의료 영상 분류 (Medical image classification)를 위한 딥러닝 (Deep learning) 모델은 연령, 성별, 인종과 같은 인구통계학적 속성에 따라 하위 그룹 간 성능 격차가 발생하기 쉽습니다. 우리는 이러한 격차의 근저에 있는 잠재적 표현 메커니즘 (Latent representational mechanism)을 식별했습니다. 전이 학습 (Transfer-learned) 모델에서, 양성 예측 (Positive predictions) 시 지배적인 마지막 전 층 활성화 채널 (Penultimate-layer activation channel)은 질병 양성 샘플과 특권적 인구통계학적 그룹 (남성, 고령 환자)에 의해 공동 활성화되어 과잉 진단 (Over-diagnosis)을 유발합니다. 반대로, 음성 예측 (Negative predictions) 시 지배적인 채널은 취약 계층 (여성, 젊은 환자)에 의해 공동 활성화되어 체계적인 과소 진단 (Under-diagnosis)을 유발합니다. 이를 해결하기 위해, 우리는 훈련 시 인구통계학적 레이블이 필요하지 않으면서 마지막 전 층 뉴런 (Penultimate-layer neurons) 전반에 걸친 예측 확률 가중 평균 활성화 (Predicted-probability-weighted mean activations)의 분산을 페널티로 부여하는 경량화된 정규화 (Regularization) 방법인 뉴런 발생 분포 재배치 (Neuron Incidence Redistribution, NIR)를 제안합니다. HAM10000 데이터셋에서 NIR을 적용했을 때, 연령 그룹 간 TPR 격차는 10.81%에서 0.93%로, 성별 간 격차는 12.04%에서 0.74%로 감소하였으며, AUC는 0.51포인트 미세하게 향상되었습니다. Harvard OCT-RNFL 데이터셋에서는 NIR이 인종에 대한 FPR 격차(15.68%에서 10.66%로)와 연령에 대한 FPR 격차(12.69%에서 1.80%로)를 줄였습니다. 이는 잠재적인 질병 증거 (Latent disease evidence)를 마지막 전 층 전체에 분산시키는 것이 의료 AI의 인구통계학적 공정성 (Demographic fairness)을 개선하기 위한 원칙적이고 효과적인 전략임을 입증합니다.