눈에 드러난 것을 읽습니다
Teachable Machine으로 학습한 이미지 분류 모델을 브라우저에서 직접 실행합니다. 전안부 사진과 결막 사진을 각각 담당 모델이 읽고, 클래스별 확률은 하나의 목록으로 합쳐 보여주며 AUC·민감도·특이도까지 같은 화면에서 계산합니다.
- 눈 소견정상결막 충혈익상편 병변공막 황달
- 결막 창백 스크리닝결막 창백결막 창백 아님
온디바이스 추론
사진은 서버로 전송되지 않고 브라우저 안에서만 처리됩니다.
실측 성능 지표
AUC·민감도·특이도를 모델별로 세션 표본에서 직접 계산합니다 (관리자 모드).
모바일 카메라 지원
웹캠·휴대폰 카메라로 촬영하거나 갤러리에서 바로 올립니다.
분석
눈 사진 두 장을 올리면 바로 분석합니다
추론은 전부 브라우저에서 실행됩니다. 전안부 사진과 결막 사진을 각각 담당 모델이 읽고, 파일 업로드와 카메라 촬영을 모두 지원합니다. 판정은 모델별로, 클래스별 확률은 하나로 합쳐서 보여줍니다.
촬영 조건이 결과를 바꿉니다
클래스마다 의존하는 시각적 단서가 달라서, 같은 눈이라도 조명·초점에 따라 결과가 달라집니다.
공막 황달
색조노란 색조 자체가 판단 근거입니다. 자동 화이트밸런스가 노란기를 지워버릴 수 있으니 조명 색온도를 일정하게 유지하세요.
결막 충혈
붉은기붉은기의 정도가 단서입니다. 노출 과다나 플래시 반사에 붉은기가 날아갑니다.
익상편 병변
형태색보다 초점과 각도가 중요합니다. 각막 경계가 선명하게 담겨야 합니다.
결막 창백
창백도밝기와 화이트밸런스에 가장 민감합니다. 아래눈꺼풀을 당겨 결막이 충분히 드러난 사진이어야 합니다.
학습할 때와 사용할 때의 촬영 환경을 맞추는 것이 성능에 가장 큰 영향을 줍니다.
눈 사진을 여기에 놓으세요
선택한 자리에 들어갑니다. 클립보드 붙여넣기(⌘V)도 지원합니다.
넣은 사진
0 / 2
아래 모델 연결에서 모델을 불러오면 입력이 활성화됩니다.
분석 결과가 여기에 표시됩니다
아래 모델 연결 패널에서 모델을 불러온 뒤 눈 사진을 올려 주세요.
위 결과에서 판정은 사진마다 따로 나오고, 클래스별 확률만 하나의 목록으로 합쳐 보여줍니다. 각 소견 확률은 해당 모델의 출력 그대로이고, 정상만 두 모델의 기준 클래스를 합쳐 둘 중 낮은 값으로 표시합니다 — 한쪽 모델이 소견을 잡았을 때 다른 모델의 정상 확률이 정상 수치를 끌어올리지 못하게 하기 위한 것입니다.
전안부 소견 4-클래스
전안부 사진을 정상과 세 가지 소견 중 하나로 분류합니다.
정상
비교 기준이 되는 클래스Normal
전안부에 특이 소견이 없는 상태. 결과 화면의 정상은 이 클래스와 아래 결막 창백 아님을 합쳐, 두 모델이 모두 소견 없음으로 본 정도(둘 중 낮은 값)로 표시합니다.
결막 충혈
색 + 혈관 패턴Conjunctival Hyperemia
결막 혈관이 확장되어 흰자가 붉게 보이는 소견. 감염성(바이러스·세균) 결막염과 알레르기성 결막염 등 원인이 다양합니다.
- 관찰 소견
- 아래눈꺼풀 안쪽(결막)의 혈관이 확장되어 흰자(공막) 부위에 붉은색의 증가와 혈관 확장이 보입니다.
