빛다
AI 진단딥러닝모바일 앱

이마 라인 사진 한 장으로 탈모를 자가 진단할 수 있을까 — YOLOv4 + BASP 분류 기반 모바일 앱 (경운대 2022)

경운대 항공소프트웨어공학과 연구진이 한국컴퓨터정보학회 하계학술대회에 발표한 딥러닝 객체 검출(YOLOv4) 기반 탈모 자가 진단 앱. 이마 라인 사진을 서버 모델에 전송해 탈모 유무·단계를 판단하고, BASP 분류 기준으로 결과를 안내합니다.

게시 2026-05-04빛다 편집팀 · 정리·해설

인용 출처 (2편)

⚠️ 본 결과는 의료 진단이 아닌 참고용입니다.

핵심 답변 요약

경운대학교 항공소프트웨어공학과 연구진은 2022년 한국컴퓨터정보학회 하계학술대회에서 YOLOv4 객체 검출 모델을 활용한 탈모 자가 진단 앱을 발표했습니다. 사용자가 자신의 이마 라인을 안드로이드 앱으로 촬영하면 사진이 서버에 전송되고, 서버의 YOLOv4 모델이 탈모 유무와 단계를 검출해 JSON으로 앱에 결과를 반환합니다. 의학적 분류는 한국 피부과학회의 BASP(Basic and Specific) 분류 체계를 사용합니다. 본 논문은 빛다와는 다른 두 가지 차별화 — 모델 선택(YOLOv4 vs EfficientNet) 과 진단 부위(이마 라인 단일 vs 두피 전체 영역) — 를 보여주는 의미 있는 비교 자료입니다.

연구 배경 — 왜 자가 진단 앱이 필요한가

저자들은 다음과 같은 현실 문제에서 출발합니다.

이 문제를 딥러닝 + 모바일 앱 조합으로 완화하려는 시도가 본 논문의 핵심입니다. 자가 진단으로 조기에 탈모 진행을 인식할 수 있다면 의료기관 방문 시점을 앞당겨 치료 효과를 높일 수 있습니다.

모델 — YOLOv4 객체 검출

연구진이 선택한 모델은 YOLOv4(You Only Look Once v4)입니다.

선택 이유

학습 절차

  1. 데이터셋 수집: 탈모 단계별 이미지 확보
  2. 데이터셋 라벨링: 각 이미지에 탈모 유무·단계 표지
  3. 데이터셋 증강: augmentation으로 학습 데이터 다양화
  4. YOLOv4 모델 학습

YOLO와 분류 모델(EfficientNet 등)의 차이

| 측면 | YOLO 계열 (객체 검출) | EfficientNet 계열 (이미지 분류) | |---|---|---| | 출력 | 객체 위치(bounding box) + 클래스 | 이미지 전체에 대한 단일 라벨 | | 활용 | 이미지 안의 부분 영역 식별 | 이미지 전체의 상태 판단 | | 본 논문 활용 | 이마 라인의 탈모 패턴 영역 검출 | (사용 안 함) | | 빛다 활용 | (현재 사용 안 함) | 두피 전체 condition 진단 |

YOLO는 "어디에 무엇이 있는가"를 검출하고, EfficientNet은 "이 이미지 전체가 어떤 상태인가"를 분류합니다. 두 접근은 상호 배타적이지 않으며 시스템에 따라 함께 사용될 수도 있습니다.

BASP 분류 — 패턴 탈모의 의학적 기준

본 논문이 진단 결과의 분류 기준으로 채택한 BASP(Basic and Specific) 분류는 한국 피부과학회가 제안한 패턴 탈모 분류 체계입니다.

BASP 분류의 두 축

두 축의 조합으로 패턴 탈모를 세밀하게 분류할 수 있어, 단순한 "초기/중기/말기" 분류보다 임상적으로 풍부한 정보를 제공합니다. 본 앱은 이 분류를 사용자에게 가이드 화면으로 안내합니다.

출처

이 분류 체계는 한국 임상 환경에 최적화되어 있으며, 빛다도 이를 백과 글의 학술 근거로 활용할 수 있습니다.

시스템 아키텍처 — 클라이언트-서버 분리

본 논문이 제안한 시스템은 다음과 같이 구성됩니다.

동작 흐름

  1. 사용자: 안드로이드 앱 메인 화면 → BASP 가이드 확인 → 시작 버튼
  2. 앱: 안드로이드 내부 카메라 실행 → 이마 라인 촬영
  3. 앱 → 서버: 촬영 이미지 전송
  4. 서버: 학습된 YOLOv4 모델로 추론 → 탈모 유무 + 단계 판단
  5. 서버 → 앱: 결과를 JSON 파일로 전송
  6. 앱: JSON 파싱 → 결과 화면 렌더링

사생활 보호 강조

저자들은 "탈모 자가진단 앱은 개인의 사생활을 보호하면서, 자신의 탈모 진행 정도를 빠르게 인식할 수 있는 장점이 있다"고 명시합니다. 병원 방문 없이 자가 진단을 가능하게 한다는 점이 사용자 부담을 낮추는 핵심 가치입니다.

