Axial Length Matters: Scaling Effects in Retinal Fundus Image Analysis

이 연구는 근시와 관련된 안축장 변화가 망막 혈관 생체지표에 체계적인 편향을 유발하므로, 벤넷 - 리트만 공식을 기반으로 한 안축장 보정이 정량적 망막 영상 분석 및 AI 바이오마커 개발에 필수적임을 규명했습니다.

핵심

이 논문은 **"눈의 크기가 사진 속 혈관 크기를 어떻게 속이는가?"**에 대한 이야기입니다. 아주 쉽고 재미있게 비유를 들어 설명해 드릴게요.

📸 핵심 비유: "자이언트 vs 쏘마"의 사진 속 착시

생각해 보세요. 두 사람이 같은 크기의 카메라로 똑같은 거리에서 사진을 찍습니다.

• A 씨 (눈이 큰 사람): 눈이 길쭉한 '자이언트'입니다.
• B 씨 (눈이 작은 사람): 눈이 짧은 '쏘마'입니다.

이 두 사람이 같은 크기의 '망막 (눈 뒤쪽의 스크린)'에 있는 혈관을 찍었는데, 문제는 **카메라 렌즈의 초점 거리 (눈의 길이, 즉 안축장)**가 다릅니다.

1. 자이언트 (눈이 긴 사람): 눈이 길어서 망막이 멀리 있습니다. 그래서 혈관이 사진에 찍히면 실제보다 훨씬 작고 가늘게 보입니다. (멀리 있는 사물이 작아 보이는 원리)
2. 쏘마 (눈이 짧은 사람): 눈이 짧아서 망막이 가깝습니다. 그래서 혈관이 사진에 찍히면 실제보다 훨씬 크고 굵게 보입니다.

🚨 문제점: AI 가 "모두 같은 크기"로 착각하다

지금까지 우리 눈의 혈관 사진을 분석하는 **인공지능 (AI)**은 이 '눈의 크기 차이'를 무시하고, **"모든 사람의 눈은 똑같은 크기야"**라고 가정했습니다.

• 결과: AI 는 눈이 긴 사람 (근시) 의 혈관을 보면 "아, 이 사람의 혈관이 정말로 가늘고 짧구나! 병이 있나?"라고 잘못 판단합니다.
• 실제: 혈관은 정상인데, 눈이 길어서 작게 찍힌 것뿐입니다.
• 반대: 눈이 짧은 사람 (원시) 은 혈관이 실제보다 굵게 나와서 "아, 혈관이 너무 굵네!"라고 오해할 수 있습니다.

이건 마치 거울을 통해 사람을 볼 때, 거울이 사람을 왜곡해서 키가 작게 보이게 하면, 그 사람이 실제로 키가 작은 줄 아는 것과 똑같은 실수입니다.

🔍 연구 내용: "눈의 자 (Axial Length)"를 이용하자

이 연구팀은 2,300 명 이상의 어린이와 젊은이들의 눈 사진을 분석했습니다. 그리고 다음과 같은 사실을 발견했습니다.

1. 눈의 길이가 1mm 만 달라져도?

   • 혈관의 너비나 길이는 약 4~5% 정도 오차가 생깁니다.
   • 혈관의 **넓이 (면적)**는 약 **9~10%**나 오차가 생깁니다. (넓이는 길이의 제곱이니까 오차가 더 큽니다!)
   • 비유: 눈이 1mm 길어지면, 혈관 사진은 마치 100 원짜리 동전을 1000 원짜리 동전처럼 작게 찍힌 것과 같은 착시가 발생합니다.

2. 해결책: "베텐트 - 리트만 (Bennett-Littmann)" 수정 공식

   • 연구팀은 각 사람의 실제 눈 길이 (안축장) 를 재서, 그 길이에 따라 사진 속 혈관 크기를 **보정 (수정)**하는 공식을 적용했습니다.
   • 마치 사진 편집 프로그램에서 '확대/축소' 기능을 조절하여, 눈이 긴 사람의 사진은 확대하고, 눈이 짧은 사람의 사진은 축소해 주는 작업입니다.
   • 이렇게 보정하면, 눈의 크기와 상관없이 혈관의 실제 크기를 정확히 알 수 있게 됩니다.

3. 무엇이 변하지 않을까?

