인간의 눈은 신체의 창이지만, 그 너머를 들여다보기 위해서는 안정된 손길과 숙련된 눈이 필요합니다. 수십 년 동안 의사들은 망막(빛에 민감한 눈 뒷부분의 층) 내부를 들여다보기 위해 광간섭 단층촬영(OCT)이라 불리는 스캐닝 기술에 의존해 왔습니다. 이 기계는 수천 개의 단면 사진을 찍어 이를 쌓아 올림으로써 눈의 내부 구조를 상세한 3차원 지도로 만들어냅니다. 이 기술은 의사들이 당뇨망막병증이나 황반변성과 같은 질환을 발견하는 방식에 혁신을 일으켰으며, 환자가 시력을 잃기 훨씬 전부터 문제를 포착할 수 있게 해주었습니다. 그러나 기계가 이 풍부한 데이터를 포착할 수 있는 능력에도 불구하고, 그 이미지를 진단으로 바꾸는 과정은 여전히 느리고 수동적인 고된 작업으로 남아 있습니다. 전문가는 먼저 스캔이 사용하기에 충분히 선명한지 확인해야 하고, 그런 다음 수백 개의 개별 단면들을 뒤져서 문제가 있는 몇 개의 단면을 찾아낸 뒤, 마지막으로 그 파편들을 모아 환자의 건강 상태에 대한 완전한 그림을 구성해야 합니다. 이러한 노동 집약적인 워크플로은 병목 현상을 일으켜, 대규모 인구를 스크리닝하거나 전문의가 부족한 지역에서 일관된 의료 서비스를 제공하는 것을 어렵게 만듭니다.

연구자들은 이 작업을 돕기 위해 인공지능을 구축하려고 오랫동안 노력해 왔지만, 이전의 시도들은 대부분 한 번에 하나의 작은 일만 할 줄 아는 전문가 팀과 같았습니다. 어떤 컴퓨터 프로그램은 흐릿한 이미지를 찾아내는 데 뛰어날 수 있고, 다른 프로그램은 스캔의 단일 단면에서 특정 질환을 식내는 데 탁면할 수 있습니다. 하지만 이러한 시스템 중 어느 것도 원본 이미지에서 최종 진단에 이르는 전체 여정을 스스로 처리할 수는 없었습니다. 그들은 안구 질환이 단면들 사이의 공간에 숨어 있는 3차원적이라는 사실 때문에 어려움을 겪었으며, 현실 세계의 복잡하고 다양한 병원 데이터에 직면했을 때 한계를 드러냈습니다. 한 새로운 연구는 인간 전문가가 사례를 처음부터 끝까지 생각하는 방식을 모방하여, 전체 과정을 자동화하도록 설계된 시스템을 소개합니다.

이 연구를 이끄는 중국의 여러 주요 의료 센터 연구진은 FOCUS라고 부르는 시스템을 개발했습니다. 이 프레임워크는 방대한 양의 일반 시각 데이터로 사전 학습되어, 안구 스캔을 접하기 전부터 형태와 패턴에 대한 폭넓은 이해를 갖춘 유형의 인공지능인 '파운데이션 모델'을 기반으로 구축되었습니다. 연구진은 이 강력한 두뇌를 망막 이미지를 이해하도록 미세 조정(fine-tuning)했지만, 진정한 혁신은 시스템이 조직되는 방식에 있습니다. FOCUS는 단순히 한 번에 사진 한 장을 보는 것이 아니라, 완전한 워크플로로서 작동합니다. 먼저, 스캔의 품질을 자동으로 체크하여 이미지가 신뢰할 수 있을 만큼 선명한지 결정합니다. 이미지가 양호하다면 다음 단계로 넘어가 눈의 전체 볼륨을 스캔하여 이상 징후를 탐지합니다. 마지막으로, 수천 개의 단면에서 얻은 모든 정보를 종합하여 환자에 대한 단일하고 종합적인 진단을 내립니다.

이 접근 방식이 효과적인지 테스트하기 위해, 연구진은 3,300명의 환자로부터 얻은 데이터, 즉 40,000개 이상의 개별 이미지 단면이 담긴 방대한 컬렉션을 사용하여 시스템을 훈련시켰습니다. 그 후, 실세계의 다양성을 처리할 수 있는지 확인하기 위해 서로 다른 유형의 OCT 기계를 사용하는 4개 병원의 별도 환자 그룹 1,345명을 대상으로 시스템을 시험했습니다. 결과는 놀라웠습니다. 시스템은 고품질 이미지를 거의 99%의 확률로 정확하게 식별했습니다. 질병의 징후를 찾는 데 있어서는 97% 이상의 정확도로 이상 징후를 포착했습니다. 가장 중요한 것은, 환자에 대한 최종 진단을 내릴 때 거의 94%의 정확도를 달elle 달성했다는 점입니다. 이 수치들은 시스템이 새로운 환경에 적응하여 처음부터 다시 훈련할 필요 없이, 서로 다른 도시와 서로 다른 병원의 데이터에서도 그대로 유지되었습니다.