빛다 시스템과의 비교

모델 선택

| 항목 | 본 논문 (경운대 2022) | 빛다 | |---|---|---| | 모델 | YOLOv4 (객체 검출) | EfficientNet-B0 (분류 → 임베딩) | | 출력 | bounding box + 클래스 | 1,280-dim feature vector | | 매칭 | 학습 모델 직접 분류 | pgvector 코사인 유사도 검색 | | 데이터 규모 | (논문 미공개) | 168,427건 임베딩 사전 적재 |

빛다는 분류(EfficientNet)에서 검색(pgvector)으로 한 단계 더 진보된 접근을 사용합니다. 새로운 사례가 추가되어도 모델 재학습 없이 임베딩만 추가하면 검색 풀이 확장됩니다.

진단 부위 전략

| 항목 | 본 논문 | 빛다 | |---|---|---| | 촬영 부위 | 이마 라인 1곳 | 정수리·좌측두·우측두·후두부 4곳 (학습 데이터) | | 진단 영역 | 패턴 탈모(BASP)의 헤어라인 | 6 condition (피지·각질·비듬·홍반·농포·탈모) | | 사용자 부담 | 낮음 (한 장만) | 보통 (여러 부위 안내) |

본 논문이 단순화 전략으로 사용자 부담을 낮춘 반면, 빛다는 두피 전반의 condition을 진단하는 더 폭넓은 영역을 다룹니다. 두 접근은 사용 시나리오가 다릅니다.

시스템 아키텍처 — 동일한 클라이언트-서버 분리

빛다도 본 논문과 동일하게 클라이언트(웹/앱)-서버(추론) 분리 아키텍처를 사용합니다.

이 아키텍처는 사용자 단말의 계산 부담을 최소화하고 모델을 서버에서만 관리해 보안·업데이트 효율을 높이는 표준 접근입니다.

사생활 보호

빛다도 사용자의 두피 사진을 서버에 저장할 때 다음과 같은 보호를 적용합니다.

본 논문이 강조한 사생활 보호 가치는 빛다 정책과 정합합니다.

빛다의 다음 검토 후보 — 객체 검출 보조

본 논문이 보여준 YOLO 계열 객체 검출은 빛다의 진단 알고리즘에 보조적으로 결합될 수 있습니다.

이는 현재 빛다 6 condition 분류만으로는 측정하기 어려운 정량 지표(모발 밀도·평균 직경)를 보강하는 방향입니다.

마무리

이 글은 학술 자료에 대한 정보 제공을 목적으로 하며, 의학적 진단·치료를 대체하지 않습니다. 본 논문은 2 페이지의 학술발표 논문으로 모델 정확도·학습 데이터 규모 같은 세부 평가 지표를 충분히 공개하지 않으므로 본 시스템의 임상 신뢰도에 대한 별도 검증이 필요합니다. 자가 진단 앱은 의료기관 진단의 보조 도구이며, 정확한 평가와 치료는 피부과 전문의 상담을 우선해 주시기를 권장합니다. 빛다도 본 논문과 마찬가지로 진단 결과를 참고용으로만 제공하며, 의학적 단정을 회피합니다.

원논문 핵심 결과

빛다 서비스 활용

본 논문은 빛다와 다른 모델 접근(YOLOv4 객체 검출)과 다른 진단 부위 전략(이마 라인 단일)을 보여줍니다. 빛다는 EfficientNet-B0 임베딩 + pgvector 검색으로 두피 전체 영역의 6 condition을 진단하는 반면, 본 논문은 이마 헤어라인의 BASP 패턴을 객체 검출로 식별합니다. 빛다는 향후 BASP 분류 체계를 백과 글(M자형·정수리형 등) 학술 근거로 활용 가능하며, 객체 검출(YOLO 계열) 보조 알고리즘으로 모발 굵기·밀도 추정 같은 부가 기능을 검토할 수 있습니다. 본 논문이 보여준 클라이언트-서버 분리 아키텍처와 사생활 보호 강조는 빛다 정책과 정합합니다.

⚠️ 의료 진단이 아닌 참고용 안내입니다

본 AI 분석 및 가이드는 일반적인 두피·모발 관리를 위한 참고 정보이며, 의학적 진단·치료를 대체하지 않습니다. 정확한 진단과 치료는 피부과 등 의료기관에 문의하세요.

← 연구·논문 전체 보기