Deep Learning-Enhanced Robotic Subretinal Injection with Real-Time Retinal Motion Compensation

기술 요약: 딥러닝 기반 실시간 망막 움직임 보상 기능을 갖춘 로봇 보조 망막하 주입 시스템

문제 정의
망막하 주사는 노인성 황반변성(AMD)과 같은 망막 질환을 치료하기 위해 치료제를 전달하는 데 있어 매우 중요한 절차입니다. 특히 줄기세포 이식이나 유전자 치료와 같은 신흥 치료법에서 그 중요성이 더욱 커지고 있습니다. 그러나 이 절차를 수동으로 수행하는 것은 매우 까별한 과제입니다. 망막 색소 상피(RPE)의 섬세함, 생리적 손 떨림(~182 µm), 그리고 망막의 얇은 두께(100–570 µm) 때문입니다. 또한, 호흡과 심박수와 같은 생리적 요인은 왕복하는 망막 움직임(약 1 Hz의 속도로 발생하는 ~81 µm의 축 방향 움직임)을 유발하며, 이는 자율 로봇 시스템에서 바늘 위치 결정의 정확도를 크게 저하시킵니다. 기존의 자율 방식은 종종 정지된 눈을 가정하여 이러한 움직임을 간과하며, 이는 재생이 불가능한 RPE 층에 돌이킬 수 없는 손상을 입힐 위험이 있습니다.

방법론
저자들은 수술 중 광간섭 단층촬영(iOCT)과 딥러닝 기반의 움직임 예측을 통합하여 바늘의 움직임을 망막 변위와 동기화하는 완전 자율 로봇 시스템을 제안합니다. 이 시스템은 SHER 2.0 로봇 매니퓰레이터를 사용하며 다음과 같은 구조화된 5단계 워크플로우를 따릅니다:

1. 움직임 추정: U-Net 세그멘테이션 모델이 iOCT B5 스캔(균일하게 배치된 5개의 2D 슬라이스)을 처리하여 내경계막(ILM)의 z-위치를 추출합니다.
2. 바늘 등록(Registration): 삽입 전, 바늘은 ILM 상단 약 500 µm 지점에 위치합니다. 1D 등록 프로세스는 이미지 프레임(픽셀)에서 로봇의 로컬 좌표계(밀리미터)로 바늘 끝 위치를 매핑하며, 노이즈를 줄이기 위해 시간적 필터링(IQR 이상치 제거 및 중앙값 계산)을 활용합니다.
3. 무결성 검사(Sanity Check): 시스템은 등록 정확도를 검증하고, 바늘이 잘못 정렬되지 않았는지(예: B-스캔의 하단부에 위치하는 경우) 확인한 후 절차를 진행합니다.
4. 움직임 동기화: 로봇은 실시간으로 ILM의 움직임을 추적합니다. LSTM(Long Short-Term Memory) 신경망은 이전 20개 프레임의 시퀀스를 기반으로 ILM의 미래 z-위치를 예측합니다. 이 예측 모델은 비주기적 움직임 패턴을 포착하는 데 있어 베이스라인인 FFT(Fast Fourier Transform) 사인파 모델보다 뛰어난 성능을 보입니다.
5. 삽입: 동적 비례 속도 제어 알고리즘은 목표 깊이($d_{target} - d_{current}$)에 따라 바늘의 삽입 속도($v$)를 조절하여, 움직이는 ILM 층과 부드럽게 동기화되도록 합니다.

핵심 기여

• 완전 자동화 시스템: 임상 환경에 근접한 조건에서 다양한 망막 움직임 진폭과 주파수에 적응할 수 있는 실시간 움직임 보상 기능이 탑재된 로봇 망막하 주입 시스템을 개발하였습니다.
• 동적 제어 전략: 일정한 속도의 삽입 대신 적응형 접근 방식을 사용하는 비례 속도 제어 알고리즘을 구현하여 움직임 동기화 중 정밀도를 향상시켰습니다.
• LSTM 기반 예측: 최소한의 입력 데이터로 높은 정확도와 빠른 추론 속도(<0.25 s)를 달면서도 베이스라인 FFT 방식보다 성능이 우수한 견고한 LSTM 움직임 예측 모델을 도입하였습니다.
• 포괄적 검증: 시뮬레이션과 ex vivo 오픈 스카이 돼지 안구 환경 모두에서 시스템의 효과를 입증하기 위해 엄격한 테스트를 수행하였습니다.

실험 결과
시스템은 8마리의 돼지 안구에서 추출한 18개의 데이터셋을 사용하여 검증되었으며, 이는 0.05–015 mm의 진폭과 8–10 bpm의 주파수를 가진 망막 움직임을 시뮬레이션했습니다.

• 예측 정확도: LSTM 모델은 FFT 베이스라인보다 우수한 성능을 보여주었습니다. 최선의 경우(진폭 0.05 mm, 8 bpm)에서 LSTM은 RMSE 6.69 µm, MaxAE 18.21 µm를 달성했습니다. 최악의 경우(진폭 0.15 mm, 10 bpm)에서 RMSE는 33.73 µm, MaxAE는 137.18 µm였습니다. LSTM은 FFT 모델보다 일관되게 낮은 오차와 적은 지연 시간을 보여주었습니다.
• 제어 정밀도: ex vivo 실험에서, 삽입 전 단계(ILM 상단에서의 움직임 동기화) 동안의 평균 추적 오차는 16.4 µm였습니다. 시뮬레이션 결과는 더 높은 정밀도(RMSE 12.61 µm)를 보였으나, ex vivo 결과는 조직 변형 및 세그멘테이션 노이즈로 인해 삽입 후 단계에서 RMSE가 36.25 µm로 증가하는 등 생물학적 불확실성의 어려움을 반영했습니다.
• 성공률: 8회의 ex vivo 안구 주입 시험 중 5회에서 안정적인 블렙(bleb) 형성을 통해 성공적인 망막하 주입이 확인되었습니다.

의의 및 주장
본 논문은 예측 모델링, 적응형 등록, 그리고 동기화된 제어를 통합하는 것이 역동적인 망막 환경에서 자율 로봇 망막하 주입의 안전성과 정확성을 크게 향상시킨다고 주장합니다. 저자들은 자신들의 접근 방식이 현재의 자율 시스템에서 망막의 생리적 움직임을 간과하는 치명적인 한계를 해결한다고 단언합니다. 삽입 전 단계에서 16.4 µm 미만의 평균 추적 오차를 달고 왕복 움직임을 성공적으로 보상함으로써, 본 시스템은 AI 기반 로봇 보조가 RPE 손상 위험을 완화할 수 있는 잠재력을 보여줍니다. 저자들은 현재의 ex vivo 설정이 오픈 스카이 구성을 사용하고 있다는 점을 언급하며, 향후 연구에서는 더 큰 속도 변화에 대한 제어 전략을 최적화하고 실제 임상 수술 환경을 더 잘 재현하기 위해 온전한 돼지 안구에서 시스템을 검증하는 데 집중할 것이라고 겸허히 밝혔습니다.