기술 요약: 종단적 안과 예후 예측을 위한 ImProNCDE

1. 문제 정의

종단적 안과 영상 분석은 예후 예측에 있어 매우 중요하지만, 기존의 AI 보조 모델들은 임상 추적 관찰 데이터의 특성으로 인해 상당한 어려움에 직면해 있습니다. 임상 시퀀스는 흔히 **희소하고(sparse), 불규칙하게 샘플링되며, 불완전(incomplete)**합니다. Neural Controlled Differential Equations (NCDEs)는 이러한 데이터를 위한 원칙적인 연속 시간 프레임워크를 제공하지만, 표준 구현은 임상 환경에서 두 가지 구체적인 한계를 가집니다:

1. 급격한 변화와의 불일치: 표준 NCDE는 매끄러운 잠재 역학(smooth latent dynamics)을 가정합니다. 그러나 질병 궤적은 치료적 개입(예: anti-VEGF 주사), 병변 재발 또는 긴 추적 관찰 공백으로 인해 급격한 병리적 변화를 겪을 수 있습니다. 표준 모델은 새로운 관측치가 매끄러운 연속 예측에서 벗어날 때 잠재 상태를 명시적으로 재보정하는 데 실패합니다.
2. 오차 누적: 긴 호라이즌(long horizon)에 걸친 수치 적분은 오차를 누적시켜, 잠재 궤적이 실제 병리적 상태로부터 멀어지게 함으로써 클래스 판별력과 예후 정확도를 약화시키는 불안정한 잠재 궤적을 초래할 수 있습니다.

2. 방법론: ImProNCDE

저자들은 급격한 병리적 변화를 처리하면서 불규칙한 종단적 안과 궤적을 모델링하도록 설계된 프레임워크인 ImProNCDE(Impulse-Corrected Neural Controlled Differential Equations)를 제안합니다. 이 파이프라인은 세 가지 결합된 구성 요소로 이루어져 있습니다:

A. 공간적 의미론적 임베딩 및 연속 경로 구축

• 인코더: 사전 학습된 망막 기초 인코더(RETFound)가 불규칙한 OCT 스캔으로부터 방문 수준의 영상 임베딩($x_i$)을 추출합니다.
• 연속 제어 경로: 미분 방정식을 구동하기 위해, 이러한 이산적 방문 임베딩은 **자연 3차 에르미트 스플라인 보간법(natural cubic Hermite spline interpolation)**을 사용하여 연속적이고 미분 가능한 제어 경로 $x(t)$로 격상됩니다.
• 제어 신호: 이 스플라인의 해석적 도함수 $u(t) = \frac{dx(t)}{dt}$는 NCDE 솔버를 위한 연속 제어 신호 역할을 하며, 이를 통해 잠재 시스템이 환자 특이적 시간적 맥락에 의해 유도되면서 방문 사이에서도 연속적으로 진화할 수 있게 합니다.

B. 잔차 충격 보정 (Residual Impulse Calibration, RIC)

매끄러운 NCDE 예측과 급격한 관측 변화 사이의 불일치를 해결하기 위해, RIC는 각 방문 시점 $t_{i+1}$에서 잠재 상태를 재보정합니다:

1. 잔차 계산: 모델은 NCDE가 예측한 잠재 상태($h_{pred}$)와 새로 관측된 영상 특징($x_{gt}$)을 비교합니다. 잔차 $r$은 $r = x_{gt} - W_{align}h_{pred}$로 계산됩니다.
2. 충격 생성: 잔차는 압축된 코드로 투영되며, 현재 잠재 상태와의 외적 상호작용(outer-product interaction)을 계산하는 데 사용됩니다. 학습 가능한 게인 함수(gain function)가 이를 잔차-상태 게인 행렬로 매핑합니다.
3. 상태 재보정: 잠재 상태에 충격 보정 $\Delta h$가 적용됩니다: $h_{new} = h_{pred} + \beta \Delta h$. 이를 통해 모델은 상당한 편차가 발생했을 때 새로운 관측치와 일치하도록 잠재 궤적을 "도약(jump)"시킬 수 있습니다.

C. 프로토타입 유도 궤적 안정기 (Prototype-guided Trajectory Stabilizer, PTS)

장기 호라이즌에서의 드리프트(drift)를 완화하고 클래스 분리도를 높이기 위해, PTS는 클래스 인지적 기하학적 제약을 부과합니다:

• 학습 가능한 프로토타입: 모델은 특정 결과 클래스를 나타내는 잠재 앵커인 프로토타입 집합 $\{p_k\}$를 학습합니다.
• 마할라노비스 거리: $h_{new}$와 각 프로토타입 사이의 근접도는 차원별 스케일링을 학습하는 대각 마할라노비스 거리(diagonal Mahalanobis distance)를 사용하여 측정됩니다.
• 안정화: 프로토타입 유도 힘은 잠재 상태를 프로토타입의 가중 중심(weighted barycenter) 쪽으로 끌어당깁니다: $h_{stabilized} = h_{new} + \alpha \sum w_k (p_k - h_{new})$. 이는 궤적을 결과와 관련된 영역으로 정규화합니다.

