연구진은 의료 영상 분할에서 공정성을 고려한 능동 학습(AL) 프레임워크를 제시했습니다. 이 프레임워크는 그룹별 성능을 기반으로 불확실성을 조절하는 가중 엔트로피 선택 전략을 사용합니다. 실험 결과, 제안 방법은 기존 방식 대비 성능 격차를 75~86%까지 줄이며 공정성을 향상시켰습니다.
연구는 합성 T1 가중치 뇌 MRI 데이터를 사용하여 좌측 해마 부위에 편향을 조절하고, 3D U-Net 모델을 학습했습니다. 다양한 능동 학습 전략을 비교하여 공정성 지표를 개선하는 효과를 검증했습니다.
본 연구는 의료 영상 분할 분야에서 공정한 능동 학습을 위한 첫 번째 연구 중 하나로, 제한된 자원 환경에서 더욱 공정한 모델을 훈련하는 효율적인 전략을 제공합니다.