의료 AI 논문에서 자주 보이는 용어 완전 정복
…
의료 AI 논문 결과 섹션에서 AUC 0.92, Sensitivity 89%… 이런 숫자들이 나옵니다. 이게 좋은 건지 나쁜 건지 모르면 논문 읽기가 막막합니다. 딱 8개 용어만 잡으면 결과 섹션이 술술 읽힙니다.
의료 AI 논문 핵심 용어 8개
| 용어 | 설명 | 임상 의미 |
|---|---|---|
| AUC-ROC | 모델의 전반적 분류 능력 (0.5~1.0) | 0.9 이상이면 우수, 0.7 이하면 재검토 필요 |
| Sensitivity (민감도) | 실제 양성 중 AI가 양성으로 맞춘 비율 | 암 환자를 몇 명이나 찾아냈는가 |
| Specificity (특이도) | 실제 음성 중 AI가 음성으로 맞춘 비율 | 정상인을 얼마나 정확히 정상이라 했는가 |
| PPV (양성예측도) | AI가 양성이라 했을 때 실제 양성인 비율 | AI가 “암”이라고 했을 때 진짜 암일 확률 |
| NPV (음성예측도) | AI가 음성이라 했을 때 실제 음성인 비율 | AI가 “정상”이라 했을 때 진짜 정상일 확률 |
| F1-score | Sensitivity와 PPV의 조화평균 | 불균형 데이터셋에서 종합 성능 평가 |
| Calibration | AI의 확률값이 실제 발생 빈도와 일치하는 정도 | ”90%라고 했으면 실제로 90%가 발생했는가” |
| External validation | 개발에 쓰이지 않은 외부 데이터로 검증 | 다른 병원에서도 잘 작동하는지 확인 |
논문 결과 섹션에서 이 단어들을 만났을 때
결과: AUC 0.94, Sensitivity 91%, Specificity 87%,
PPV 84%, NPV 93%, F1-score 0.87
External validation: AUC 0.89이 숫자가 보이면 이렇게 해석하세요.
✅ AUC 0.94 → 꽤 좋은 모델입니다.
✅ NPV 93% → AI가 “정상”이라 하면 93%는 진짜 정상입니다.
⚠️ External validation AUC 0.89 → 개발 병원보다 낮아졌습니다. 다른 환경에서 성능이 떨어집니다.
❌ External validation 없는 논문 → 실제 임상 적용 전 주의가 필요합니다.
의료 AI에서 Sensitivity가 중요한 이유
암 진단 AI라면 Sensitivity가 높아야 합니다. 암 환자를 놓치면 안 되기 때문입니다. 선별 검사가 민감도 중심으로 설계되는 것과 같은 이치입니다. 반대로 불필요한 수술을 막으려면 Specificity가 중요합니다.