10년 된 CNN은 정말 최신 AI를 이겼을까: 피부병변 200개 판독 비교
목차
재미있는 비교 실험이 하나 올라왔습니다. 한 피부과 전문의가 피부에 난 점이나 반점 사진을 최신 대화형 AI 두 개와 오래된 이미지 분류 모델 하나에 똑같이 보여 주고 성적을 매겼습니다.
쉽게 말하면 세 AI에게 "이건 뭘까요, 그냥 둬도 될까요?"라고 물은 겁니다. 두 AI는 요즘 누구나 쓰는 범용 챗봇 계열입니다. 나머지 하나는 사진을 몇 가지 종류로 나누는 일만 배운 작은 모델이죠.
이 결과는 Hacker News에 "10년 된 CNN이 최신 LLM을 이겼다"는 제목으로 올라 크게 화제가 됐습니다. 그런데 표를 끝까지 읽으면 걸리는 대목이 있습니다. 진단명을 더 잘 맞힌 쪽이, 흑색종 사진을 보고 "그냥 두셔도 됩니다"라고 답한 경우는 훨씬 많았거든요. 그럼 이긴 건 누구일까요?
피부병변 200개, 사진 400장 — 정답은 조직검사가 알고 있다
실험을 올린 사람은 영국 Guy's Hospital의 피부과 전문의이자 모스(Mohs) 수술의인 Magnus Lynch입니다. 그는 10월 25일 자기 연구실 사이트에 원문을 올렸습니다. 재료는 조직검사로 진단이 확정된 병변 200개입니다. 병변마다 사진이 두 장씩 있고 세 모델이 같은 사진을 받아 진단명과 "퇴원시켜도 되는가"를 답합니다.
두 사진은 성격이 다릅니다. 하나는 피부를 가까이서 찍은 임상 근접사진입니다. 다른 하나는 더모스코피 사진인데, 조명이 달린 확대 렌즈로 피부 표면 아래의 색소와 혈관 구조를 찍은 것입니다. 저자는 이걸 "skin microscope"이라고 풀어 썼죠. 병변은 MILK10k라는 공개 데이터셋에서 무작위로 뽑았습니다. MILK10k는 병변 5,240개를 이렇게 두 장씩 짝지은 데이터셋이고 2025년 온라인으로 공개되어 Journal of Investigative Dermatology에 실렸습니다.
200개 중 절반은 그냥 두면 안 되는 병변입니다. 흑색종 30개, 기저세포암 25개, 편평세포암 25개(보웬병 포함), 광선각화증 20개로 구성됩니다. 나머지 절반은 퇴원시켜도 되는 양성 병변으로, 흔히 점이라고 부르는 모반과 지루각화증이 50개씩 들어 있습니다.
선수는 셋입니다. 둘은 대형 언어 모델(LLM), 그러니까 챗봇의 바탕이 되는 범용 모델로, 글뿐 아니라 이미지도 읽을 수 있습니다. 저자가 공개한 실행 기록에 따르면 GPT-6 Astra는 OpenAI API로, Claude Fable 5.1은 여러 모델을 한 API로 묶어 주는 OpenRouter를 거쳐 호출했습니다. 설정은 모두 기본값이었고 시스템 프롬프트 없이 사례마다 한 번씩만 물었습니다.
세 번째 선수는 합성곱 신경망(CNN)입니다. 스마트폰 사진 앱이 사진을 "고양이", "음식"으로 알아서 분류하는 기능을 떠올리면 됩니다. CNN은 이미지의 작은 영역을 훑는 필터를 층층이 쌓아 둡니다. 아래층은 모서리를, 그 위층은 무늬를, 더 위층은 물체를 알아보는 식으로 점점 추상적인 특징을 뽑아내죠. Lynch가 고른 모델은 Google 연구진이 2015년 12월에 발표한 Inception v3입니다. 일상 사진으로 미리 학습된 이 모델을 ISIC Archive의 피부 이미지 68,011장으로 다시 학습시켰습니다. 이렇게 이미 배운 모델을 특정 분야 데이터로 마저 가르치는 걸 미세조정이라고 부릅니다. H100 GPU 한 장으로 20 epoch를 돌렸습니다. 그러니까 "10년 된 모델"이라는 말은 설계도에만 해당합니다. 가중치는 이번 실험을 위해 새로 학습한 것입니다.
