CVAE-based Causal Representation Learning from Retinal Fundus Images for Age Related Macular Degeneration(AMD) Prediction

본 논문은 망막 안저 이미지만을 활용하여 CVAE 기반의 인과적 표현 학습 프레임워크를 구축함으로써 AMD 발생 기전을 해리하고 진단 예측의 신뢰성을 높이는 새로운 모델을 제안합니다.

핵심

이 논문은 **"눈의 망막 사진을 보고 노안성 황반변성 (AMD) 이라는 치명적인 안과 질환을 AI 가 어떻게 더 정확하게 진단하고, 그 원인을 파악할 수 있을까?"**에 대한 연구입니다.

기존의 AI 는 "이 사진은 병이 있다"라고만 알려주면 끝났지만, 이 연구는 **"왜 병이 생겼는지, 그리고 치료하면 어떻게 변할지"**까지 AI 가 이해하도록 만들었습니다.

이 복잡한 내용을 일상적인 비유로 쉽게 설명해 드릴게요.

---

1. 문제 상황: "눈이 흐려지는 이유를 모르는 AI"

노안성 황반변성 (AMD) 은 시력을 잃게 만드는 무서운 병입니다. 특히 '습성 (Wet)' 타입은 급격하게 시력을 잃게 만듭니다.
기존의 AI 는 마치 비밀번호만 맞추는 기계와 같았습니다. "이 사진은 병이다 (O), 이 사진은 건강하다 (X)"라고만 대답했지, **"왜 병이 생겼는지 (원인)"**나 **"약물을 넣으면 어떻게 변할지 (치료 효과)"**는 모았습니다.

2. 이 연구의 핵심 아이디어: "눈의 사진을 해부학적으로 분해하는 AI"

이 연구팀은 AI 에게 단순히 사진을 보는 것을 넘어, 사진 속에 숨겨진 '원인'들을 찾아내게 했습니다. 마치 수사관이 범인 (병의 원인) 을 잡기 위해 현장 (망막 사진) 을 분석하는 것과 같습니다.

연구팀은 두 가지 강력한 도구를 결합했습니다:

1. CVAE (사진 복원기): 망막 사진을 보고, 그 안에 있는 '병의 흔적들'을 추려내어 새로운 그림으로 다시 그리는 능력입니다.
2. GAE (인과 관계 탐정): 이 흔적들 사이에 어떤 인과관계가 있는지 찾아내는 능력입니다. (예: "드러센 (찌꺼기) 이 쌓였으니까, 결국 혈관이 터져서 피가 고인 거구나")

3. 구체적인 비유: "레고 블록으로 만든 눈"

이 연구의 핵심은 **'잠재 인과 표현 학습 (Latent Causal Representation Learning)'**입니다. 이를 쉽게 비유해 보겠습니다.

• 기존 AI: 망막 사진이라는 '완성된 레고 성'을 보고 "이건 병이다"라고만 말합니다.
• 이 연구의 AI: 완성된 성을 해체해서 **개별 레고 블록 (원인)**으로 만듭니다.
  • 블록 A (드러센): 노폐물이 쌓인 것 (마치 성벽에 낀 이끼).
  • 블록 B (출혈/수분): 혈관이 터져서 물이 샌 것 (마치 성벽이 무너져 물이 차오름).
  • 블록 C (새 혈관): 비정상적으로 자라난 혈관.

이 AI 는 이 블록들이 어떻게 서로 연결되어 있는지 **인과 관계 지도 (DAG)**를 그립니다.

"아! **블록 A(이끼)**가 쌓이면 **블록 C(새 혈관)**가 자라나고, 그 결과 **블록 B(물)**가 차오르는구나!"

4. 실험 결과: "AI 가 원인을 찾아냈고, 치료도 시뮬레이션했다"

연구팀은 이 AI 를 훈련시킨 후 놀라운 결과를 얻었습니다.

1. 원인 분리 (Disentanglement):
   AI 가 만든 '블록 A'만 숫자를 조절하면, 사진 속의 '이끼 (드러센)' 부분만 변하고 나머지는 그대로였습니다. '블록 B'만 조절하면 '물 (출혈)' 부분만 변했습니다. 즉, AI 가 병의 원인을 정확히 분리해 냈다는 뜻입니다.

2. 진단 정확도 향상:
   이 '블록들 (원인)'을 이용해 병을 진단하니, 기존 방법보다 훨씬 정확하게 환자를 구별해 냈습니다. (정확도 약 92% 이상)

3. 치료 시뮬레이션 (가장 중요한 부분!):
   만약 AI 가 "블록 B(물)"를 없애는 약을 주면 어떻게 될까?라고 상상해 볼 수 있습니다.
   AI 는 원래 병든 사진에서 '블록 B' 값을 0 으로 설정하고 다시 그림을 그리면, 물이 사라진 건강한 망막 사진을 만들어냅니다.

