Predicting visual function before glaucoma onset from baseline optical coherence tomography scans using deep learning

이 연구는 딥러닝 기반 비전 트랜스포머 (ViT) 모델을 사용하여 단일 OCT-RNF 스캔으로부터 녹내장 발병 전 시야 기능을 정확하게 예측할 수 있음을 입증했습니다.

핵심

🌟 핵심 비유: "눈의 지도를 보고 미래의 날씨를 예보하는 AI"

생각해 보세요. 녹내장은 눈의 시신경이 서서히 녹아내리는 병입니다. 마치 비로 인해 흙이 씻겨 내려가는 산과 같습니다.

1. 기존의 방법 (전통적인 의사의 눈):

   • 의사는 환자가 "시야가 좁아졌어요"라고 호소하거나, 정기적으로 시야 검사를 받아야만 "아, 산이 조금 깎였구나"라고 알 수 있습니다.
   • 문제는 이미 시야가 좁아진 상태가 되어야만 변화가 보인다는 점입니다. 이미 늦었을 수도 있습니다.

2. 이 연구의 새로운 방법 (AI 의 눈):

   • 이 연구팀은 **OCT(광간섭단층촬영)**라는 장비를 이용해 눈의 신경 섬유층 (RNFL) 을 찍은 고해상도 사진 하나만 있으면 됩니다.
   • 마치 산의 흙이 아주 미세하게 움직이기 시작하는 순간을 감지할 수 있는 초정밀 센서처럼, AI 는 아직 환자가 느끼지 못하는 미세한 구조적 변화만으로도 **"4~5 년 뒤에는 시야가 이렇게 나빠질 것이다"**라고 예측합니다.

---

🔍 이 연구가 어떻게 작동했나요?

1. 데이터 학습: "수천 명의 눈 사진을 보고 공부한 AI"

연구팀은 호주에서 1,600 명 이상의 환자, 총 1,792 개의 눈 데이터를 모았습니다.

• 학습 과정: AI 는 과거에 찍은 눈의 사진 (OCT) 과 그 후 4~5 년 뒤에 실제 시야가 어떻게 변했는지를 비교하며 공부했습니다.
• 비유: 마치 수천 편의 날씨 기록을 보고 "오늘 구름이 이렇게 생겼으면, 5 년 뒤에는 폭우가 올 것이다"라고 학습한 기상 예보관과 같습니다.

2. 기술의 비밀: "Vision Transformer (ViT)"라는 새로운 두뇌

기존의 AI 는 주로 CNN(합성곱 신경망) 이라는 방식을 썼는데, 이는 사진을 작은 조각으로 잘라 국소적인 특징만 보는 방식이었습니다.

• 이 연구의 AI (ViT): 이 AI 는 전체 그림을 한 번에 훑어보며 먼 곳과 가까운 곳의 관계까지 동시에 이해합니다.
• 비유: 기존 AI 가 현미경으로 한 점만 자세히 보는 것이라면, 이 새로운 AI 는 전체 지도를 펼쳐놓고 "이 지역의 지형이 저 지역의 기후에 어떤 영향을 줄지"까지 연결해서 생각하는 거시적인 사고를 합니다. 그래서 훨씬 더 정확하게 미래를 예측할 수 있었습니다.

3. 검증: "다른 기계에서도 똑같이 잘 작동했나?"

이 AI 는 한 병원 (Zeiss 장비) 에서만 학습한 게 아니라, 다른 병원 (Heidelberg 장비) 에서 찍은 사진으로도 테스트했습니다.

• 결과: 서로 다른 기계에서 찍은 사진이어도 예측 정확도가 거의 비슷했습니다.
• 의미: 이는 이 AI 가 특정 장비에 의존하지 않고, 어떤 병원에서나 쓸 수 있는 보편적인 도구가 될 수 있음을 의미합니다.

---

💡 이 기술이 왜 중요한가요? (실생활에서의 가치)

1. 미리 예방할 수 있습니다:

   • 보통 녹내장은 시야가 나빠진 후에야 치료 강도를 높입니다. 하지만 이 AI 는 아직 아무 증상도 없을 때 "이 환자는 5 년 뒤 시야가 급격히 나빠질 위험이 높으니, 지금부터 더 집중적으로 관리해야 한다"고 알려줍니다.
   • 비유: 차가 고장 나기 전에 "엔진 소리가 이상하니 미리 수리하세요"라고 알려주는 스마트한 정비사 같은 역할입니다.

2. 객관적인 판단:

   • 인간의 눈이나 기존 계산법으로는 미세한 변화를 놓치기 쉽지만, AI 는 수치로 정확하게 예측합니다.
   • 연구 결과, AI 가 예측한 오차 범위는 사람이 시야 검사를 반복했을 때 생기는 자연스러운 오차 범위보다 오히려 작거나 비슷했습니다. 즉, 인간이 감지할 수 있는 한계 내에서 매우 정밀하다는 뜻입니다.