   • 혈관의 **가지 수 (분기점)**는 눈의 크기와 상관없이 변하지 않습니다. 나무의 가지가 몇 개인지는 나무를 멀리서 찍든 가까이서 찍든 같기 때문입니다.

💡 왜 이 연구가 중요할까요?

이 연구는 **"AI 가 질병을 진단할 때, 눈의 크기 (근시/원시) 를 고려하지 않으면 큰 오해를 할 수 있다"**는 것을 증명했습니다.

• 심장병/뇌질환 예측: 최근에는 눈의 혈관 사진을 보고 심장병이나 치매 위험을 예측하는 AI 가 개발되고 있습니다.
• 위험: 만약 눈의 크기 보정을 안 하면, 근시인 사람들은 혈관이 가늘다고 오해받아 심장병 위험이 높다고 잘못 진단받을 수 있습니다. 반대로 원시인 사람들은 위험이 낮다고 잘못 판단될 수 있습니다.

🌟 결론

이 논문은 **"눈의 혈관 사진을 볼 때는, 그 눈이 얼마나 길쭉한지 (안축장) 를 반드시 체크하고 크기를 맞춰주어야 진짜 병을 찾을 수 있다"**고 외치고 있습니다.

앞으로 AI 가 우리 눈을 통해 전신 건강을 진단할 때, "눈의 크기 (안축장)"라는 자를 대고 정확히 측정하는 과정이 필수적이 되어야 한다는 귀중한 교훈을 남겼습니다.

기술 요약

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 망막 안저 (Fundus) 이미지에서 추출된 혈관 길이, 굴곡도 (tortuosity), 혈관 직경 및 면적과 같은 정량적 지표는 심혈관 및 신경계 질환의 바이오마커로 널리 사용되고 있으며, 인공지능 (AI) 기반 질병 진단 및 전신 건강 예측에 핵심적인 역할을 하고 있습니다.
• 문제: 안축장 (Axial Length, AL) 의 개인차는 망막 이미지의 기하학적 확대/축소 (Magnification) 에 직접적인 영향을 미칩니다.
  • 안축장이 긴 근시 안구에서는 망막 구조물이 이미지 상에서 실제보다 작게 보입니다.
  • 안축장이 짧은 원시 안구에서는 실제보다 크게 보입니다.
• 현황: 현재 많은 AI 알고리즘과 연구에서 안축장 보정이 생략되고 있으며, 모든 환자의 이미지를 동일한 스케일로 간주하는 경향이 있습니다. 이는 안축장 차이로 인한 체계적인 오차 (Systematic Bias) 를 유발하여, 혈관 직경이나 면적 측정값이 실제 생리학적 변화가 아닌 기하학적 왜곡으로 인해 잘못 해석될 수 있음을 의미합니다.
• 연구 목적: 안축장 보정이 생략되었을 때 혈관 바이오마커 분포에 미치는 오차의 크기를 정량화하고, 이를 보정하는 방법 (Bennett-Littmann 공식 적용) 을 제시하는 것입니다.

2. 연구 방법론 (Methodology)

• 연구 대상: 홍콩 공과대학교 안과 클리닉에서 2022 년 1 월부터 2025 년 7 월까지 수집된 21 세 이하 환자 2,309 건의 임상 방문 데이터 (안저 사진 및 안축장 측정치 보유).
• 데이터 처리 및 측정:
  • 자동 분할: 'AutoMorph'라는 자동 망막 혈관 분석 소프트웨어를 사용하여 안저 이미지에서 혈관 마스크 (Binary mask) 와 혈관 골격 (Skeleton) 을 추출했습니다.
  • 측정 지표: 혈관 면적 ($A$), 혈관 골격 길이 ($L$), 주요 혈관 평균 직경 ($D$), 혈관 분기 수 (Branch count) 를 픽셀 단위에서 계산했습니다.
• 스케일링 보정 (Magnification Correction):
  • 참조 기준: 모든 눈을 24mm 의 기준 안축장 ($AL_{ref}$) 을 가진 것으로 가정하여 보정하지 않은 값 (Uncorrected) 을 계산했습니다.
  • 개별 보정: 각 환자의 실제 측정된 안축장 ($AL_{true}$) 을 사용하여 Bennett-Littmann 공식에 기반한 배율 인자 ($q(AL)$) 를 계산하고, 이를 통해 픽셀을 실제 물리적 단위 (mm, $mm^2$) 로 변환했습니다.
  • 오차 정의: 개별 보정 값을 '진실값 (Ground Truth)'으로 간주하고, 보정하지 않은 값과의 백분율 오차 ($\Delta D, \Delta L, \Delta A$) 를 산출했습니다.
• 통계 분석: 안축장과 오차 간의 관계를 선형 및 2 차 다항식 회귀 모델로 분석했습니다.