연구진은 또한 그들의 AI 성능을 인간 의사와 비교하여 어떻게 경쟁하는지 살펴보았습니다. 이상 징후 탐지와 관련된 테스트에서, 이 시스템은 숙련된 안과 기술자 그룹만큼, 혹은 어떤 경우에는 그보다 더 나은 성능을 보였습니다. 특정 질환을 진단하는 데 있어서는, 시스템은 다양한 경력 수준을 가진 9명의 임상의 패널과 대등한 성능을 보여주었습니다. 실제로 AI는 인간보다 더 일관적이었습니다. 연구는 전문가인 의사들조차 OCT 이미지만을 보고 특정 질환을 구별하는 데 어려움을 겪어, 확신을 갖기 위해 종종 다른 검사나 환자의 병력을 의존해야 하는 경우가 있다고 언급했습니다. 반면, AI는 눈의 전체 3D 볼륨에 걸친 미세한 구조적 차이를 포착할 수 있어 인간이 놓칠 수 있는 부분을 찾아내고, 더 균일한 결정을 내릴 수 있었습니다.

이 시스템이 성공하는 핵심적인 이유는 눈의 3차원적 특성을 다루는 방식에 있습니다. 이전의 AI 도구들은 종종 각 스캔 단면을 서로 연결되지 않은 독립적인 사건으로 취급하여, 이들을 연결하는 맥락을 놓치곤 했습니다. FOCUS는 각 단면의 중요도를 동적으로 가중치를 두어 판단하는 방법을 사용합니다. 시스템은 질병의 강력한 증거를 포함하는 특정 단면에 집중하는 법을 배우며, 모호하거나 무관한 단면들은 무시하는 법을 배웁니다. 이는 마치 인간 전문가가 서류 뭉치를 훑어보며 지루한 페이지들은 빠르게 넘기고, 결정적인 정보가 담긴 페이지에서만 멈춰서 주의 깊게 읽는 것과 유사합니다. 이러한 발견들을 지능적으로 종합함으로써, 시스템은 계산 비용이 많이 드는 방식으로 전체 3D 볼륨을 처리할 필요 없이 신뢰할 수 있는 진단을 구축합니다.

연구진은 이 결과가 유망하지만, 이 시스템이 모든 클리닉에서 바로 사용할 수 있는 완성된 제품은 아니라는 점을 인정합니다. 시스템을 훈련하고 테스트하는 데 사용된 데이터는 주로 중국의 의료 센터에서 왔으므로, 다양한 인종적 배경의 사람들에게도 동일하게 잘 작동하는지 확인하기 위한 추가적인 검증이 필요할 수 있습니다. 또한, 테스트는 이미 안구 문제가 있는 것으로 알려진 환자들이 있는 병원의 데이터로 수행되었는데, 이는 질병이 더 드물게 나타나는 건강한 일반 인구를 스크리닝하는 상황과는 다른 시나리오입니다. 연구진은 또한 현재 버전의 시스템에는 고급 언어 도구를 사용하여 향후 버전에서 추가될 수 있는 기능인, 서면 보고서를 생성하거나 의사와 대화를 나누는 능력이 아직 포함되어 있지 않다고 지적했습니다.

이러한 한계에도 불구하고, 이 연구는 의료 영상 분야에서 중요한 진전을 의미합니다. 이는 단일 작업을 수행하는 고립된 도구의 시대를 넘어, 통합된 시스템이 복잡하고 다단계적인 임상 워크플로를 자동화할 수 있음을 입증합니다. 원본 이미지 데이터와 최종 환자 진단 사이의 간극을 성공적으로 메움으로써, 연구진은 인간 전문가의 추론 과정을 모방하는 AI를 구축하는 것이 가능하다는 것을 보여주었습니다. 이 접근 방식은 고품질의 안과 진료를 더 효율적이고 일관되게 제공할 수 있는 청사진을 제시하며, 잠재적으로 전문의가 부족한 지역 사회에도 전문가 수준의 스크리닝을 가져다줄 수 있습니다. 이 시스템은 의사를 대체하는 것이 아니라, 대규모 스크리닝이 현실이 되는 것을 가로막는 지루하고 반복적인 장벽을 제거하여, 자동화되고 접근 가능한 안구 건강의 새로운 시대를 열어가고 있습니다.