3. 어디서나 쓸 수 있습니다:

   • 이 AI 는 눈의 신경층 (RNFL) 과 안쪽 망막 구조를 분석하여 예측의 근거를 보여줍니다 (Saliency Map). 이는 AI 가 단순히 숫자를 맞추는 게 아니라, 의학적 원리 (신경이 얇아지는 부분) 를 제대로 이해하고 있다는 것을 보여줍니다.

---

🚀 결론: "눈의 미래를 읽는 크리스탈 볼"

이 연구는 **"단 한 번의 눈 스캔 사진으로, 5 년 뒤의 시야 상태를 AI 가 정확히 예측한다"**는 것을 증명했습니다.

기존에는 "지금 상태가 어떤가?"를 보는 데 그쳤다면, 이제는 **"앞으로 어떻게 될 것인가?"**를 미리 알려주는 예측 도구가 생긴 것입니다. 이는 녹내장 환자들이 실명을 막기 위해 훨씬 더 일찍, 더 적절한 치료를 받을 수 있게 해주는 혁신적인 기술입니다.

한 줄 요약:

"이 AI 는 눈의 미세한 구조 변화를 '미래의 날씨 예보'처럼 읽어내어, 녹내장이 악화되기 전에 미리 경고하고 치료 방향을 잡아줍니다."

기술 요약

논문 요약: 딥러닝을 활용한 기저선 OCT-RNFL 스캔으로부터의 녹내장 진행 전 시각 기능 예측

1. 연구 배경 및 문제 제기 (Problem)

• 녹내장의 치료 난제: 녹내장은 시신경 세포의 퇴행으로 인해 되돌릴 수 없는 시야 (Visual Field, VF) 결손을 유발하는 만성 질환입니다. 안압 (IOP) 강하가 유일한 조절 가능한 위험 인자임에도 불구하고, 많은 녹내장 환자의 시야는 치료에도 불구하고 진행합니다. 이는 일부 눈이 치료되지 않았거나 안압 조절이 결과에 영향을 미치지 못했음을 시사합니다.
• 기존 방법의 한계: 기존 연구들은 주로 단면적 (cross-sectional) 구조 - 기능 매핑에 집중하거나, 시야 진행을 예측하기 위해 여러 시점의 구조적 데이터 (OCT, 안저 사진 등) 를 사용했습니다. 그러나 단 하나의 기저선 (baseline) OCT-RNFL(망막 신경섬유층) 스캔으로부터 미래의 시야 지수 (MD, PSD, VFI) 를 직접 예측하는 연구는 부족했습니다.
• 목표: 단일 기저선 OCT-RNFL 스캔을 입력으로 사용하여, 향후 시야 기능 (시야 결손 정도) 을 객관적으로 예측하는 딥러닝 모델을 개발하는 것입니다.

2. 연구 방법론 (Methodology)

• 데이터 수집 및 전처리:

  • 코호트: 호주 내 3 개 병원 (Hobart Eye Surgeons, Essendon Eye Clinic, Gladstone Park Eye Clinic) 에서 수집된 후향적 다기관 코호트 연구입니다.
  • 데이터 규모:
    • 학습/내부 검증: Hobart Eye Surgeons 데이터 (1,792 눈, 1,610 명 환자).
    • 외부 검증: Essendon Eye Clinic (Zeiss OCT, 151 눈) 및 Gladstone Park Eye Clinic (Heidelberg Spectralis OCT, 281 눈).
  • 포함/제외 기준: 18 세 이상, 녹내장 또는 의심 환자, 신뢰할 수 있는 시야 검사 (VF) 와 OCT 데이터 보유, 추적 관찰 기간 2.157.33 년 (평균 4.74±2.59 년) 으로 제한. 심한 녹내장 (VFI <79%, MD < -12dB 등) 은 제외하여 초기중기 녹내장의 미세한 변화를 예측하는 데 집중했습니다.
  • 이미지 처리: Zeiss Cirrus 및 Heidelberg Spectralis 장비에서 획득한 원본 BMP 이미지 (1356x904 픽셀) 를 모델 입력을 위해 518x518 픽셀로 리사이징했습니다.

• 모델 아키텍처 (Deep Learning Architecture):

  • Vision Transformer (ViT) 기반: 기존 CNN(Convolutional Neural Network) 이 아닌, ViT(Vision Transformer) 아키텍처를 채택했습니다.
  • 특징: 이미지를 패치 (14x14) 시퀀스로 변환하고 자기 주의 (Self-attention) 메커니즘을 통해 이미지의 전역적 (global) 공간 관계를 학습합니다. 이는 CNN 의 국소적 수용 영역 (local receptive field) 한계를 극복하고 미세한 RNFL 얇아짐을 포착하는 데 유리합니다.
  • 사전 학습 (Pre-training): DINOv2 를 사용한 자기지도 학습 (self-supervised) ViT 모델을 기반으로 하여, ViT Small Patch14 아키텍처가 최적의 성능을 보였습니다.
  • 학습 전략: fastai 프레임워크 사용. 2 단계 학습 (Layer freezing 후 fine-tuning, 전체 모델 언프리즈 후 1-cycle policy 적용), 데이터 증강, 조기 종료 (Early stopping), 가중치 감쇠 (Weight decay) 등을 통해 과적합을 방지했습니다.