3. 주요 결과 (Key Results)

• 안축장과 물리적 픽셀 크기의 관계: 안축장이 길어질수록 픽셀 하나가 나타내는 실제 망막의 물리적 크기 (mm/pixel) 가 선형적으로 증가하는 것이 확인되었습니다.
• 측정 지표별 오차 규모:
  • 직경 및 길이 ($D, L$): 기준 안축장 (24mm) 에서 1mm 씩 벗어날 때마다 약 **4~5%**의 오차가 발생했습니다.
    • 안축장이 짧을 경우 (원시): 혈관 직경/길이가 과대평가됨.
    • 안축장이 길 경우 (근시): 혈관 직경/길이가 과소평가됨.
    • 회귀식: $\Delta D(\%) \approx 4.51 \times (AL - 24)$.
  • 면적 ($A$): 면적은 선형 차원의 제곱에 비례하므로 오차가 더 컸습니다. 안축장 1mm 변화당 약 **9~10%**의 오차가 발생했습니다.
    • 회귀식: 2 차 다항식 모델로 매우 높은 적합도 ($R^2 = 1.00$) 를 보였습니다.
  • 분기 수 (Branch Count): 혈관의 위상학적 구조를 나타내는 분기 수는 안축장 보정 여부와 무관하게 변화하지 않았습니다 ($R^2 \approx 0.003$).
• 구체적인 예시:
  • 안축장 < 22mm 인 경우: 직경/길이는 약 8-10%, 면적은 약 17-20% 과대평가됨.
  • 안축장 $\ge$ 26mm 인 경우: 직경/길이는 약 10-12%, 면적은 약 22-25% 과소평가됨.

4. 주요 기여 및 결론 (Key Contributions & Conclusions)

• 정량적 오차 모델 제시: 기존에는 안축장 보정의 필요성만 언급되었으나, 본 연구는 안축장 변화에 따른 혈관 바이오마커 오차의 정량적 함수 관계를 최초로 명확히 제시했습니다.
• Bennett-Littmann 보정의 필수성 강조: AI 기반 망막 바이오마커 개발 및 임상 적용 시, 안축장 보정을 수행하지 않으면 근시/원시 군 간에 체계적인 편향 (Bias) 이 발생하여 질병 위험도 평가가 왜곡될 수 있음을 증명했습니다.
  • 예: 안축장이 긴 근시 환자의 혈관이 실제보다 얇게 측정되어 심혈관 질환 위험이 과대평가될 수 있음.
• 실용적 해결책:
  • 개별 안축장 데이터가 있는 경우: Bennett-Littmann 보정을 AI 파이프라인에 직접 통합하여 물리적 스케일을 정규화해야 함.
  • 개별 데이터가 없는 경우: 연구 대상 집단의 안축장 분포를 기반으로 오차의 크기를 추정하거나, 보정 인자 모듈을 적용하여 편향을 줄일 수 있음.

5. 의의 및 시사점 (Significance)

이 연구는 망막 영상 분석이 단순한 이미지 처리를 넘어, 개인의 안구 기하학적 특성 (안축장) 을 고려한 정밀한 생체 역학적 측정이 필요함을 강조합니다. 특히 전신 질환 (심장병, 뇌졸중, 치매 등) 예측을 위한 AI 모델 개발 시, 안축장 보정을 생략하면 근시와 원시 환자군 간의 비교가 불가능해지거나 잘못된 결론을 도출할 수 있습니다. 따라서 향후 정량적 안저 영상 분석 및 AI 바이오마커 연구에서는 Bennett-Littmann 보정을 표준 절차로 채택해야 하며, 이는 더 정확하고 공정한 전신 건강 예측 모델의 기반이 될 것입니다.