CLEAR-Mamba:Towards Accurate, Adaptive and Trustworthy Multi-Sequence Ophthalmic Angiography Classification

이 논문은 단일 모드, 미세 병변 패턴, 장비 간 편차로 인한 한계를 극복하기 위해 하이퍼네트워크 기반 적응적 조건부 레이어 (HaC) 와 증거 불확실성 학습 기반 신뢰성 예측 체계 (RaP) 를 도입한 CLEAR-Mamba 프레임워크를 제안하여, FFA 및 ICGA 영상을 포함한 대규모 안과 혈관조영 데이터셋에서 기존 모델보다 뛰어난 분류 성능과 신뢰성을 입증했습니다.

핵심

1. 왜 이 연구가 필요할까요? (문제 상황)

비유: "낡은 지도와 혼란스러운 길"

• 현재의 문제: 기존 인공지능들은 눈의 혈관 사진 (FFA, ICGA) 을 볼 때, 마치 정적인 사진만 보는 것과 같습니다. 하지만 눈의 혈관은 시간이 지남에 따라 혈액이 흐르는 '동영상'과 같습니다. 기존 모델은 이 **시간의 흐름 (혈액이 어떻게 퍼지는지)**을 놓쳐서 진단을 잘 못하거나, 다른 병원 장비에서 찍은 사진만 보면 헷갈려 합니다.
• 신뢰성 문제: 또, AI 가 "100% 확실해!"라고 말해도 실제로는 틀릴 때가 많습니다. 마치 자신만만하지만 실수하는 학생처럼, 틀린 답을 확신에 차서 말하는 것입니다. 의사들은 이런 AI 를 믿기 어렵습니다.

2. CLEAR-Mamba 는 무엇인가요? (해결책)

이 모델은 **세 가지 특별한 능력을 가진 '초능력 의사 보조'**입니다.

① MedMamba: "시간의 흐름을 읽는 명탐정"

• 비유: 일반적인 카메라는 정지된 사진만 찍지만, 이 모델은 타임랩스 카메라처럼 작동합니다.
• 설명: 눈의 혈관 사진은 여러 장이 연속으로 찍힙니다. 이 모델은 각 사진이 어떻게 이어지는지, 혈액이 어떻게 흐르는지 **시간의 흐름 (동역학)**을 완벽하게 파악합니다. 그래서 병변이 어떻게 변해가는지 놓치지 않습니다.

② HaC (Hyper-adaptive Conditioning): "상황에 맞춰 변신하는 위장술사"

• 비유: 같은 옷을 입어도 날씨나 장소에 따라 옷을 바꿔 입는 사람처럼, 이 모델은 입력되는 사진의 특징에 따라 자신의 두뇌 (파라미터) 를 실시간으로 조정합니다.
• 설명: 병원마다, 장비마다 사진이 다릅니다. 기존 모델은 한 번 학습하면 고정되지만, CLEAR-Mamba 는 "아, 이 사진은 장비 A 에서 찍었구나"라고 감지하면 즉시 자신에게 맞는 방식으로 변신하여 어떤 환경에서도 똑똑하게 작동합니다.

③ RaP (Reliability-aware Prediction): "자신의 실력을 아는 겸손한 전문가"

• 비유: 자신의 한계를 아는 전문가입니다. "이건 내가 100% 확신해!"라고 말하기보다, "이건 좀 애매하네. 내가 70% 정도 확신하고, 나머지 30% 는 모르겠어. 의사 선생님이 한번 더 봐주세요"라고 말합니다.
• 설명: AI 가 답을 낼 때, 정답 확률뿐만 아니라 **내가 얼마나 불확실한지 (불안정성)**도 함께 계산합니다. 만약 AI 가 "모르겠다"고 말하면, 그건 AI 가 스스로를 통제하고 있다는 뜻이므로, 의사가 최종 결정을 내릴 때 신뢰할 수 있는 기준이 됩니다.

3. 이 연구가 만든 데이터는 어떨까요?

• 비유: "거대한 안과 병동 도서관"
• 연구팀은 43 가지 종류의 안과 질환을 가진 15,000 장 이상의 혈관 사진을 모았습니다.
• 이 사진들은 PDF 보고서에 숨어 있었는데, AI 가 자동으로 찾아내고, 환자 정보를 지우고 (익명화), 왼쪽 눈/오른쪽 눈/질병 종류를 정확히 매칭하는 자동화 공장을 만들어 정리했습니다. 이는 마치 도서관에 흩어진 책들을 모두 찾아내어 정돈한 것과 같습니다.

4. 결과는 어땠나요?