LLM에는 여섯 가지 진단 중 하나(또는 UNSURE), 0~100의 확신도, 두 번째 선택, 퇴원 가능 여부를 JSON으로만 답하라고 요구했습니다. 실제로 돌아온 답 한 줄은 이렇게 생겼습니다.
{"diagnosis": "SEK", "confidence": 96, "second_choice": "ACK", "discharge": "yes", "features": "Sharply demarcated, oval, stuck-on tan plaque with surface keratin, fissures and ridges, without atypical pigment structures or suspicious vessels."}채점 기준은 둘입니다. 진단명이 맞았는지는 조직검사 결과와 대조합니다. 퇴원 판정은 두 비율로 따지는데, 이 이야기 전체가 이 두 비율에 걸려 있습니다. 민감도는 위험한 병변을 "퇴원 불가"로 붙잡아 둔 비율이고, 특이도는 안전한 병변을 "퇴원 가능"으로 통과시킨 비율입니다. 공항 금속탐지기를 떠올리면 쉽습니다. 감도를 올리면 위험물은 덜 놓치지만 벨트 버클에도 경보가 울리잖아요. 둘을 동시에 올리기는 어렵습니다. 그래서 어느 쪽을 얼마나 포기할지가 늘 설계 문제가 됩니다. 피부암 선별에서 놓치면 안 되는 쪽은 당연히 위험 병변입니다.
진단명 맞히기에서는 왜 낡은 CNN이 앞섰을까
진단명만 놓고 보면 저자가 붙인 제목이 틀리지 않았습니다. CNN은 6개 진단 중 4개에서 두 LLM보다 많이 맞혔고 두 번째 선택까지 인정해도 전체 순서는 같았습니다.
| 첫 번째 답 정답 | GPT-6 Astra | Claude Fable 5.1 | CNN |
|---|---|---|---|
| 흑색종 (30) | 8 | 11 | 13 |
| 기저세포암 (25) | 25 | 18 | 24 |
| 편평세포암 (25) | 12 | 5 | 16 |
| 광선각화증 (20) | 10 | 12 | 9 |
| 모반 (50) | 16 | 33 | 37 |
| 지루각화증 (50) | 13 | 6 | 26 |
| 전체 (200) | 84 | 85 | 125 |
| 두 번째 선택까지 인정 | 134 | 138 | 173 |
정답률로 치면 62.5% 대 42.0%·42.5%입니다. 차이가 가장 크게 벌어진 곳은 암이 아니라 양성 병변이었습니다. GPT는 모반을, Claude는 지루각화증을 유독 못 맞혔죠. 반대로 GPT는 기저세포암만큼은 하나도 놓치지 않았습니다. 이 기묘한 조합에는 이유가 있는데, 그건 조금 뒤에 드러납니다.
어떻게 보면 새삼스러운 결과도 아닙니다. 2017년 Nature에 실린 Esteva 등의 논문이 바로 이 방법을 썼습니다. 일상 사진으로 사전학습한 Inception v3를 2,032개 질환, 129,450장 규모의 피부 이미지 자료로 미세조정했고 과제마다 최소 21명의 피부과 전문의와 비교했죠. 2018년에는 Haenssle 등이 Inception v4 기반 CNN이 피부과 전문의 58명 대부분보다 나았다고 보고했습니다. 좁은 문제를 레이블 붙은 데이터로 학습한 작은 모델이 강하다는 건 업계가 이미 몇 년 전에 배운 사실입니다. 이번 실험은 그 오래된 기준선을 범용 LLM 옆에 다시 세워 본 셈이죠.
그래도 저자는 다른 결과를 기대했다고 HN에서 털어놓았습니다. LLM이 이미지 해석 전반을 잘하고 인터넷에는 레이블 붙은 피부암 이미지가 수만 장 있으니 그 능력이 옮겨 갈 줄 알았다는 겁니다. 옮겨 가지 않았습니다. 다만 이 표는 이름을 맞혔는지만 셉니다. 진료실에서 정말 비싼 실수는 따로 있죠.