익상편 병변
형태 · 경계 구조Pterygium
결막에서 각막을 향해 삼각형 모양으로 자라 들어오는 섬유혈관성 증식. 만성 자외선 노출과 연관됩니다.
- 관찰 소견
- 아래눈꺼풀 안쪽(결막)의 조직이 비정상적으로 자라서 눈동자(각막) 쪽으로 침범하는 모습을 보입니다.
공막 황달
색조 (황색도)Scleral Icterus
빌리루빈이 상승해 공막(흰자)이 노랗게 보이는 소견. 간·담도 또는 혈액 질환의 신호일 수 있습니다.
- 관찰 소견
- 흰자(공막)이 전체적으로 노란색 혹은 황색으로의 변화를 보입니다.
결막 창백 2-클래스
아래눈꺼풀을 당겨 찍은 결막 사진에서 창백도만을 봅니다. 빈혈 확진은 혈액검사만이 할 수 있습니다.
결막 창백
창백도 (붉은기)Conjunctival Pallor
결막(아래눈꺼풀 안쪽)의 창백도. 헤모글로빈이 낮아질수록 결막의 붉은기가 줄어드는 소견에 기반합니다.
- 관찰 소견
- 아래눈꺼풀 안쪽(결막)이 창백한 색조를 보이며 혈관이 불분명하게 보입니다.
결막 창백 아님
비교 기준이 되는 클래스No Conjunctival Pallor
결막의 붉은기가 유지된 상태. 창백 여부만 보는 클래스이므로 충혈·황달 같은 다른 소견이 있어도 값이 높게 나올 수 있고, 그래서 결과 화면에서는 전안부 모델의 정상과 합쳐 하나의 정상으로 표시합니다.
모델 연결 동시 0 / 2개 연결됨
서로 다른 과제를 학습한 모델 두 개를 동시에 연결할 수 있습니다. 모델마다 필요한 프레임이 달라서 사진도 모델별로 하나씩 받고, 판정·임계값·지표는 슬롯별로 따로 보여주되 클래스별 확률만 하나로 합쳐 표시합니다. 클래스 개수와 이름은 각 모델에서 읽어오며, 한쪽만 연결해도 그대로 동작합니다.
슬롯 A
눈 소견 분류
슬롯 B
결막 창백 스크리닝
작동 방식
네 단계로, 브라우저 안에서 끝납니다
백엔드도 계정도 필요하지 않습니다. 정적 사이트 한 벌과 사용자의 모델만으로 전체 파이프라인이 완결됩니다.
- 01
모델 연결 (최대 2개)
접속하면 사이트에 내장된 기본 모델 두 개가 자동으로 연결됩니다. 슬롯이 두 개라서 서로 다른 과제를 학습한 모델을 동시에 붙일 수 있고, 각 슬롯은 Teachable Machine 공유 URL 또는 내보낸 model.json · metadata.json · weights.bin 파일로 바꿀 수 있습니다.
기본 모델의 가중치는 사이트와 함께 배포되므로 외부 모델 호스팅에 의존하지 않습니다. 클래스 이름과 개수는 각 모델에서 읽어오므로 별도 설정이 없습니다.
- 02
눈 사진 두 장 입력
모델마다 필요한 프레임이 달라서 사진을 하나씩 받습니다. 전안부 사진은 눈을 크게 뜨고 흰자와 검은자가 모두 보이게, 결막 사진은 아래눈꺼풀을 당겨 결막이 드러나게 촬영합니다. 갤러리·파일 업로드, 드래그 앤 드롭, 카메라 실시간 촬영을 모두 지원합니다.
두 장을 한 번에 끌어다 놓으면 순서대로 자리에 들어가고, 카메라는 켜둔 채로 두 장을 연달아 찍을 수 있습니다. 자리를 다 채우고 분석 시작을 누르면 한 회차로 기록됩니다.
- 03
브라우저에서 추론
각 사진을 224px 정사각형으로 중앙 크롭한 뒤 Teachable Machine과 동일한 전처리로 담당 모델에 넣습니다. 판정은 사진마다 따로 나오고, 클래스별 확률만 하나의 목록으로 합쳐 표시됩니다.
