The Question

Melanoma, the deadliest skin cancer, has a ~100% five-year survival rate when detected at stage I but approximately 35% at stage IV (current SEER data, reflecting immunotherapy-era improvements). Early detection is life-saving, yet dermatologists are scarce (many countries have fewer than 1 per 100,000 population). AI models have demonstrated dermatologist-level accuracy in classifying skin lesions from dermoscopic and clinical photographs. Can AI-powered screening tools — on smartphones, in primary care clinics, or integrated into telemedicine — democratise expert-level skin cancer detection?

Landscape

Kalidindi (2024) reviewed AI's role in melanoma diagnosis, documenting that CNN-based models reportedly achieve high sensitivity and specificity on benchmark datasets (ISIC, HAM10000). However, performance drops significantly on images from different populations, equipment, and clinical settings — the classic domain shift problem in medical AI.

Ornek et al. (2024) used the ISIC 2019 dataset (8 skin lesion categories) with SqueezeNet-based feature extraction followed by multiple classifiers (ANN, kNN, Random Forest, Logistic Regression), achieving up to 71.8% classification accuracy (ANN) across multiple lesion types. Semerci et al. (2024) extended AI applications to molecular classification of head and neck skin cancers, integrating AI-based histopathological analysis with genomic data.

Trager et al. (2024) reviewed AI for non-melanoma skin cancers (basal cell carcinoma, squamous cell carcinoma) — among the top five most common cancers globally but often overlooked in AI dermatology research, which disproportionately focuses on melanoma. Their analysis identified AI-assisted surgical margin assessment as a promising clinical application beyond screening.

Ruga et al. (2025) developed MultiExCam, an explainable AI architecture that combines multiple attention mechanisms with saliency mapping to provide clinically interpretable explanations for AI classifications — addressing the "black box" barrier to clinical adoption.

Key Claims & Evidence

Open Questions

Referenced Papers

• [1] Kalidindi, S. (2024). The Role of AI in the Diagnosis of Melanoma. Cureus, 16(9), e69818. DOI: 10.7759/cureus.69818
• [2] Ornek, H.K. et al. (2024). Deep Learning-Based Skin Lesion Classification for Melanoma. DOI: 10.58190/imiens.2024.101
• [3] Semerci, Z.M. et al. (2024). AI in Early Diagnosis of Head and Neck Skin Cancers. Diagnostics, 14(14), 1477. DOI: 10.3390/diagnostics14141477
• [4] Trager, M. et al. (2024). AI for Non-Melanoma Skin Cancer. Clinics in Dermatology. DOI: 10.1016/j.clindermatol.2024.06.016
• [5] Ruga, T. et al. (2025). MultiExCam: Explainable AI for Skin Lesion Classification. Computer Methods and Programs in Biomedicine. DOI: 10.1016/j.cmpb.2025.109081

면책 조항: 이 게시물은 정보 제공 목적의 연구 동향 개요이다. 학술 저작물에서 인용하기 전에 구체적인 연구 결과, 통계, 주장을 원문 논문과 대조하여 검증해야 한다.

AI와 피부과학: 피부암 선별 검사를 위한 딥러닝

분야: 의학 | 방법론: 전산-임상

저자: Sean K.S. Shin | 날짜: 2026-03-17

연구 질문

가장 치명적인 피부암인 흑색종(melanoma)은 1기에 발견될 경우 5년 생존율이 ~100%에 달하지만, 4기에서는 약 35%에 불과하다(면역요법 시대의 개선을 반영한 현행 SEER 데이터). 조기 발견은 생명을 구하지만, 피부과 전문의는 부족한 실정이다(많은 국가에서 인구 10만 명당 1명 미만). AI 모델은 피부경(dermoscopic) 사진 및 임상 사진을 통한 피부 병변 분류에서 피부과 전문의 수준의 정확도를 입증한 바 있다. 스마트폰, 1차 진료 클리닉, 또는 원격 의료에 통합된 AI 기반 선별 검사 도구가 전문가 수준의 피부암 탐지를 대중화할 수 있을까?

연구 현황

Kalidindi(2024)는 흑색종 진단에서 AI의 역할을 검토하면서, CNN 기반 모델이 벤치마크 데이터셋(ISIC, HAM10000)에서 높은 민감도(sensitivity)와 특이도(specificity)를 달성한다고 보고하였다. 그러나 상이한 인구 집단, 장비, 임상 환경에서는 성능이 크게 저하되는데, 이는 의료 AI에서 나타나는 전형적인 도메인 이동(domain shift) 문제이다.

Ornek et al.(2024)은 ISIC 2019 데이터셋(피부 병변 8개 범주)에 SqueezeNet 기반 특징 추출과 다수의 분류기(ANN, kNN, Random Forest, Logistic Regression)를 결합하여 다중 병변 유형에서 최대 71.8%의 분류 정확도(ANN 기준)를 달성하였다. Semerci et al.(2024)은 AI 기반 조직병리학적 분석을 유전체 데이터와 통합하여 두경부 피부암의 분자적 분류에 AI 적용 범위를 확장하였다.

Trager et al.(2024)은 비흑색종 피부암(basal cell carcinoma, squamous cell carcinoma)에 대한 AI 연구를 검토하였다. 이 두 암종은 전 세계적으로 가장 흔한 5대 암에 속하지만, 흑색종에 불균형적으로 집중된 AI 피부과학 연구에서는 간과되는 경우가 많다. 그들의 분석은 AI 보조 수술 절제연(surgical margin) 평가를 선별 검사를 넘어선 유망한 임상 적용 분야로 확인하였다.

Ruga et al.(2025)은 다중 어텐션 메커니즘(attention mechanism)과 현저성 매핑(saliency mapping)을 결합하여 AI 분류에 대한 임상적으로 해석 가능한 설명을 제공하는 설명 가능한 AI(explainable AI) 아키텍처인 MultiExCam을 개발하였으며, 이를 통해 임상 도입의 장벽인 "블랙박스" 문제에 대응하였다.

주요 주장 및 근거

미해결 질문