CMR 세분화 공정성 향상을 위한 이해 기반 편향 완화

초록

본 연구는 영국 바이오뱅크와 St. Thomas’ Hospital 데이터를 이용해 흑인·백인 집단 간 심장 MRI(CMR) 세분화 편향을 조사하고, 오버샘플링, 중요도 재가중, Group DRO 및 이들의 조합을 적용한다. 또한 심장 외부 영역을 잘라낸 이미지(크롭)로 학습함으로써 편향의 근본 원인을 차단한다. 실험 결과, 오버샘플링이 가장 효과적으로 흑인 피험자의 Dice 점수를 향상시켰으며, 크롭 이미지와 결합하면 편향이 추가 감소한다. 외부 검증에서도 높은 세분화 정확도와 통계적으로 유의한 편향 차이가 없음을 확인하였다.

상세 분석

이 논문은 의료 영상 AI에서 흔히 발생하는 인종 편향을 정량적으로 분석하고, 실제 임상 데이터에 적용 가능한 편향 완화 전략을 체계적으로 평가한다. 먼저, 훈련 데이터는 영국 바이오뱅크에서 5 778명의 심장 MRI를 추출했으며, 흑인 피험자 15명과 백인 피험자 4 221명을 불균형하게 배치해 편향 효과를 극대화하였다. 검증은 동일 데이터셋 내 내부 검증과 St. Thomas’ Hospital에서 수집한 외부 임상 코호트를 사용해 도메인 이동에 대한 견고성을 확인하였다.

편향 완화 기법으로는 (1) 오버샘플링: 배치 구성 시 흑인 피험자를 복제해 샘플 비율을 1:1로 맞추어 학습 데이터의 대표성을 인위적으로 강화하였다. (2) 중요도 재가중: 그룹별 샘플 수의 역비례 가중치를 손실 함수(CE‑Dice)에 적용해 소수집단의 오류에 더 큰 페널티를 부여하였다. (3) Group DRO: 각 그룹별 평균 손실을 계산하고, 최악 그룹의 손실을 최소화하도록 최적화함으로써 전체 성능보다 최소 성능을 우선시하는 강인한 학습을 수행했다.

특히, 기존 연구에서 밝혀진 “심장 외부 영역이 편향 학습에 기여한다”는 근본 원인을 반영해 이미지 크롭 실험을 설계하였다. 원본 전체 슬라이스 대신 심장 영역만 남긴 크롭 이미지를 사용하면, 백인·흑인 모두에 대해 Dice 점수가 상승하고 그룹 간 차이가 현저히 감소한다. 크롭 이미지에 오버샘플링을 추가하면 편향 감소 효과가 더욱 강화된다.

실험 결과는 다음과 같다. 오버샘플링만 적용했을 때 흑인 피험자의 평균 Dice가 약 4 % 상승했으며, 백인 피험자의 성능 저하가 통계적으로 유의미하지 않았다. 재가중과 Group DRO는 각각 소폭 개선을 보였지만, 오버샘플링 대비 효과가 제한적이었다. 크롭 이미지만 사용했을 경우 두 집단 모두 Dice가 2–3 % 상승하고, 그룹 간 차이는 절반 수준으로 감소했다. 크롭 + 오버샘플링 조합은 가장 낮은 편향(ΔDice ≈ 0.5 %)을 달성했다. 외부 검증에서는 모든 방법이 높은 Dice(>0.90)를 유지했으며, 편향 차이가 통계적으로 유의하지 않았다.

이러한 결과는 (1) 데이터 불균형 자체를 해결하는 오버샘플링이 가장 실용적이며, (2) 편향 원인인 비심장 영역을 제거하는 전처리가 모델의 일반화와 공정성을 동시에 향상시킨다는 점을 시사한다. 또한, Group DRO와 같은 복잡한 손실 기반 방법은 현재 설정에서는 큰 이점을 제공하지 못했으며, 오버샘플링과 같은 간단한 전략이 충분히 효과적일 수 있음을 보여준다.