I Built an AI Skin Disease Detector with Flask, TensorFlow Lite, and Groq — Here's How

Context

피부질환은 의료 접근성이 제한된 지역에서 조기 진단이 어렵고, 의사 상담 전에 초기 판단 정보가 필요한 상황이었다.

Technical Solution

• MobileNetV2 기반 CNN 모델을 TensorFlow Lite로 변환: 58MB H5 모델을 2.7MB TFLite 모델로 축소
• 서버 시작 시 TFLite 인터프리터를 메모리에 로드: 첫 예측은 느리지만(콜드 스타트) 이후 예측은 즉시 응답
• 업로드된 이미지를 메모리에서만 처리 후 폐기: 디스크 저장 없음, 데이터베이스 기록 없음
• Groq Llama 4 Scout 17B API로 CNN 예측값을 의료 설명으로 변환: 약 1초 내 3단락 텍스트 생성
• Flask + Jinja2 + Alpine.js + Tailwind로 단일 app.py 구성: 빌드 파이프라인 미사용, 서버 렌더링 방식
• CSRF 토큰 검증, SRI 해시 무결성 검사, HSTS 등 보안 헤더 적용
• 세션당 3회 분석 제한, 파일 타입 화이트리스트, 최대 10MB, 4096x4096 픽셀 제한
• Render 무료 플랜의 단일 Gunicorn 워커로 배포

Impact

• 7-class 피부질환 분류기: 71.64% 정확도
• 이진 원숭이두창 감지기: 95% 정확도
• 모델 크기 감소: 58MB → 2.7MB (95.3% 축소)
• 예측 응답 시간: 2초 이내
• 콜드 스타트 시간: 약 30초

Key Takeaway

TFLite 모델 경량화와 Groq 같은 외부 LLM API의 조합으로, 의료 도메인 웹앱에서 진단 정보의 사용성을 크게 높일 수 있으며, 프라이버시 우선 설계(메모리 기반 처리)와 최소 스택(React 미사용)으로도 프로덕션 품질의 보안과 성능을 달성할 수 있다.