민감도와 특이도 (Sensitivity and Specificity)
쉽게 풀면
도둑 감지 경보기를 떠올려 봅시다. 좋은 경보기라면 실제로 도둑이 들었을 때 반드시 울려야 하고(민감도가 높음), 동시에 도둑이 들지 않았는데 괜히 울리는 일도 없어야 합니다(특이도가 높음). 민감도는 "진짜 환자 중에서 검사가 양성으로 맞춘 비율"이고, 특이도는 "진짜 건강한 사람 중에서 검사가 음성으로 맞춘 비율"입니다. 두 값 모두 100%에 가까울수록 이상적이지만, 현실의 검사는 대부분 하나를 높이면 다른 하나가 낮아지는 trade-off 관계에 있습니다.
왜 중요한가
새로운 진단검사나 예측모형을 제안하는 논문은 결국 "이 검사가 쓸모 있는가"를 입증해야 하는데, 민감도와 특이도는 그 성능을 정량적으로 보여주는 가장 기본적인 지표입니다. 기계학습 기반 분류모형, 영상판독 알고리즘, 설문 기반 선별도구 등 사람이나 사건을 이분법적으로 판별하는 거의 모든 연구에서 이 두 지표가 성능평가의 출발점이 되기 때문에 매우 폭넓게 등장합니다.
논문에서는 이렇게 쓰입니다
실제 감염자 100명 중 약 92명을 양성으로 정확히 찾아냈고, 비감염자 100명 중 약 88명을 음성으로 정확히 판정했다는 뜻입니다.
인공지능 진단모형의 성능을 사람 전문가와 비교할 때도 민감도와 특이도가 핵심 비교 기준으로 쓰인다는 뜻입니다.
정신건강 선별도구처럼 설문 형태의 검사에서도 절단점 설정에 따라 두 지표가 조정된다는 의미입니다.
조금 더 깊게 보면
민감도와 특이도는 검사의 절단점(cutoff)을 어디에 두느냐에 따라 함께 변화하며, 이 관계를 여러 절단점에서 그린 것이 ROC 곡선입니다. ROC 곡선 아래 면적(AUC)은 절단점에 의존하지 않는 전반적 판별력을 요약해 보여주는 지표로 자주 함께 보고됩니다. 또한 두 지표가 아무리 높아도 실제 임상 현장에서 유용한지는 양성예측도·음성예측도와 함께 판단해야 하며, 이는 대상 집단의 유병률에 크게 좌우됩니다.
주의할 점
민감도와 특이도는 검사 자체의 성능을 나타낼 뿐, "검사에서 양성이 나온 사람이 실제로 병에 걸렸을 확률"과는 다릅니다. 이 확률(양성예측도)은 유병률에 따라 크게 달라져서, 희귀 질환처럼 유병률이 낮은 경우에는 특이도가 아무리 높아도 양성 판정 중 상당수가 위양성일 수 있습니다.