   비유: "의사 선생님, 이 환자에게 이 약을 쓰면 3 개월 뒤 눈이 이렇게 변할 거예요"라고 AI 가 미리 보여주는 가상 시뮬레이션이 가능해진 것입니다.

5. 결론: "단순한 진단을 넘어, 치료의 나침반이 된 AI"

이 연구는 AI 가 단순히 "병이다/아니다"를 외우는 것을 넘어, 병이 생기는 메커니즘을 이해하고, 치료 효과를 미리 예측할 수 있는 단계로 발전했음을 보여줍니다.

• 기존: "이 사진은 암입니다." (진단만 가능)
• 이 연구: "이 사진은 '찌꺼기'가 쌓여서 '혈관'이 터진 겁니다. 만약 '혈관'을 막는 치료를 한다면, 이렇게 회복될 것입니다." (진단 + 원인 분석 + 치료 예측)

이 기술이 발전하면, 환자들은 더 정확한 진단을 받고, 의사는 각 환자에게 맞는 최적의 치료법을 AI 시뮬레이션을 통해 미리 확인하며 치료할 수 있게 될 것입니다.

기술 요약

논문 개요

이 연구는 안과 질환 중 시력 손실의 주요 원인인 **노인성 황반변성 (AMD)**의 진단 및 예측 정확도를 높이기 위해, 단순한 상관관계 분석을 넘어 **인과적 메커니즘 (Causal Mechanism)**을 이해하는 새로운 딥러닝 프레임워크를 제안합니다. 특히, 망막 안저 이미지 (Fundus Image) 만을 사용하여 AMD 의 병리학적 인과 요인 (건조형/습성형 AMD 의 기전) 을 잠재 공간 (Latent Space) 에서 분리해내고, 이를 기반으로 한 진단 모델의 성능을 검증하는 것을 목표로 합니다.

1. 문제 정의 (Problem Statement)

• AMD 의 심각성: 노인성 황반변성 (AMD) 은 65 세 이상 인구에서 영구 시력 손실의 주원인이며, 특히 급성 시력 손실을 유발하는 '습성 AMD (Wet AMD)'는 빠른 진행과 예후가 좋지 않아 조기 발견이 필수적입니다.
• 기존 방법론의 한계:
  • 전통적인 진단은 전문가의 수동 판독에 의존하며, AMD 병인 (Drusen, Neovascularization 등) 의 복잡성과 다른 망막 질환과의 중첩으로 인해 정확한 진단이 어렵습니다.
  • 기존 딥러닝 (CNN 등) 기반 연구는 높은 분류 성능을 보이지만, **'왜' AMD 가 발생했는지에 대한 인과적 설명 (Interpretability)**이나 치료 개입 (Intervention) 에 대한 시뮬레이션이 불가능한 '블랙박스' 모델에 그치는 경우가 많습니다.
• 연구 필요성: 단순한 분류를 넘어, 망막 이미지에서 AMD 의 인과적 요인을 추출하고 이를 통해 치료 효과를 예측할 수 있는 인과 표현 학습 (Causal Representation Learning) 모델의 필요성이 대두되었습니다.

2. 제안 방법론 (Methodology)

이 연구는 **합성곱 변이 오토인코더 (Convolutional VAE)**와 **그래프 오토인코더 (Graph Autoencoder, GAE)**를 결합한 CVAE-GAE 프레임워크를 제안합니다.

A. 데이터 및 전처리

• 데이터셋: RFMiD (Retinal Fundus Multi-Disease Image) 데이터셋 사용.
• 샘플링: AMD 환자 (100 개) 와 정상 환자 (200 개) 간의 클래스 불균형을 해결하기 위해 과대표본 (Majority class) 의 무작위 언더샘플링을 수행하여 200:100 비율로 조정.
• 입력: 176x176x3 크기로 리사이즈된 망막 안저 이미지.

B. 모델 아키텍처

1. Convolutional VAE (CVAE):
   • 망막 이미지를 인코더 (Convolutional layers) 를 통해 잠재 변수 $Z$로 매핑하고, 디코더를 통해 원본 이미지를 재구성합니다.
   • AMD 라벨 ($Y$) 을 잠재 변수 $Z$와 결합하여 $W = \langle Z, Y \rangle$를 형성합니다.
   • 목적 함수: 재구성 오차 (MSE) 와 정규화 항 (KL-divergence) 을 최소화.
2. Graph Autoencoder (GAE) for Causal Discovery:
   • 잠재 변수 $Z$와 라벨 $Y$ 간의 **인과적 방향성 그래프 (DAG)**를 학습합니다.
   • Neural Causal DAG: Pearl 의 구조적 인과 모델 (SCM) 을 신경망에 적용하여, 가중치 행렬 $A$를 학습 가능한 파라미터로 설정합니다.
   • 제약 조건: $tr(e^{A \odot A}) = d$ (순환 없는 그래프, DAG 제약) 를 라그랑주 승수법을 통해 최적화합니다.
3. 최적화 목표:
   • 총 손실 함수 ($\mathcal{L}_{total}$) 는 VAE 재구성 손실과 GAE 인과 구조 학습 손실의 가중 합으로 정의됩니다.