그런데 흑색종을 '괜찮다'며 돌려보낸 쪽은 누구였나
진단명을 틀리는 것과 환자를 돌려보내는 것은 무게가 다른 실수입니다. 기저세포암을 광선각화증으로 착각해도 어차피 "다시 오세요"라고 하면 환자는 의사를 다시 만납니다. 하지만 흑색종에 "그냥 두셔도 됩니다"라고 하면 이야기가 끝나 버리죠. 퇴원 판정 성적은 순위가 정반대로 나왔습니다.
| 퇴원 판정 | GPT-6 Astra | Claude Fable 5.1 | CNN (기본 임계값) |
|---|---|---|---|
| 위험 병변 100개 중 붙잡아 둔 수 | 97 | 96 | 77 |
| 양성 병변 100개 중 퇴원시킨 수 | 32 | 22 | 76 |
| 흑색종 30개 중 퇴원 판정한 수 | 3 | 4 | 18 |
CNN은 양성 병변을 시원하게 통과시켰습니다. 대신 흑색종의 절반 넘게 퇴원 판정을 냈습니다. LLM은 정반대였죠. 위험 병변은 거의 다 붙잡았지만 멀쩡한 점과 지루각화증도 대부분 함께 붙잡아 두었습니다. 민감도는 LLM이, 특이도는 CNN이 가져간 그림입니다.
원문에 실린 사례 하나가 이 구도를 잘 보여 줍니다. 귀에 생긴 두께 0.8mm 미만의 흑색종인데, 두 LLM은 이걸 지루각화증으로 보고 퇴원 가능하다고 했고 CNN은 흑색종으로 맞혔습니다. 개별 사례에서는 이렇게 CNN이 구해 내기도 합니다. 그런데 전체 집계에서는 흑색종을 돌려보낸 수가 CNN 쪽에 몰려 있습니다.
HN 댓글에서 speerer는 이 점을 짚고 제목을 뒤집어도 된다고 했습니다. 대중이 쓰는 도구라는 기준으로 보면 "10년 된 전용 CNN이 범용 LLM보다 못하다"고 써도 된다는 거죠. 과장으로 들릴 수 있지만 위음성(놓친 위험)을 기준으로 삼으면 틀린 말이 아닙니다. 그럼 CNN은 원래 안전에 약한 모델일까요? 그렇게 단정하기 어려운 이유가 표 제목의 괄호 안에 있습니다. "기본 임계값"이라는 말이요.
임계값 하나만 옮겨도 승자가 바뀐다
LLM은 "예/아니오"로 답하지만 CNN은 점수를 냅니다. 위험 판정에 쓰는 점수를 내놓고, 그 숫자가 정해 둔 선, 즉 임계값을 넘으면 "위험"으로 판정하죠. 금속탐지기의 감도 다이얼과 같습니다. 원문 표에는 이 다이얼을 돌린 설정("when matched")의 결과도 함께 실려 있습니다. 붙잡아 두는 위험 병변이 크게 늘고, 퇴원시키는 흑색종은 한두 개로 줄어듭니다.
기본 임계값에서 CNN은 위험 병변 100개 중 77개를 붙잡아 두고, 흑색종 30개 중 18개와 양성 병변 100개 중 76개를 퇴원시킨다.
모든 단계 보기
- 기본 임계값에서 CNN은 위험 병변 100개 중 77개를 붙잡아 두고, 흑색종 30개 중 18개와 양성 병변 100개 중 76개를 퇴원시킨다.
- 임계값을 원문의 조정 설정(when matched)으로 옮기면 붙잡아 둔 위험 병변은 98~99개로 늘고, 퇴원시킨 흑색종은 2개 또는 1개로 준다. 이 조정 설정의 특이도와 일치 기준은 공개되지 않았다.
기본 임계값은 저자가 데모 페이지에서 사진 종류별로 정한 연구용 값으로 보이는데, 검증 이미지에서 악성 병변의 90%를 잡는 것을 목표로 맞췄죠. 저자는 같은 페이지에서 직접 경고도 붙였습니다. 이번처럼 모두 조직검사까지 간 어려운 병변에서는 그보다 덜 잡아낸다는 겁니다. 의사가 생검을 결정한 병변만 모았으니 평소 진료실보다 까다로운 시험지인 셈이고 그 결과 CNN의 기본 다이얼은 이 시험지에 비해 너무 느슨했습니다.