D. 집계 및 최적화

보정된 잠재 시퀀스는 교차 방문 의존성을 포착하기 위해 위치 임베딩을 포함한 Transformer 인코더를 사용하여 집계됩니다. 최종 분류 토큰은 엔드포인트 예후 예측을 위한 선형 헤드로 전달됩니다. 모델은 시퀀스 수준의 예후 레이블에 대한 표준 교차 엔트로피 손실을 사용하여 최적화됩니다.

3. 주요 기여

1. ImProNCDE 프레임워크: 희소하고 불규칙한 종단적 안과 데이터를 위해 특별히 설계되었으며, 연속 시간 역학을 통해 불연속적인 병리적 진행을 포착할 수 있는 새로운 충격 보정 NCDE 프레임워크입니다.
2. 잔차 충격 보정 (RIC): 예측된 상태와 관측된 상태 사이의 잔차 불일치를 측정하여 적응형 충격 보정을 적용함으로써, 방문 시점에 잠재 궤적을 실제 질병 상태와 재정렬하는 메커니즘입니다.
3. 프로토타입 유도 궤적 안정기 (PTS): 학습 가능한 예후 프로토타입과 마할라노비스 기하학을 사용하여 보정된 궤적을 제약함으로써, 장기 호라이즌 드리프트를 줄이고 엔드포인트 분리도를 향상시키는 방법입니다.

4. 실험 결과

본 방법은 세 가지 데이터셋인 OCT4DME(공개, 단기 치료 반응), GRAPE(공개, 자연적 녹내장 진행), OURS(자체 보유, anti-VEGF 개입이 포함된 다기관 당뇨망막병증)에서 평가되었습니다.

• 성능: ImProNCDE는 전통적인 시퀀스 모델(RNN, LSTM, Transformer), 의료 시계열 백본(Medformer, ViTST), 그리고 변형된 확산 기반 모델(DiffMIC, TrajDiff)을 포함한 기존의 SOTA 방식들을 능가했습니다.
  • OURS 데이터셋에서 ImProNCDE는 73.30% 정확도와 89.56% AUC를 달성하여, 가장 강력한 경쟁 모델인 DiffMIC보다 정확도에서 0.18%, AUC에서 1.91% 앞섰습니다.
  • GRAPE에서 89.74% 정확도를 달성하여, 차순위 모델보다 10% 포인트 이상 크게 앞섰습니다.
  • OCT4DME에서 77.98% 정확도와 84.92% AUC를 달성했습니다.
• 절제 연구 (Ablation Studies): 전체 충격 메커니즘(RIC)을 제거했을 때 F1-score가 급격히 하락하여(OURS 데이터셋 기준 71.50%에서 35.89%로), 방문 수준의 편차를 처리하는 데 있어 그 필요성을 확인했습니다. 마찬가지로, 프로토타입 안정화(PTS)를 제거하면 F1-score가 44.61%로 감소하여, 장기 호라이즌 안정성에 대한 역할을 입증했습니다.
• 표현 분석: t-SNE 시각화 및 클러스터링 지표(Silhouette score, ARI, NMI)는 ImProNCDE가 raw RETFound 특징에 비해 서로 다른 예후 클래스에 대해 더 조밀하고 분리된 잠재 클러스터를 생성함을 보여주었습니다.

5. 의의 및 주장

본 논문은 ImProNCDE가 희소하고, 불규칙하며, 임상적으로 역동적인 안과 추적 관찰 시퀀스를 모델링하는 효과적인 프레임워크를 제공한다고 주장합니다. 그 의의는 다음과 같습니다:

• 임상적 현실 처리: 매끄러운 진화를 가정하는 표준 연속 모델과 달리, ImProNCDE는 치료나 질병 재발로 인해 발생하는 급격한 병리적 변화를 명시적으로 고려하며, 이는 임상 추적 관찰에서 흔히 발생하지만 표준 NCDE에서는 놓치기 쉬운 부분입니다.
• 안정성: 프로토타입 학습을 통합함으로써, 프레임워크는 오차 누적 문제를 해결하여 잠재 궤적이 임상적으로 의미 있는 결과 영역에 고정되도록 보장합니다.
• 일반화 가능성: 이 방법은 미래 이미지를 명시적으로 생성할 필요 없이, 개입 중심 코호트(anti-VEGF), 자연적 진행 코호트, 단기 반응 설정 등 다양한 임상 시나리오에서 견고한 성능을 입증했습니다.

저자들은 현재 평가가 안과 및 anti-VEGF 개입에 국한되어 있으나, 이 프레임워크가 다른 의료 분야의 불규칙한 종단적 데이터를 모델링하는 데 유망한 방향을 제시한다고 언급하며, 추가적인 검증이 필요함을 명시했습니다.