• 성공: 이 모델은 기존에 있던 유명한 AI 모델들 (ResNet, ViT 등) 보다 **정확도 (Accuracy)**가 훨씬 높았습니다.
• 신뢰도: 특히, 틀릴 가능성이 높은 경우를 잘 찾아내어 "이건 내가 판단하기 어렵다"고 알려주었습니다. 이는 실제 임상에서 환자에게 해를 끼치지 않고 의사의 도움을 요청하는 안전장치 역할을 합니다.
• 범용성: 눈의 혈관 사진뿐만 아니라, 다른 안과 검사 데이터 (OCT 등) 에도 적용했을 때 뛰어난 성능을 보여주어 다른 병에도 쓸 수 있는 강력한 도구임을 증명했습니다.

5. 한 줄 요약

"CLEAR-Mamba 는 눈의 혈관 사진을 '동영상'처럼 보고, 상황에 맞춰 변신하며, 자신의 실력을 솔직하게 인정하는 '가장 믿을 수 있는 AI 의사 보조'입니다."

이 기술은 앞으로 안과 의사들이 더 빠르고 정확하게 환자를 진단하고, AI 가 언제 의사의 도움을 받아야 하는지 알려주는 신뢰할 수 있는 의료 시스템을 만드는 데 큰 역할을 할 것입니다.

기술 요약

1. 연구 배경 및 문제 정의 (Problem)

안과 영역의 형광안저혈관조영술 (FFA) 과 인도시아닌 그린 혈관조영술 (ICGA) 은 망막 혈류 역학 및 병변 구조에 대한 중요한 정보를 제공하지만, 기존 진단 모델들은 다음과 같은 한계를 겪고 있습니다.

• 단일 모달리티의 한계: 기존 연구들은 주로 다중 모달리티 (FFA, OCT, CFP 등) 융합에 집중했으나, 실제 임상에서는 단일 모달리티 (FFA 또는 ICGA) 만으로 진단하는 경우가 많습니다.
• 시간적 정보의 간과: 혈관조영술은 정적 이미지가 아니라 혈류 역학과 병변의 변화를 포착하는 시퀀스 (시간적) 데이터입니다. 기존 CNN 은 수용 영역이 제한되어 장기적인 시간적 의존성을 포착하기 어렵고, ViT 는 계산 비용이 너무 높아 실시간 배포에 부적합합니다.
• 신뢰성 및 일반화 부족:
  • 신뢰성: Softmax 점수를 확신도로 오용하여, 노이즈가 있거나 분포 밖 (Out-of-Distribution) 인 입력에 대해 과도하게 확신하는 (Overconfident) 예측을 합니다.
  • 일반화: 단일 질환 분류에는 강하지만, 43 가지 이상의 다양한 안과 질환이 혼합된 복잡한 임상 환경이나 기기 간 편차 (Domain Shift) 에서는 성능이 저하됩니다.

2. 제안 방법론: CLEAR-Mamba (Methodology)

저자들은 이러한 문제를 해결하기 위해 CLEAR-Mamba를 제안했습니다. 이는 MedMamba 를 기반으로 하여, 아키텍처와 학습 전략을 최적화한 프레임워크입니다.

A. 핵심 아키텍처 구성 요소

1. 백본 (Backbone): MedMamba

   • 시각 상태 공간 모델 (VSSM) 을 사용하여 2D 선택적 스캔 (SS2D) 을 통해 장기적인 시간적 의존성을 선형 복잡도로 효율적으로 모델링합니다.
   • 고해상도 혈관조영술 이미지의 미세한 혈관 질감과 병변 정보를 포착합니다.

2. 하이퍼 적응 조건부 계층 (HaC, Hyper-adaptive Conditioning)

   • 목적: 입력 데이터의 분포에 따라 모델 파라미터를 동적으로 생성하여 적응력을 높입니다.
   • 구현: 경량화된 하이퍼네트워크 (HyperNetwork) 를 사용하여 입력 특징에 기반한 적응적 스케일링 (Scale) 및 쉬프트 (Shift) 인자를 생성합니다.
   • 효과: 다양한 질환과 기기 편차에 대한 **크로스 도메인 적응성 (Cross-domain adaptability)**을 향상시킵니다.

3. 신뢰성 인지 예측 (RaP, Reliability-aware Prediction)

   • 목적: 불확실성을 정량화하고 신뢰할 수 있는 확신도 (Confidence) 를 제공합니다.
   • 구현: 증거 학습 (Evidential Learning) 을 기반으로 한 딥러닝 헤드를 사용하여, 클래스 확률뿐만 아니라 **디리클레 분포 (Dirichlet Distribution)**를 통해 예측 불확실성을 추정합니다.
   • 효과: 불확실성이 높은 경우 (예: 모호한 병변) 에는 인간 전문가의 검토를 요청하는 등 위험을 인지한 의사결정 (Risk-aware deferral) 을 가능하게 합니다.