그런데 다이얼을 돌렸을 때의 대가는 공개되지 않았습니다. 감도를 올리면 버클에도 경보가 울린다고 했죠. 조정한 설정에서 CNN이 양성 병변을 몇 개나 퇴원시키는지는 원문에 나오지 않습니다. 그 숫자가 LLM보다 높다면 CNN은 같은 안전 수준에서도 더 효율적인 모델입니다. 반대로 낮다면 LLM과 별로 다를 게 없습니다. 이 비교에서 가장 중요한 질문인 "같은 민감도에서 누가 더 정확한가"는 지금 공개된 숫자로는 답할 수 없습니다.
이럴 때 흔히 쓰는 지표가 AUC입니다. ROC 곡선 아래 넓이를 뜻하는데, 다이얼을 가능한 모든 위치에 놓아 봤을 때 위험과 안전을 얼마나 잘 가르는지를 하나로 요약한 값이죠. 저자가 밝힌 CNN의 AUC는 데모 페이지 기준 더모스코피 사진에서 0.86입니다. 반면 이번 실험의 LLM은 예/아니오 하나만 답했으니 여러 다이얼 위치에 걸친 성능은 볼 수가 없습니다. 이분형 답에도 AUC를 계산할 수는 있지만 CNN의 점수 기반 AUC와 나란히 놓으려면 LLM도 위험 점수를 내게 하는 식으로 조건을 맞춰야 하죠. 그렇다면 남는 질문이 있습니다. 진단을 그렇게 자주 틀린 LLM이 어떻게 위험 병변은 거의 다 붙잡아 둘 수 있었을까요?
LLM은 어떻게 틀렸길래 안전했을까
답은 LLM이 고른 진단명의 분포에 있습니다. 공개된 응답을 진단별로 세어 보면, 두 모델 모두 특정 진단을 실제보다 훨씬 자주 골랐습니다.
| 진단 | 실제 병변 수 | GPT-6 Astra가 답한 횟수 | Claude Fable 5.1이 답한 횟수 |
|---|---|---|---|
| 기저세포암 | 25 | 75 | 42 |
| 편평세포암 | 25 | 35 | 21 |
| 광선각화증 | 20 | 26 | 53 |
| 흑색종 | 30 | 16 | 32 |
| 모반 | 50 | 19 | 42 |
| 지루각화증 | 50 | 28 | 10 |
| UNSURE | – | 1 | 0 |
GPT의 단골 답은 기저세포암이었습니다. 기저세포암을 하나도 놓치지 않은 비결이 이거였죠. 거의 아무거나 기저세포암이라고 불렀으니까요. 그렇게 기저세포암으로 분류된 사례 가운데 14개는 실제로 흑색종이었습니다. Claude의 단골은 광선각화증이었습니다. 그런데 두 단골 답은 모두 "퇴원 불가" 쪽에 속합니다. 이름은 틀려도 판정은 "붙잡아 둔다"로 떨어지는 구조죠. LLM은 일단 암 쪽으로 기울어 답했고 그래서 민감도는 높고 특이도는 낮았습니다.
CNN은 반대 방향으로 틀렸습니다. 놓친 흑색종 17개 중 8개를 모반으로, 6개를 지루각화증으로 판정했죠. 다만 CNN의 퇴원 여부는 진단명이 아니라 별도의 위험 점수 임계값으로 정해지기 때문에, 양성으로 잘못 부른 흑색종 수와 퇴원시킨 흑색종 수가 딱 맞아떨어지지는 않습니다.
LLM이 자기 답을 얼마나 믿는지도 정답과 오답을 뚜렷하게 가르지는 못했습니다. 공개 데이터로 다시 계산하면, GPT의 평균 확신도는 정답일 때 82.5, 오답일 때 79.5였습니다. Claude는 64.6과 56.5였습니다. 평균만 보면 GPT는 틀릴 때도 맞을 때와 거의 같은 자신감으로 답한 셈이죠. 다만 확신도가 낮은 답만 사람이 다시 보는 설계가 통할지는 평균이 아니라, 기준선을 어디에 둘 때 몇 건을 검토하고 오답이 몇 건 남는지를 세어 봐야 알 수 있습니다.
환자처럼 물은 실험에서는 이 성격이 더 또렷해집니다. 저자는 임상사진만 있는 흑색종 100개를 추가로 준비해 이렇게 물었습니다.
Hi, I've got this mark on my skin and I'm a bit worried about it. I've attached a photo of it.
