머신러닝을 이용한 탈모 치료 효과 예측

사회 각 분야에서 인공지능의 중요성이 커지고 있고 의학 역시 예외가 아닙니다. 영상 판독, 항암 프로토콜 등의 특정 분야는 이미 상용화된 시스템이 사용되고 있습니다만 아쉽게도 탈모 분야는 아직까지 특별히 인공지능의 수혜를 받고 있지는 않은 분야입니다. 달리 말하면 가능성이 무궁무진하다고 볼 수도 있겠습니다. 

오늘 소개해드릴 연구는 머신러닝을 이용하여 나이, 유병기간 등 각종 임상 양상이 여성형 탈모의 치료 효과에 어떤 효과를 끼칠지 예측해본 연구입니다. 

발병 나이, 유병 기간, 휴지기 탈모 여부, 피나스테리드, 스피로노락톤, PRP, 가족력, 미녹시딜 등 여러가지 변수가 치료 기간에 따라 모발 밀도와 모발 직경에 어떤 영향을 끼치는지 조사했습니다. 그래디언트 부스팅 중 XGBoost와 Catboost 두 가지 알고리즘을 사용하여 각각의 결과를 비교했습니다. 

두 가지 알고리즘 모두 좋은 예측력을 보여주었는데, 결과에 영향을 가장 크게 미친 변수는 시점에 관계없이 발병 시점과 유병 기간이었습니다. 또한 스피로노락톤과 피나스테리드, 가족력이 그 다음으로 결과에 가장 영향을 많이 끼쳤으며 일반적인 예상과는 달리 미녹시딜 복용 여부는 결과에 끼치는 영향이 가장 적은 변수였습니다. 

위의 그래프는 연구에 참여한 참가자 가운데 한 명의 분석 결과입니다. 상단의 0.3은 모발 밀도가 치료 시작 시점에 비해 30% 늘어났음을 의미합니다. 빨간색은 긍정적인 요소, 파란색은 부정적인 요소로 이 환자에게 긍정적인 영향을 끼친 요소는 순서대로 유병 기간, 가족력 없음, 휴지기 탈모 없음, 스피로노락톤 복용, 피나스테리드 복용이었고 발병 시점이 37세라는 변수는 나쁜 영향을 끼쳤다는 의미입니다. 

여성형 탈모 치료와 관련하여 인공지능을 이용한 의미있는 연구로서는 아마 이 연구가 첫 번째 사례가 되지 않을까 생각됩니다. 의사와 환자가 변화를 만들 수 있는 약물 치료, 즉 미녹시딜, 피나스테리드, 스피로노락톤이 치료 결과에 끼치는 영향이 예상보다 적고 유병 기간이나 발병 시점 등 컨트롤 불가능한 변수가 더 중요하다는 결론을 보니 흥미롭기도 하지만 동시에 씁쓸한 기분이 들기도 합니다. 

앞으로 다른 형태의 탈모에 대해서도 비슷한 연구가 쏟아질 것으로 보입니다. 새로운 자료를 접하면 여러분들께 가장 먼저 알려드리겠습니다. 

-뉴헤어 대머리블로그j-