적으로 대체한다고 말할 수는 없다. 특히 중증 급성 영양실조처럼 놓치면 위험한 경우일수록, 국제 기준은 여전히 실제 신체계측과 임상 징후 확인을 중심에 두고 있다.
자료: UNICEF, The State of the World’s Children 2019: Children, Food and Nutrition(2019); Watkins 외, Artificial intelligence for the practical assessment of nutritional status in emergencies(2024); World Health Organization, Identification of severe acute malnutrition in children 6–59 months of age(최종 업데이트 2023년 8월 9일); World Health Organization, Supplementary foods for the management of moderate acute malnutrition in children aged 6–59 months(최종 업데이트 2023년 8월 9일); Grellety·Golden, Weight-for-height and mid-upper-arm circumference should be used independently to diagnose acute malnutrition: policy implications(2016); 보건복지부, 건강검진-영유아 건강검진(최종수정일 2026년 6월 30일); 질병관리청, 소아청소년 성장도표(최종검토일 2026년 1월 7일); JMIR Preprints, AnthroNet: A Multi-Task Deep Learning Architecture for Anthropometric Assessment of Childhood Malnutrition using Mid Upper Arm Circumference from Field Photos(2026)