더 빠르고 정확한 자폐 및 ADHD 진단을 위한 AI 도구, 새로운 가능성을 보여주다

관리자 · 2026-04-23 · 조회 236

핵심 요약

  • 사람의 미세한 움직임을 분석하는 인공지능이 자폐와 ADHD를 71.48%의 정확도로 구분할 수 있다는 연구 결과가 나왔어요.
  • 이 인공지능은 자폐가 없는 사람과 있는 사람을 잘 구분하지만 자폐와 ADHD가 같이 있는 사람을 찾아내는 데는 아직 한계가 있어요.
  • 이 기술은 병원이나 학교에서 자폐나 ADHD가 있는지 미리 알아보는 데 도움을 줄 수 있어요.

글의 핵심을 쉬운 말로 정리했습니다. 자세한 내용은 본문에서 확인하세요.

▸ 이 글은 해외 기사를 한국 독자용으로 번역·소개합니다. 출처 ajmc.com ↗

작성일: 2025년 7월 8일

작성자: 헤이든 E. 클라인(Hayden E. Klein)

검수: 크리스티나 마티나(Christina Mattina)

핵심 요약

AI 도구가 모션 추적 데이터를 사용하여 자폐와 ADHD를 진단하며, 기존 방식을 대체할 더 빠르고 정확한 대안이 개발 중입니다.

운동학적 데이터로 훈련된 딥러닝 모델은 71.48%의 정확도를 달성했으며, 단일 신호 중에서는 RPY(롤-피치-요) 데이터가 가장 높은 정확도를 보였습니다.

이 도구는 신경전형인과 신경다양인을 효과적으로 구별하지만, 자폐와 ADHD가 동반된 사례를 식별하는 데는 아직 한계가 있습니다.

파노 인자(Fano Factor) 및 섀넌 엔트로피(Shannon Entropy)와 같은 새로운 바이오마커는 증상의 강도를 정량화하며, 엔트로피가 높을수록 특성이 더 강하게 나타남을 의미합니다.

참가자들은 무선 모션 센서를 착용한 상태에서 터치스크린 기반의 손 뻗기 과제를 수행했으며, 센서는 선형 가속도, 각속도, 롤-피치-요(회전-상하-좌우) 방향을 밀리초(1,000분의 1초) 단위로 기록했습니다.

<사이언티픽 리포트(Scientific Reports)>에 발표된 연구에 따르면, 모션 추적 데이터를 활용하는 새로운 인공지능(AI) 도구가 언젠가 아동의 자폐 및 주의력결핍 과다행동장애(ADHD)를 더 빠르고 정확하게 진단하는 데 도움을 줄 수 있을 것으로 보입니다.

이 연구는 인디애나 대학교(Indiana University) 물리학과 석좌교수이자 해부학, 세포 생물학 및 생리학 겸임 교수인 호르헤 V. 호세(Jorge V. José) 박사가 이끌었습니다. 그는 이 새로운 도구가 신경다양성을 평가하는 방식을 바꿀 잠재력을 가지고 있다고 말했습니다. 연구팀은 고해상도 운동학적 데이터로 훈련된 딥러닝 모델이 육안으로는 보이지 않는 미세한 움직임 바이오마커를 기반으로 신경전형인과 자폐, ADHD, 또는 두 가지 모두를 가진 사람들을 정확하게 구별할 수 있음을 입증했습니다.

무선 모션 센서를 착용하고 터치스크린 기반의 손 뻗기 과제를 수행하는 참가자들 | 이미지 출처: Peakstock – stock.adobe.com

진단의 창이 되는 움직임

보도 자료에 따르면, 신경다양성을 지닌 아동은 공식 진단을 받기까지 오랜 지연을 겪는 경우가 많으며, 인디애나주를 포함한 일부 지역에서는 대기 시간이 최대 18개월에 달하기도 합니다. 현재의 진단 방법은 주로 행동 관찰과 설문조사에 의존하고 있어 시간이 많이 소요되고 주관적일 수 있습니다. 이 연구는 객관적이고 확장 가능한 대안을 제안합니다. 바로 간단한 손 뻗기 과제 중에 캡처된 움직임 데이터를 사용하여 신경다양성 특성을 선별하는 것입니다.

호세 박사는 "육안으로는 보이지 않는 움직임 변동의 통계를 분석함으로써, 우리는 새로운 생체 인식 데이터를 통해 장애의 중증도를 객관적으로 평가할 수 있습니다"라고 말했습니다. "현재 어떤 정신과 의사도 증상이 얼마나 뚜렷한지 수치화해서 말해줄 수는 없습니다."

이를 테스트하기 위해 참가자들은 무선 모션 센서를 착용한 채 터치스크린 기반의 손 뻗기 과제를 수행했습니다. 이 센서들은 선형 가속도, 각속도, 롤-피치-요(RPY) 방향을 밀리초(1,000분의 1초) 단위의 해상도로 기록했습니다. 그런 다음 이 데이터 스트림을 장단기 메모리(LSTM) 딥러닝 모델을 사용하여 분석했습니다. 이 모델은 참가자들을 신경전형인, 자폐, ADHD, 또는 자폐와 ADHD 동반이라는 4가지 범주 중 하나로 분류하도록 훈련되었습니다.

