피부색 따라 달라지는 진단 AI 정확도…합성 데이터로 격차 줄여

피부질환 진단 AI는 학습 데이터 구성에 따라 성능 편차가 발생할 수 있는데, 기존 임상 데이터는 밝은 피부색 중심으로 구축돼 어두운 피부를 가진 환자에서 진단 정확도가 낮아질 수 있다는 우려가 있었다. 서울아산병원 연구진은 피부 병변의 형태는 그대로 유지하면서 피부색만 다르게 변환한 합성 데이터를 생성하는 기술을 개발했다. 이렇게 만든 합성 데이터를 학습에 추가 활용한 결과, 피부색에 따른 진단 AI의 성능 격차를 줄일 수 있는 가능성을 확인했다.

BioPulse 해설

원문에 없는 배경 설명입니다 · AI 작성 · 기사의 사실관계가 아닙니다

합성 데이터: 실제 데이터를 기반으로 알고리즘이 새롭게 생성한 가상의 데이터로, 부족한 데이터를 보완하는 데 활용된다.
데이터 편향: 학습 데이터가 특정 집단이나 조건에 치우쳐 있어 AI 모델의 성능이 불균형하게 나타나는 현상을 의미한다.
피츠패트릭 피부 유형: 자외선에 대한 반응과 색소 정도를 기준으로 피부색을 여러 등급으로 분류하는 피부과 표준 체계이다.

의료 AI는 학습에 사용된 임상 이미지의 구성에 따라 특정 환자군에서 성능이 떨어질 수 있어, 데이터 다양성 확보가 꾸준히 지적돼 왔다. 피부질환 진단 분야는 공개된 임상 데이터셋 자체가 특정 피부색에 편중된 경우가 많아, 이를 보완하기 위한 데이터 증강이나 합성 기법이 연구되고 있다. 이런 접근은 새로운 환자 데이터를 추가로 수집하기 어려운 상황에서 기존 데이터를 변형해 학습의 균형을 맞추는 방법으로 활용된다.

Why it matters의료 AI의 진단 성능이 특정 집단에서만 높게 나타나면 실제 임상 적용 시 형평성 문제가 발생할 수 있어, 데이터 편향 해소는 AI 신뢰성 확보의 핵심 과제로 다뤄진다.

원문을 확인하세요

BioPulse는 원문을 저장하거나 전재하지 않습니다. 위 글은 공개된 보도를 요약한 것이며, 수치·일정·인용은 요약 과정에서 빠지거나 달라질 수 있습니다. 판단이 필요한 사안은 반드시 원문에서 확인하세요.

메디파나 원문 보기

원문 보도의 저작권은 메디파나에 있습니다.