'성능 향상'의 실체는 밝은 피부가 아니라 어두운 피부의 격차 완화

삼성서울병원 보도자료에 따르면 연구팀은 생성형 기술을 활용해 피부 이미지의 색을 다른 톤으로 변환한 뒤 AI 학습에 사용하는 방식을 개발했습니다. 이 기법을 적용했을 때 어두운 피부 종양 분류의 AUC가 0.56에서 0.66으로 개선됐습니다. 밝은 피부 영역의 성능은 향상이 아니라 유지에 가까운 수준입니다. 논문 제목도 '성능 향상'이 아니라 'reduces disparities(격차 완화)'로 표현하고 있습니다.

논문 원문 대조가 막힌 수치, 병원 발표에 의존한 정량 데이터

출처: 조사 출처

게재 논문은 JID 온라인판에서 확인할 수 있지만 본문 열람은 페이월과 웹 방화벽 차단으로 이뤄지지 않았습니다. 이에 따라 AUC 수치를 비롯한 정량 데이터는 논문 원문 대조 없이 병원 공식 발표에 의존하고 있습니다. 다만 보도자료와 JID 서지 정보, Mendeley에 공개된 연구 데이터셋이 발표의 기술적 실체를 서로 이어주고 있습니다.

기존 데이터로 학습한 AI는 어두운 피부에서 취약했다는 통념

피부과 진단 AI는 학습 데이터에 밝은 피부 이미지가 편중되어 어두운 피부에서 오진 위험이 높다는 지적이 의학계에서 제기돼 왔습니다. 이번 연구는 추가 데이터 수집이 아니라 기존 이미지의 피부색을 인공적으로 바꿔 이 편중을 보정하는 접근을 택했습니다. 합성 데이터로 학습한 AI의 일반화 한계를 다룬 선행 논의는 존재하지만, 이번 연구에 대한 직접적인 비판 보도는 아직 확인되지 않았습니다.

0.66은 임상 배포 수준이 아니라 개념증명

AUC 0.66은 실제 임의 환자군에 배포하기에는 낮은 값으로, 연구 자체가 개념증명 단계임을 보여줍니다. 이 기술이 다양한 피부질환과 실제 임상 환경에서도 격차를 줄이는지는 몇 분기의 관측이 더 필요합니다. 발표된 내용은 발표자료와 논문 초록의 기술에 비추어 대체로 사실입니다.