What do you think it is? And do I need to get it seen by a doctor, or is it safe to just leave it alone?저자 집계로는 두 모델 모두 거의 모든 사례에서 의사에게 보이라고 권했습니다. 그런데 공개된 응답에서 처음 언급한 진단을 세어 보면, 흑색종이라고 먼저 말한 경우는 GPT 19건, Claude 3건뿐이었습니다. 설명은 대개 "점이나 양성 병변 같다"인데 결론만 "그래도 병원에 가 보세요"였던 겁니다. 원문에는 이 대목이 나오지 않습니다. 사진을 보고 안전했다기보다 조심하는 습관 덕에 안전했을 가능성이 커 보이죠. 그렇다면 이번 시험 방식이 LLM의 실력을 제대로 끌어내지 못한 건 아닐까요?
실험 조건이 LLM에게 불리했던 건 아닐까
HN 토론에서 가장 많이 나온 반론이 바로 이것이었습니다. 하나씩 따져 보면 일리 있는 비판과 그렇지 않은 비판이 섞여 있습니다.
먼저 호출 방식입니다. LLM은 기본 설정으로, 도구 없이 한 번만 호출됐습니다. 그런데 Anthropic 문서는 Claude Fable 5.1이 이미지를 반복해서 분석하고, 잘라 보고, 확인할 수 있을 때 가장 잘한다고 설명합니다. 그래서 자르기와 확대 도구를 주라고 권하죠. 문서상 기본 effort(추론에 들이는 노력 수준)는 high이지만, OpenRouter를 거쳤을 때 실제로 어떻게 적용됐는지는 확인되지 않았습니다. 모델이 생각을 별로 하지 않고 답했을 가능성도 있습니다.
두 번째는 "홈 어드밴티지"입니다. HN 사용자 vikramkr는 이 점을 지적했습니다. CNN이 학습한 ISIC Archive에는 MILK10k도 들어 있습니다. 같은 병변과 환자는 제외했지만 촬영 장비와 기관 분포는 겹친다는 거죠. 반론도 만만치 않습니다. 같은 분야 데이터로 미세조정하는 건 원래 정상적인 학습 방법이고 따질 것은 다른 데이터셋에서의 성능이라는 겁니다. 저자의 데모 페이지에 따르면 CNN은 부에노스아이레스의 Hospital Italiano 외부 이미지에서도 AUC 0.934를 냈습니다. 다만 악성과 양성을 가른 수치이고 LLM과 같은 조건으로 비교한 것도 아니어서, 이번 비교에서 분포상 이점이 얼마나 작용했는지까지 배제해 주지는 못합니다. 데이터 오염도 함께 거론됐는데, 저자의 입장은 반대 방향입니다. MILK10k는 2025년부터 공개돼 있어서 LLM이 학습 중에 봤을 수 있고, 그랬다면 오히려 LLM에 유리했을 거라는 거죠.
세 번째는 정답의 정의입니다. 이 병변들은 모두 실제로 조직검사를 받았습니다. 의사가 그냥 보내지 않고 생검까지 했다는 뜻이죠. 결과가 양성으로 나왔다고 해서 LLM의 "퇴원 불가"를 오답으로 치는 게 맞느냐는 질문입니다. 특이도 수치를 해석할 때 꼭 기억해야 할 지점입니다.
나머지는 저자도 인정한 한계입니다. 표본 200개는 경향을 보기에는 충분하지만 근소한 차이로 순위를 매기기에는 부족하다고 저자 스스로 썼습니다. 특히 흑색종 표본이 적고 LLM은 실행할 때마다 답이 달라진다고도 밝혔죠. 분석과 초안 작성에 Claude Code를 썼다는 점도 직접 공개했습니다. 평가 대상 중 하나가 Anthropic 모델이니 알아 둘 만한 사실입니다.
정리하면, LLM의 성적은 더 오를 여지가 있어 보입니다. 하지만 비판 가운데 어느 것도 앞의 그림을 뒤집지는 못합니다. CNN은 이름을 더 잘 맞혔고 LLM은 더 조심스럽게 틀렸다는 그림 말이죠.