입력 자리의 미리보기가 곧 모델이 보는 224px 프레임이라, 중앙 크롭에서 잘린 사진은 분석 전에 눈으로 걸러집니다. 각 소견 확률은 해당 모델의 출력 그대로이고, 정상만 두 모델의 기준 클래스를 합쳐 둘 중 낮은 값으로 표시합니다 — 한쪽이 소견을 잡았을 때 다른 쪽의 정상 확률이 정상 수치를 끌어올리지 못하게 하기 위한 것입니다. TensorFlow.js 런타임은 한 번만 내려받아 두 모델이 함께 사용하고, 네트워크 전송이 없으므로 오프라인에서도(모델 캐시 후) 동작합니다.
- 04
성능 검증 (관리자)
관리자 모드에서 진찰·검사로 확인된 실제 진단 클래스를 각 사진에 지정하면, 그 표본으로 ROC 곡선과 AUC·민감도·특이도·혼동 행렬을 즉시 계산합니다. 모델마다 읽은 사진과 클래스 체계가 다르므로 정답과 지표도 모델별로 나뉩니다.
관심 클래스를 바꾸면 같은 표본으로 다른 소견의 성능을 바로 볼 수 있고, 지정한 진단대로 정리된 라벨별 폴더 구조를 그대로 내려받아 재학습에 쓸 수 있습니다.
분류 대상
두 과제 — 전안부 소견과 결막 창백
두 모델이 각각 다른 질문으로 자기 사진을 읽고, 클래스별 확률은 하나의 목록으로 합쳐 보여줍니다. 클래스마다 의존하는 시각적 단서가 달라서, 촬영 품질에 대한 요구도 서로 다릅니다 — 클래스별 설명과 촬영 조건별 주의점은 분석 화면에 정리해 두었습니다.
- 과제
두 과제를 동시에
사진 두 장으로 (1) 전안부 사진의 정상·결막 충혈·익상편 병변·공막 황달 4-클래스 분류와 (2) 결막 사진의 결막 창백 유무 2-클래스 분류를 각각 수행합니다. 추론은 서로의 결과를 참조하지 않고 독립적으로 이뤄지며, 합쳐지는 것은 클래스별 확률을 표시하는 단계뿐입니다.
- 라벨 기준
진찰 · 검사 결과
사진만으로는 정답을 정의할 수 없습니다. 눈 소견 라벨은 안과 진찰(세극등)과 필요한 검사에서, 결막 창백 라벨은 혈액검사 헤모글로빈 수치에서 나옵니다.
- 전처리
224px 중앙 정사각 크롭
Teachable Machine 이미지 모델의 입력 규격에 맞춰 중앙을 정사각형으로 잘라 리샘플링합니다.
이 사이트는 특정 모델의 성능을 대신 주장하지 않습니다. 화면에 표시되는 AUC·민감도·특이도는 연결한 모델이 지금 세션에서 정답을 지정한 표본에 대해 낸 실측값이며, 표본이 적으면 신뢰구간이 넓게 나옵니다.
의료적 고지
- 이 도구는 의료기기가 아니며, 진단·치료 목적으로 사용할 수 없습니다.
- 결과는 참고용 스크리닝 신호일 뿐이며, 전문의와 상담 후 추가 검사가 필요할 수 있습니다.
- 공막 황달 소견은 간·담도 질환의 신호일 수 있습니다. 해당 결과가 나오면 지체 없이 진료를 받으세요.
- 눈의 통증, 시력 저하, 갑작스러운 변화가 있으면 결과와 무관하게 즉시 의료 전문가와 상담하세요.
- 모델 성능은 학습 데이터의 인구 집단·촬영 기기·조명 조건에 따라 크게 달라집니다.
- 학습한 클래스 중 하나로만 분류되므로, 학습하지 않은 다른 징후는 인식하지 못합니다.