C. 실험 설계

• 인과 분해 (Disentanglement) 검증: 학습된 잠재 변수 ($z_i$) 중 하나를 변형하고 나머지를 고정하여 재구성된 이미지가 AMD 의 특정 병리 (출혈, 드루젠 등) 에만 반응하는지 시각적으로 확인.
• 하류 작업 (Downstream Task): 추출된 8 차원 인과 잠재 변수 ($Z$) 를 입력으로 사용하여 Random Forest, Gradient Boosting, DNN 등을 훈련시켜 AMD 진단 성능 평가.

3. 주요 기여 (Key Contributions)

1. 망막 이미지 기반 인과적 표현 학습: 외부의 OCT 나 FA 이미지 없이 안저 이미지 (Fundus Image) 만으로 AMD 의 인과적 메커니즘 (드루젠, 출혈, 혈관 신생 등) 을 잠재 공간에서 분리해내는 모델을 최초로 구현했습니다.
2. 인과 그래프 추출 및 검증: 학습된 인과 그래프가 도메인 지식 (Dry/Wet AMD 기전) 과 일치하는지 **구조적 해밍 거리 (SHD)**를 통해 정량적으로 검증했습니다.
3. 개입 시뮬레이션 가능성: 학습된 인과 모델을 통해 특정 인과 변수 (예: 출혈 관련 $z_0$) 를 조작하여 치료 전후의 망막 상태 변화를 시뮬레이션할 수 있음을 보였습니다. 이는 개인 맞춤형 치료 예측에 활용 가능합니다.
4. 고성능 진단 모델: 추출된 인과 특징을 활용한 DNN 모델이 기존 이미지 기반 모델보다 높은 일반화 성능을 보임을 입증했습니다.

4. 실험 결과 (Results)

• 모델 수렴: 850 에포크 훈련 후 VAE 손실 (0.0027) 과 GAE 손실 (0.4348) 모두 안정적으로 수렴했습니다.
• 인과 구조 학습:
  • 추출된 인과 그래프에서 $z_0$와 $z_4$가 AMD 상태 ($Y$) 에 직접적인 영향을 미치는 인과 요인으로 확인되었습니다.
  • 시각적 검증: $z_4$(드루젠 관련) 를 변형하면 망막의 고반사 영역 (드루젠) 이 변하고, $z_0$(출혈/액체 관련) 를 변형하면 저반사 영역 (출혈/삼출액) 이 변하는 등 **인과 분해 (Disentanglement)**가 성공적으로 이루어졌습니다.
  • 정량적 검증: 도메인 지식 그래프와 추출된 서브그래프 간의 SHD 는 2.0으로, 높은 인과 구조 일치도를 보였습니다.
• 진단 성능 (Test Data):
  • 추출된 잠재 변수를 입력으로 사용한 DNN 모델이 가장 우수한 성능을 보였습니다.
  • 정확도 (Accuracy): 92.12%
  • 가중 F1-Score: 91.85%
  • 특이도 (Specificity): 97.0% (거짓 양성 최소화)
  • 다른 ML 모델 (Random Forest, GBM 등) 에 비해 과적합이 적고 일관된 성능을 보였습니다.

5. 의의 및 한계 (Significance & Limitations)

• 의의:
  • 단순한 분류를 넘어 AI 가 AMD 의 병리학적 인과 관계를 이해하도록 함으로써, 의료진의 신뢰를 높이고 **해석 가능한 AI (XAI)**의 새로운 방향을 제시했습니다.
  • 치료 개입 (Intervention) 시뮬레이션이 가능해져, 약물 치료 전후의 망막 변화 예측 등 **정밀 의료 (Precision Medicine)**에 기여할 수 있는 잠재력을 보여줍니다.
• 한계 및 향후 과제:
  • 해상도 한계: 저해상도 안저 이미지 특성상 미세 혈관 (Macular blood vessels) 의 재구성이 완벽하지 않았습니다. 향후 Diffusion 모델 등을 활용한 고해상도 생성이 필요합니다.
  • 정량적 평가: 인과 분해에 대한 정량적 지표 (Entropy 기반 등) 가 부족하여 시각적 평가에 의존한 부분이 있습니다.
  • 데이터: 더 많은 라벨링된 고품질 데이터셋 확보가 필요하며, Dry/Wet AMD 의 전환 과정에 대한 인과적 연결 고리를 더 명확히 규명할 필요가 있습니다.

결론

본 연구는 CVAE 와 GAE 를 결합하여 망막 이미지에서 AMD 의 인과적 요인을 성공적으로 추출하고, 이를 통해 높은 정확도의 진단 모델을 구축함과 동시에 치료 효과 시뮬레이션이 가능한 프레임워크를 제시했습니다. 이는 안과 영상 분석 분야에서 AI 의 역할을 '진단 도구'에서 '인과적 이해 및 예측 도구'로 확장하는 중요한 이정표가 될 것입니다.