그래서 작은 모델이 이긴 걸까
진단명을 맞히는 시험이라면 CNN이 이겼습니다. 흑색종을 '괜찮다'며 돌려보내지 않는 시험이라면 기본 설정의 CNN은 졌습니다. 그리고 같은 안전 수준에서 누가 나은지는, 그 판정에 필요한 숫자가 공개되지 않아 아직 모릅니다. "작은 모델이 이겼다"는 한 줄은 지표 하나를 골랐을 때만 성립하는 말입니다.
개발자에게 더 쓸모 있는 교훈은 피부과 밖에 있습니다. HN 토론도 결국 "분류 문제에 LLM을 쓸 것인가"로 흘러갔거든요. 실무에서는 이렇게 가르면 대체로 맞습니다.
- 전용 분류기가 맞는 경우: 레이블 데이터가 있고, 호출량이 많고, 다이얼을 직접 조절해야 할 때입니다. Lynch의 CNN은 휴대폰 브라우저 안에서 WebGPU로 돌아가고 이미지를 서버로 올리지도 않습니다. 반면 LLM은 호출할 때마다 API 요금이 듭니다. 무엇보다 놓침과 오경보의 균형을 운영자가 정할 수 있다는 게 전용 분류기의 큰 장점입니다.
- LLM이 맞는 경우: 레이블 데이터를 만들기 비싸거나 추론량이 적을 때입니다. 이럴 때는 프롬프트 기반 분류가 총비용에서 유리하다는 의견이 나왔습니다. 다만 이번 실험이 보여 주듯 LLM에는 단골 답이라는 버릇이 있습니다. 맡기기 전에 오답이 어느 방향으로 쏠리는지부터 세어 봐야 합니다.
- 둘을 섞는 방법: LLM으로 레이블을 만들고 가벼운 모델을 학습시키는 방식입니다. 한 사용자는 banking77 데이터를 Opus 5로 다시 레이블링하고 로지스틱 회귀를 학습시켰더니 원래 레이블과 같은 정확도가 나왔다고 했습니다. 본인도 데이터 오염 가능성은 인정했습니다.
변수가 "LLM이냐 CNN이냐"가 아닐 수도 있습니다. 임상사진으로 미세조정한 멀티모달 LLM이 색소 병변 분류에서 흑색종 민감도 94%, AUC 0.98을 냈다는 별도 연구가 있습니다. 자료와 평가 조건이 달라 이번 결과와 직접 비교할 수는 없지만 모델 종류만큼 "그 분야 데이터로 가르쳤느냐"도 중요할 수 있다는 신호입니다. 범용 LLM이 모델에 따라 한쪽으로 크게 치우치는 현상도 이번이 처음은 아닙니다. 흑색종과 모반 이미지 807장으로 평가한 2025년 연구에서 ChatGPT-4o는 더모스코피 민감도 96.5%에 특이도 53.7%였습니다. Gemini 2.0 Flash는 민감도 56.4%에 특이도 98.8%였고요.
아직 모르는 것도 있습니다. 다이얼을 맞췄을 때 CNN의 특이도, OpenRouter를 거친 Claude에 실제로 적용된 effort, 독립적인 재현 결과가 그렇습니다. 어두운 피부톤에서의 성능도 빈칸입니다. MILK10k는 중간 피부톤 환자가 다수이고 데모 페이지도 어두운 피부 이미지가 적다고 밝힙니다. 의료 쪽 결론은 저자가 이미 내렸습니다. CNN 데모는 의료기기가 아니며, 지금은 어떤 모델이든 피부암을 놓칠 수 있으니 사람의 감독 없이 제공하는 건 합리적이지 않다는 겁니다. 규제를 통과한 제품은 따로 있습니다. 예컨대 Skin Analytics의 DERM은 EU에서 Class III CE 마크를 받았다고 업체와 매체가 보도했습니다.
처음 화제가 된 "10년 된 CNN이 최신 LLM을 이겼다"는 제목으로 돌아가 보면, 그 문장은 사실이면서 동시에 흑색종을 돌려보낸 표와도 양립합니다. 다음에 "우리 분류기가 LLM보다 정확합니다"라는 벤치마크를 받거든 정답률 옆에 숫자 두 개를 더 요구해 보세요. 실제로 쓸 임계값에서 놓친 위험 건수, 그리고 같은 민감도로 맞췄을 때의 특이도입니다. 그 두 칸이 비어 있으면 승부는 아직 나지 않은 겁니다.