• 예측 목표:

  • 단일 기저선 OCT-RNFL 스캔으로부터 3 가지 주요 시야 지수를 회귀 (Regression) 로 예측:
    1. VFI (Visual Field Index): 시야 지수
    2. MD (Mean Deviation): 평균 편차
    3. PSD (Pattern Standard Deviation): 패턴 표준 편차

3. 주요 결과 (Results)

• 성능 지표 (내부 검증):

  • 전체 평균 절대 오차 (MAE): 2.07 (95% CI: 1.91-2.22)
  • 평균 제곱근 오차 (RMSE): 2.87 (95% CI: 2.60-3.14)
  • 개별 지표별 성능:
    • MD 예측 MAE: 1.78 dB
    • PSD 예측 MAE: 1.10 dB
    • VFI 예측 MAE: 3.32%

• 외부 검증 및 일반화 능력:

  • Zeiss OCT (Essendon): MAE 2.07 (95% CI: 1.8-2.35)
  • Heidelberg OCT (Gladstone Park): MAE 2.11 (95% CI: 1.93-2.31)
  • 의미: 서로 다른 OCT 장비 (Zeiss vs Heidelberg) 에서도 내부 검증과 유사한 성능을 보여 모델의 장비 간 일반화 (Cross-platform generalisability) 능력이 뛰어남을 입증했습니다.

• 모델 비교:

  • ViT 모델은 DenseNet, ResNet, VGG 등 기존 CNN 기반 모델들보다 월등히 낮은 오차 (MAE 5.47.6 vs 9.010.3) 를 기록했습니다.
  • 기존 문헌의 다른 연구들 (RMSE 4.1~12.0 등) 과 비교했을 때, 본 연구 모델은 훨씬 더 정밀한 예측 성능을 보였습니다.

• 해석 가능성 (Interpretability):

  • Saliency Maps: 모델의 예측에 가장 큰 영향을 미친 영역을 시각화한 결과, 내부 및 외부 RNFL 층과 망막 색소 상피 (RPE) 가 강조되었습니다. 이는 녹내장의 병리생리학적 특징 (시신경 섬유층 손상) 과 일치하여 모델이 임상적으로 유의미한 특징을 학습했음을 보여줍니다.

4. 주요 기여 및 의의 (Key Contributions & Significance)

1. 기술적 혁신: 단일 기저선 OCT-RNFL 스캔만으로 미래 시야 기능을 예측하는 최초의 ViT 기반 회귀 모델 연구입니다. CNN 기반의 국소적 특징 추출을 넘어, ViT 의 전역적 주의 메커니즘을 통해 미세한 구조적 변화를 포착하는 데 성공했습니다.
2. 임상적 유용성:
   • 조기 개입: 녹내장 진행이 임상적으로 명확해지기 전 (약 7 년 전) 에도 향후 시야 저하를 예측할 수 있어, 고위험군 환자를 조기에 식별하고 치료 강도를 조절하는 데 기여할 수 있습니다.
   • 장비 독립성: 서로 다른 제조사의 OCT 장비 (Zeiss, Heidelberg) 에서도 일관된 성능을 보여, 다양한 임상 환경에서의 적용 가능성을 높였습니다.
   • 오차 범위: 모델의 예측 오차 (MAE) 가 표준 자동 시야계 (SAP) 의 재검사 변동성 (test-retest variability) 범위 내에 포함되어 있어, 임상적으로 신뢰할 수 있는 수치임을 입증했습니다.
3. 해석 가능성: Saliency map 을 통해 모델이 RNFL 의 해부학적 구조를 기반으로 예측함을 시각적으로 증명하여, '블랙박스'인 딥러닝 모델의 신뢰성을 높였습니다.

5. 결론

본 연구는 단일 OCT-RNFL 스캔을 입력으로 사용하여 녹내장 환자의 미래 시야 기능 (VFI, MD, PSD) 을 높은 정확도로 예측하는 ViT 기반 딥러닝 모델을 개발하고 검증했습니다. 이 모델은 기존 CNN 기반 모델보다 우수하며, 서로 다른 OCT 장비에서도 일반화되는 강력한 성능을 보입니다. 이는 녹내장 진행을 조기에 예측하고 개인화된 치료 전략을 수립하는 데 혁신적인 도구가 될 것으로 기대됩니다.