99% 정확도 검사의 역설: 왜 베이즈 정리를 모르면 의사도, AI 엔지니어도 속는가?

유병률 0.1%인 희귀 질환을 99% 정확도로 찾아내는 진단 키트에서 양성 판정을 받았다면 실제 걸렸을 확률은 얼마일까요? 정답은 99%가 아닌 약 9%입니다.

P(D \mid +) = \frac{P(+\mid D)P(D)}{P(+\mid D)P(D) + P(+\mid D^c)P(D^c)} \approx 9.0\%

기저율 오류(Base Rate Fallacy): 사건 자체가 매우 희귀할 때(낮은 사전확률 P(D)), 작은 위양성률 P(+|D^c)이 정상인 대규모 집단과 곱해져 전체 양성의 대다수를 차지합니다.

2차 재검사를 실시하면 1차 검사의 사후확률(9%)이 새로운 사전확률이 되어, 두 번 연속 양성이 나올 경우 실제 확률이 90.8%로 급상승합니다.

자율주행 라이다 센서 융합과 이상 탐지(Anomaly Detection) AI에서 오경보(False Alarm)를 억제하는 핵심 원리입니다.

⚡ 이 아티클에 등장하는 핵심 공식

#P02조건부확률과 곱셈정리 #P03베이즈 정리 (사후확률 추론)#P05이항분포와 베르누이 시행 #P09정보 엔트로피와 교차 엔트로피 (Cross-Entropy)

1. 10,000명의 가상 인구로 직관적 확인하기

\text{True Positives} = 10 \times 0.99 \approx 10, \quad \text{False Positives} = 9990 \times 0.01 \approx 100

10,000명 중 실제 환자는 10명(0.1%)이고 정상인은 9,990명입니다. 환자가 양성 판정을 받는 경우는 약 10명이지만, 정상인 9,990명 중 1%의 오진으로 가짜 양성(False Positive)을 받는 사람이 무려 100명이나 발생합니다. 따라서 양성 판정자 총 110명 중 진짜 환자는 10명(9.09%)뿐입니다.

2. 연속 베이지안 업데이트 (Sequential Updating)

P(D \mid +_1, +_2) = \frac{0.99 \times 0.0909}{0.99 \times 0.0909 + 0.01 \times 0.9091} \approx 90.8\%

베이즈 정리의 진가는 데이터가 누적될 때 발휘됩니다. 1차 검사 후 업데이트된 사후확률 9.09%를 2차 독립 검사의 새로운 사전확률(Prior)로 넣으면, 두 번째 검사에서도 양성이 나왔을 때 사후확률은 단숨에 90.8%로 뛰어오릅니다. 로봇공학의 칼만 필터가 매 프레임 GPS와 관성센서를 결합해 오차를 지워나가는 방식이 바로 이것입니다.