UWFound, A domain-adapted foundation model for hierarchical posterior uveitis diagnosis from ultra-widefield fundus images

기술 요약: UWFound – 계층적 후부 포도막염 진단을 위한 도메인 적응형 파운데이션 모델

문제 정의
후부 포도막염(posterior uveitis)의 정확한 진단 및 원인 분류는 이질적인 임상 양상, 중첩되는 표현형, 그리고 질환 하위 유형 간의 심각한 클래스 불균형으로 인해 여전히 중요한 임상적 과제로 남아 있다. 기존의 인공지능(AI) 모델은 두 가지 주요 한계점에 직면해 있다:

1. 모달리티 불일치(Modality Mismatch): 대부분의 망막 파운데이션 모델은 일반적인 컬러 안저 사진(CFP)을 기반으로 사전 학습되어 있으며, 이는 촬영 메커니즘, 시야(field of view), 색상 특성 및 주변부 병변의 외관 측면에서 초광각(UWF) 스캐닝 레이저 안저 검사법과 크게 다르다.
2. 계층적 추론의 부재: 현재의 모델들은 대개 평면적 분류(flat classification)를 채택하고 있어, 안과 의사가 먼저 염증을 감지한 후, 감염성 및 비감염성 원인을 구분하고, 최종적으로 특정 원인 질환을 식별하는 임상적 진단 워크플로우를 반영하지 못한다.
   또한, 자동화된 UWF 기반의 후부 포도막염 진단은 아직 충분히 연구되지 않았으며, 데이터 부족으로 인해 희귀 하위 유형에 대한 모델 성능이 저하되는 문제를 겪고 있다.

방법론
저자들은 UWF에 적응된 파운데이션 모델을 계층적 진단 프레임워크에 통합한 UWFound를 개발하였다. 이 접근 방식은 세 가지 주요 구성 요소로 이루어진다:

1. 도메인 적응형 자기지도 미세 조정(Domain-Adaptive Self-Supervised Fine-Tuning):

   • 기본 모델: 저자들은 일반적인 망막 파운데이션 모델인 RETFound-DINOv2를 기초로 사용하였다.
   • 도메인 적응: 일상적인 임상 검사와 공공 데이터셋에서 수집된 21,234장의 라벨 없는 UWF 이미지를 사용하여 자기지도 미세 조정을 수행하였다.
   • 전처리: UWF 이미징은 주로 적색 및 녹색 레이저 채널을 활용하므로, 정보 가치가 높은 이 두 채널만을 유지하였다. 또한 주변부 망막 및 맥락막 병변의 형태를 보존하기 위해 이미지를 784 × 784 픽셀로 크기를 조정하였다. 이 단계는 CFP와 UWF 사이의 모달리티 격차를 해소하는 것을 목표로 한다.

2. 계층적 진단 프레임워크:
   모델은 다음과 같은 3단계 계층 구조를 통해 임상적 추론을 모사한다:

   • Level 1 (스크리닝): 정상 안구와 후부 포포막염을 구분한다.
   • Level 2 (감별): 포도막염을 감염성 대 비감염성으로 분류한다.
   • Level 3 (하위 유형 분류): 특정 원인 질환(예: 베체트병, 결핵 관련 포도막염, 급성 망막 괴사, 다양한 형태의 안내염 등)을 예측한다.
   • 아키텍처: UWFound는 이미지 인코더 역할을 한다. **클래스 조건부 어텐션 모듈(class-conditioned attention module)**은 각 단계의 예측값을 클래스 임베딩으로 변환하여, 전역적 문맥을 유지하면서도 관련 특징을 강조하도록 후속 정밀 단계들을 조건화한다. 클래스 불균형과 이질성을 처리하기 위해, 각 단계는 학습 가능한 클래스 프로토타입과 모멘텀 업데이트 방식의 프로토타입 메모리를 갖춘 **프로토타입 기반 메트릭 분류기(prototype-based metric classifier)**를 활용한다.

