합성 조직병리(histopathology) 이미지 생성은 계산 병리학(computational pathology)에서의 데이터 부족 문제를 해결할 수 있는 접근 방식으로 부상했으나, 현재의 평가 방법론은 의료 응용 분야를 위한 합성 데이터의 품질을 충분히 평가하지 못할 수 있습니다. 본 연구는 기존 평가 지표의 한계를 조사하고 해결하며, 도메인 특화 지표(domain-specific metrics) 및 다운스트림 태스크 검증(downstream task validation)을 통해 합성 조직병리 이미지 품질을 평가하는 접근 방식을 조사합니다. 우리는 Frechet Inception Distance (FID) 및 Inception Score (IS)와 같은 기존의 합성 데이터 평가 지표가 ImageNet으로 사전 학습된 특징 추출기(feature extractors)에 의존하기 때문에 조직병리 이미지에 적용될 때 한계가 있을 수 있음을 보여줍니다. 이러한 한계를 해결하기 위해, 우리는 디지털 병리 데이터셋으로 사전 학습된 파운데이션 모델(foundation models)을 활용한 수정된 FID 및 IS 접근 방식을 제안하며, 추가적인 품질 평가의 일환으로 정밀도-재현율(precision-recall) 기반 지표를 보완합니다. 2단계 학습 접근 방식을 사용하여 4개의 벤치마크 데이터셋으로 학습된 조건부 디노이징 확산 모델(conditional denoising diffusion models)을 이용해, 품질 특성이 체계적으로 변화된 합성 데이터셋을 생성했습니다. 또한 우리는 집계된 Jaccard 지수 (AJI+) 및 Dice 계수(Dice coefficient)를 포함한 일반적인 지표를 사용하여 합성 데이터 품질 지표와 다운스트림 핵 분할(nuclei segmentation) 성능 간의 상관관계를 측정했습니다. 연구 결과는 병리 특화 지표가 개선된 판별력을 제공할 수 있음을 시사합니다. 구체적으로, 수정된 Inception Score는 기존 IS (r=0.0708, p=0.7944)와 비교했을 때 다운스트림 태스크 성능과 더 높은 상관관계(AJI+와 r=0.6096, p=0.0122)를 나타냅니다. 우리의 관찰 결과는 생성된 학습 데이터의 다양성을 높이는 것이 개별 생성 이미지의 시각적 충실도(visual fidelity)를 개선하는 것보다 분할 모델 성능과 더 높은 양의 상관관계를 가짐을 나타냅니다.