높은 분류 정확도

이 딥러닝 모델은 세 가지 운동학적 신호 유형을 모두 사용했을 때 평균 71.48%의 테스트 정확도를 달성했지만, 입력 유형에 따라 분류 성능에 차이가 있었습니다. 단일 신호로는 RPY 데이터만 사용했을 때 정확도가 67.83%로 가장 높았으며, 이는 선형 가속도 데이터(44.44%)나 각속도(32.17%)에 비해 훨씬 높은 수치였습니다.

조합을 살펴보면, RPY와 선형 가속도 데이터를 함께 사용했을 때 참가자 분류 정확도가 71.79%로 나타나, 각속도를 포함한 세 가지를 모두 결합했을 때보다 이 두 데이터만 조합했을 때 성능이 더 좋았습니다.

특히, 신경전형인과 신경다양인을 구분할 때 분류 정확도가 가장 높았습니다. 반면, 자폐와 ADHD를 모두 가진 아동을 식별하는 데는 신뢰도가 다소 떨어졌는데, 이는 동반 진단과 관련된 실제 임상적 어려움이 모델에도 동일하게 반영된 결과입니다.

연구팀은 "더 방대하고 포괄적인 데이터로 훈련을 거치면, 이 딥러닝 접근법은 병원뿐만 아니라 학교 및 기타 비의료 환경에서도 신경다양성이 의심되는 사람들을 위한 조기 선별 도구로서 중요한 역할을 할 수 있을 것"이라고 밝혔습니다. "센서 기술의 급속한 발전으로 미세 기전(MEM) 센서가 점점 더 저렴해지고 신뢰할 수 있게 되었으며, (스마트폰이나 스마트워치처럼) 어디서나 흔히 볼 수 있게 되면서 이러한 응용을 위한 운동학적 데이터 연구의 중요성이 더욱 커지고 있습니다."

생체 인식 데이터를 통한 중증도 정량화

단순히 신경다양성을 식별하는 것을 넘어, 연구팀은 참가자들의 미세한 움직임의 통계적 패턴을 기반으로 한 새로운 바이오마커, 특히 파노 인자(Fano Factor)와 섀넌 엔트로피(Shannon Entropy)도 살펴보았습니다. 이 지표들은 움직임의 무작위성을 정량화했으며, 연구진은 이를 자폐적 특성이 일상에서 발현되는 정도와 연관 지었습니다.

자폐나 ADHD 특성이 더 강하게 나타나는 아동일수록 가속도 데이터에서 더 높은 엔트로피와 명확한 변동 패턴을 보이는 경향이 있었습니다. 예를 들어, 일상에서 더 많은 지원을 필요로 하는 자폐 참가자들은 상대적으로 특성이 덜 두드러지는 참가자들에 비해 손 움직임에서 훨씬 더 큰 변동성을 보였습니다.

이 기술이 의사의 임상 진단을 완전히 대체하려는 목적은 아니지만, 연구진은 이 도구가 1차 의료 기관, 학교, 원격 의료 환경, 특히 의료 서비스 접근성이 낮거나 대기 시간이 긴 지역에서 초기 선별을 돕는 유용한 보조 도구로 활용될 수 있을 것으로 기대합니다. 호세 박사 팀은 15분 정도의 세션만으로도 데이터 수집이 충분할 것으로 예상하며, 이는 신속하게 초기 지원 계획을 수립하는 데 매우 적합하다고 덧붙였습니다.

호세 박사는 보도 자료를 통해 "상당히 높은 수준의 지원과 전문적인 도움이 필요한 경우도 있겠지만, 당사자가 필요로 하는 지원의 정도가 중간 수준이라면, 그에 맞춰 지원 방식을 더 세밀하게 조정할 수 있습니다. 이 경우 요구되는 지원의 강도가 상대적으로 낮아 종종 가정 내에서도 병행할 수 있게 되며, 결과적으로 돌봄에 드는 경제적·심리적 부담을 줄이고 과정을 더 수월하게 만들 수 있습니다."라고 설명했습니다.

참고문헌

Doctor KP, McKeever C, Wu D, et al. Deep learning diagnosis plus kinematic severity assessments of neurodivergent disorders. Sci Rep. Published online July 8, 2025. doi:10.1038/s41598-025-04294-9

Artificial intelligence used to improve speed and accuracy of autism and ADHD diagnoses. News release. EurekAlert. July 8, 2025. Accessed July 8, 2025. https://www.eurekalert.org/news-releases/1090448

Wu D, José JV, Nurnberger JI, Torres EB. A biomarker characterizing neurodevelopment with applications in autism. Sci Rep. 2018;8(1):614. doi:10.1038/s41598-017-18902-w


출처 : AJMC.com