컬러미터 기반 피부톤 추정으로 공정성 감사 수행

초록

본 논문은 색도계 측정값을 활용해 피부톤을 정량화하는 신경망을 개발하고, 이를 dermatoscopic 이미지에 적용해 Fitzpatrick 유형과 Individual Typology Angle(ITA)를 예측한다. 모델은 ordinal regression과 색상 회귀로 학습되었으며, 색도계 기반 라벨과 전문가 현장 라벨을 이용해 검증하였다. Fitzpatrick 예측은 인간 군중 라벨보다 낮지만 실용적인 수준이며, ITA 예측은 색도계 측정과 높은 일치도를 보인다. ISIC 2020과 MILK10k 데이터에 적용한 결과, 어두운 피부톤(FP V·VI)의 비율이 1% 미만으로 크게 부족함을 확인하였다.

상세 분석

이 연구는 dermatoscopic 이미지에서 피부톤을 추정하기 위해 두 가지 별도 네트워크를 설계하였다. 첫 번째는 Fitzpatrick 유형을 6단계로 분류하는 ordinal regression 모델이며, 두 번째는 CIELAB 색공간의 L*, a*, b* 값을 회귀하여 Individual Typology Angle(ITA)를 계산한다. 두 모델 모두 EfficientNet‑B0 백본을 ImageNet 가중치로 초기화하고, 다양한 공개 및 합성 데이터셋(예: ISIC 2020, SCIN, Fitzpatrick17k, S‑SYNTH 등)으로 사전학습한 뒤, MSK CC 피부톤 라벨링 데이터(64명, 4,878장)로 미세조정하였다. Fitzpatrick 모델은 CORAL ordinal loss를 사용해 순서 정보를 보존했으며, ITA 모델은 ΔE 1976 색 차이를 손실 함수로 채택해 색도계 측정과 직접적인 거리 최소화를 수행한다. 평가에서는 5‑fold 환자 수준 교차검증을 적용해 데이터 누수를 방지하였다. 결과적으로 Fitzpatrick 예측은 선형 가중 코헨 카파 52.98%를 기록했는데, 이는 인간 군중 라벨(66.08%)보다 낮지만 within‑one 정확도 84.84%로 인접 클래스 혼동이 주된 오류임을 보여준다. ITA 회귀는 ICC3 93.88%를 달성했으며, 기존 픽셀 평균 기반 방법을 크게 앞선다. 특히 색도계 기반 라벨링이 비정상적인 조명 조건에서도 강인함을 유지한다는 점이 주목할 만하다. 마지막으로 ISIC 2020과 MILK10k에 모델을 적용해 전체 데이터셋의 피부톤 분포를 추정했으며, FP V·VI가 1% 미만으로 심각히 부족함을 확인했다. 이는 현재 공개 dermatoscopic 데이터가 밝은 피부톤에 편중되어 있음을 의미하며, 향후 임상 AI의 공정성 평가에 중요한 기준이 될 수 있다.