AI와 클라우드로 구현한 모바일 ADHD 진단 혁신 사례

주의력 결핍 과잉 행동 장애(ADHD)는 전 세계적으로 수백만 명에게 영향을 미치는 신경발달 장애입니다. 그러나 그 진단 과정은 종종 시간이 오래 걸리며 여러 번의 임상 방문이 요구되어 환자나 보호자 모두에게 큰 부담을 안깁니다. 스웨덴의 디지털 헬스케어 기업 Qbtech는 이러한 진단의 어려움을 인공지능(AI)과 클라우드를 통해 해결하고자 Amazon SageMaker AI와 AWS Glue를 활용하여 모바일 ADHD 평가 모델 ‘QbMobile’을 개발하였습니다.

이번 블로그에서는 Qbtech가 어떻게 Amazon SageMaker AI를 통해 머신러닝 모델 배포 가이드를 정립하고 자동화된 데이터 파이프라인으로 효율성과 정확도를 대폭 개선했는지를 살펴보겠습니다. 또한 사례 중심으로 데이터 활용성과 AI 모델 성능이 임상 진단에 어떻게 기여했는지도 함께 분석합니다.

Qbtech는 기존 진단 도구인 QbTest(병원 내) 및 QbCheck(원격 웹캠) 제품에 이어 QbMobile을 통해 임상 수준의 ADHD 평가를 환자 스마트폰으로 확장하였습니다. 이 애플리케이션은 스마트폰의 카메라와 모션 센서에서 수집한 데이터를 기계학습 모델이 분석하여 진단 보조 지표를 제공합니다. 이를 위해 Qbtech는 Amazon SageMaker AI를 활용하여 데이터 수집부터 모델 배포에 이르는 머신러닝 파이프라인 전체 과정을 자동화하였습니다.

머신러닝 모델은 LightGBM 알고리즘을 기반으로 하며, 약 2,000개의 샘플을 학습하였습니다. 각 샘플은 평균 50MB의 데이터와 다양한 사용자의 얼굴 추적, 움직임, 테스트 오답 패턴 및 성별·나이와 같은 인구 통계 정보를 포함하고 있습니다. 이 과정에서 AWS Glue를 통해 다양한 형식의 JSON 데이터를 변환하여 AI 모델 학습에 적합한 표준 구조로 정제하였습니다.

실행 효율성에서도 SageMaker AI의 자동 병렬 처리를 통한 확장성이 돋보였습니다. 기존에는 전처리에 2일이 소요되었으나, SageMaker + Python 멀티프로세싱으로 30분 이내로 단축되어 무려 96%의 처리 시간 단축을 실현했습니다.

모델 학습 성능 또한 뛰어났습니다. 다음과 같은 임상 수준의 지표를 달성하였습니다.

• 민감도(Sensitivity): 85.7%
• 특이도(Specificity): 74.9%
• PR-AUC: 73.2%

이러한 성능을 유지하면서도 다양한 스마트폰 기기에서도 동일한 평가 결과가 도출되도록 사전에 기기 간 편차 검증도 철저히 수행했으며, SHAP값 분석을 통해 추출한 주요 피처가 실제 ADHD 진단에 임상적으로 의미 있는지 확인하였습니다.

배포 측면에서는 DevOps 환경 자동화를 위해 SageMaker의 Endpoint를 Terraform으로 구성했으며, GitHub Action을 통해 컨테이너화를 진행한 후 AWS ECR에 저장하였습니다. 이 과정은 자동화 및 일관된 배포를 가능하게 하여, 기능 개선이 필요한 경우 빠르게 반영할 수 있는 안정적인 ML 운영 환경을 제공합니다.

<ID로 Github 릴리즈 트리거 → Docker 이미지 빌드 → AWS ECR 등록 → Terraform으로 SageMaker Endpoint 배포> 순의 구조로 신규 데이터와 기능 개선 사항이 빠르게 운영 환경에 반영됩니다.

또한 보안 측면에서도 의료 데이터의 민감성을 고려해 모든 저장 데이터는 암호화되며, 익명화 처리로 개인 식별이 불가능한 구조를 갖추고 있습니다. 시스템 접근 시 다중 인증을 포함하며, 실시간 모니터링을 통해 이상 행동이 탐지되면 자동으로 경고가 발생됩니다.

이와 같은 구조적 확장성과 결과 분석 체계는 비단 ADHD 평가에 국한되지 않고, 장기적으로는 기타 정신 건강 평가 및 치료 모니터링 시스템으로의 확장도 준비 중입니다. 특히 다중 기기와 다양한 행동 데이터를 활용하는 과정을 표준화하고 자동화함으로써, 헬스케어 산업 내 다른 기업들도 머신러닝 기반 진단 보조 시스템을 신속하게 도입할 수 있는 가이드라인을 제시하고 있습니다.

결론적으로 Qbtech의 사례는 헬스케어 분야에서 어떻게 클라우드 기반 AI와 자동화 도구를 효과적으로 활용하는지를 보여주는 좋은 벤치마크입니다. 단순히 기술적인 성과에 그치지 않고, 실제 의료 제공자와 환자 모두에게 진단의 객관성과 접근성 향상을 가져온다는 점에서 그 의미는 더욱 큽니다.

[1] https://aws.amazon.com/blogs/machine-learning/advancing-adhd-diagnosis-how-qbtech-built-a-mobile-ai-assessment-model-using-amazon-sagemaker-ai/