화상 깊이를
1도,
2도,
3도로 기록한 자료는 숫자처럼 보이지만 실제로는
순서형 범주(ordinal category)에 해당합니다. 1도에서 3도로 갈수록 손상이 깊어지는 순서는 있지만, 1도와 2도의 차이가 2도와 3도의 차이와 같다고 말할 수 없습니다
[1][2]. 즉, 화상 깊이 등급 사이의 간격이 동일하지 않기 때문에 더하기와 나누기를 전제로 하는
산술평균은 대푯값으로 적절하지 않습니다.
평균을 쓰면 안 되는 이유
산술평균을 구하려면 각 값의 합을 자료의 개수로 나누어야 합니다. 그런데 ‘1도 화상 2개와 3도 화상 2개의 평균이 2도 화상’이라는 해석은 임상적으로 성립하지 않습니다. 1도 화상은 표피만 손상된 상태이고, 3도 화상은 표피와 진피 전층, 그리고 피하조직까지 손상된 상태이므로 둘을 더해 나눈다고 해서 중간 상태인 2도 화상이 만들어지지 않습니다
[2][3]. 같은 이유로
기하평균과
조화평균도 곱셈이나 역수 연산을 기반으로 하므로 순서형 범주에는 적용할 수 없습니다.
가중평균 역시 산술평균의 변형이므로 동일한 문제를 가집니다.
순서형 범주에서 대푯값
순서형 범주에서는 관찰값을 크기 순서로 나열했을 때 가운데 위치하는 값인
중앙값(median)이 적절한 대푯값입니다. 예를 들어 화상 깊이 기록이
1도, 1도, 2도, 3도, 3도라면 중앙값은
2도가 됩니다. 중앙값은 값 사이의 간격을 계산하지 않고 순서 정보만 사용하므로 화상 깊이처럼 등간격이 보장되지 않는 자료에서도 의미를 가집니다.
화상 깊이 평가는 임상에서 치료 방침을 결정하는 핵심 근거이며, 전문의가 육안으로 분류하더라도 관찰자 간 변동성이 클 수 있습니다
[2][3]. 최근에는 합성곱 신경망(CNN)이나 YOLO 기반 딥러닝 모델로 화상 깊이를 자동 분류하려는 연구가 진행되고 있는데, 이 모델들도 화상 깊이를 연속형 수치가 아니라
범주형 등급으로 분류합니다
[1][2]. 즉, 화상 깊이는 ‘얼마나 깊은가’를 연속적인 길이로 측정한 값이 아니라 ‘어느 단계에 속하는가’를 판정한 범주라는 점을 기억해야 합니다. 따라서 대푯값을 구할 때도 평균 계열이 아닌 중앙값을 선택하는 것이 타당합니다.
참고 문헌 (논문 출처)
- [1]
ABC-YOLO: Automated skin burn depth classification using YOLO architectures.일반논문Şevik U, Mutlu O. (2026) · DOI: 10.1371/journal.pone.0344042
- [2]
Automated Classification of Second- and Third-Degree Burn Images Using Convolutional Neural Networks.일반논문Montecinos-Rodríguez Y, Torres-Santana FJ, Lakouari N, Díaz-González L. (2026) · DOI: 10.3390/ebj7020033
- [3]
AI-based burn image assessment: Reliability and clinical error patterns of multimodal large language models in a repeated-inference study.일반논문Güler I, Kraus A, Grieb G, Stelling H. (2026) · DOI: 10.1016/j.bjps.2026.05.070