B. 데이터 처리 파이프라인

• 대규모 데이터셋 구축: 43 가지 안과 질환을 포함하는 FFA/ICGA 시퀀스 데이터 15,524 장을 수집했습니다.
• 멀티 에이전트 자동화: PDF 임상 보고서에서 이미지를 추출하고, 익명화 (Anonymization) 하며, 눈 (OS/OD) 과 모달리티 정보를 정렬하는 자동화 파이프라인을 구축하여 데이터 품질과 라벨 정확도를 보장했습니다.

3. 주요 기여 (Key Contributions)

1. 방법론적 혁신: MedMamba 기반의 효율적인 시공간 모델링, 경량 하이퍼네트워크를 통한 사례별 적응, 그리고 증거 학습을 통한 불확실성 정량화를 통합한 CLEAR-Mamba 프레임워크를 제안했습니다.
2. 대규모 데이터셋 공개: 43 가지 질환을 아우르는 완전한 시간적 시퀀스를 가진 대규모 단일 모달리티 FFA/ICGA 데이터셋을 구축하고 공개했습니다. 이는 기존 단일 질환 중심의 데이터셋과 차별화됩니다.
3. 성능 및 신뢰성 입증: 다양한 벤치마크에서 기존 CNN, ViT, Mamba 기반 모델보다 우수한 성능을 보였으며, 특히 다중 질환 분류와 신뢰성 있는 예측 (Calibration) 측면에서 뛰어난 결과를 달성했습니다.

4. 실험 결과 (Results)

A. 자체 구축 데이터셋 (In-house FFA/ICGA)

• 성능: CLEAR-Mamba (B 버전) 는 MedMamba-X 대비 **F1 점수 (+4.3%p), 전체 정확도 (OA, +3.7%p)**를 크게 향상시켰습니다. (F1: 22.71%, OA: 59.06%)
• 신뢰성: HaC 와 RaP 모듈을 모두 적용했을 때, 잘못된 예측에 대한 확신도가 낮아지고 올바른 예측에 대한 확신도가 높아지는 잘 보정된 (Well-calibrated) 분포를 보였습니다.
• 특징: 43 가지 클래스의 불균형 데이터에서도 강건한 성능을 유지했습니다.

B. 공개 벤치마크 (Public Benchmarks)

• OCT-C8: 8 가지 망막 질환 분류에서 CLEAR-S 가 94.5% OA와 0.9961 AUC를 기록하여 기존 모델들을 압도했습니다.
• Harvard-GDP (녹내장): 단일 모달리티 (OCT) 만으로도 기존 다중 모달리티 융합 모델보다 우수한 녹내장 진행 예측 성능을 보였습니다.
• RetinaMNIST (당뇨망막병증): 모든 베이스라인 모델보다 높은 정확도와 AUC 를 달성하여 우수한 일반화 능력을 입증했습니다.

C. 시각화 분석

• t-SNE: CLEAR-Mamba 는 다른 모델들에 비해 클래스 간 분리는 명확하고 클래스 내 군집은 더 밀집된 특징 임베딩을 보여주었습니다.
• 불확실성 분석: 모델은 모호한 사례 (예: 포도막염) 에 대해 낮은 확신도와 높은 불확실성을 출력하여, "잘못된 예측을 확신하는" 오류를 방지했습니다.

5. 의의 및 결론 (Significance)

이 연구는 단일 모달리티 혈관조영술의 진단 가치를 극대화하기 위한 중요한 진전을 이루었습니다.

• 임상적 실용성: 시간적 동역학을 효과적으로 활용하고, 불확실성을 정량화하여 의사의 판단을 보조하는 신뢰할 수 있는 (Trustworthy) AI 시스템을 제시했습니다.
• 일반화 능력: 다양한 질환과 데이터 편향에도 불구하고 견고한 성능을 보여주어, 실제 임상 환경에서의 배포 가능성을 높였습니다.
• 미래 방향: 향후 다중 기관 전향적 검증, 다중 모달리티 융합 확장, 그리고 불확실성을 고려한 인간 - AI 협업 (Human-in-the-loop) 시스템으로의 발전이 기대됩니다.

요약하자면, CLEAR-Mamba 는 안과 혈관조영술 분석에서 정확성, 적응성, 신뢰성을 동시에 달성한 새로운 표준을 제시한 연구입니다.