3. 학습 및 평가 전략:

   • 데이터: 내부 라벨링 데이터셋은 373명(포도막염 환자 265명, 정상 대조군 108명)으로부터 얻은 617장의 UWF 이미지로 구성되었다. 정보 누출을 방방지하기 위해 데이터를 환자 단위로 분할하였다.
   • 베이스라인: 성능은 기존 모델(ResNet50, ViT) 및 일반적인 파운데이션 모델(VisionFM, RETFound, RETFound-DINOv2)과 비교되었다.
   • 카테고리: 평가는 데이터 가용성에 따라 계층화되었다: 고지원(High-support, 정상 안구), 중지원(Medium-support, 베체트병, 결핵 관련 포도막염, 사르코이드증, ARN과 같은 흔한 하위 유형), 저지원(Few-support, 진균/세균성 안내염과 같은 희귀 하위 유형).
   • 외부 검증: 모델의 일반화 능력을 평가하기 위해 세 개의 독립적인 데이터셋(WEI-UWF, ZPPH-UWF, 임상 참조 데이터셋)에서 테스트되었다.

주요 결과

• 스크리닝 성능: 내부 테스트 세트에서 UWFound 기반 계층적 모델은 AUROC 0.9999, AUPRC 0.9998을 달 기록하며 완벽에 가까운 포도박염 스크리닝 성능을 보여주었다.
• 감염성 vs 비감염성: 모델은 두 번째 진단 단계에서 강력한 변별력을 입증하였으며, 평균 AUROC 0.9496(비감염성: 0.9391; 감염성: 0.9098)을 달성하였다.
• 희귀 하위 유형 (Few-Shot): 중지원 카테고리에서 UWFound는 비교된 모든 모델 중 가장 높은 AUROC(0.8577)와 AUPRC(0.4681)를 기록하였다. 저지원 카테고리의 경우, 전체적인 민감도는 낮았으나(희귀 질환의 공통적 과제), 계층적 모델은 가장 높은 AUPRC(0.3439)를 달려 심각한 클래스 불균형 상황에서도 개선된 정밀도-재현율 트레이드오프를 보여주었다.
• 외부 검증: 모델은 외부 데이터셋에서도 1단계 스크리닝에 대한 변별력을 유지하였다(AUROC 범위: 0.7638–0.9767). 그러나 작동 임계값에 따라 성능 차이가 크게 나타났으며, 이는 상당한 외부 도메인 변화가 존재함을 시사한다.
• 해석 가능성: Norm-Layer 클래스 활성화 맵(CAM)은 점진적인 주의 집중의 변화를 보여주었다: 스크리닝 단계에서의 광범위한 망막 주의 집중이 정밀 진단 단계로 갈수록 국소적인 병변 관련 활성화(예: 혈관 염증, 주변부 괴사 영역)로 전환되는 양상을 보였다.

의의 및 주장
본 논문은 UWFound가 자동화된 후부 포도박염 스크리닝 및 복잡한 원인 규별을 위한 견고하고 일반화 가능한 도구임을 제시한다. 주요 기여는 다음과 같다:

1. 모달리티 적응: 대규모 라벨 없는 UWF 데이터를 활용한 도메인 적응형 자기지도 미세 조정이 일반적인 망막 파운데이션 모델에 비해, 특히 중지원 및 저지원 시나리오에서 염증성 질환에 대한 표현 학습을 유의미하게 향상시킨다는 것을 입증하였다.
2. 임상적 정렬: 임상적 추론(스크리닝 → 감염성/비감염성 → 원인 질환)을 반영하는 계층적 프레임워크가 치료 결정(예: 감염성 사례에서 코르티코스테로이드 사용 회피)에 필수적인 첫 두 단계에서 강력한 성능을 낸다는 것을 검증하였다.
3. 실질적 유용성: 저자들은 모델이 미세한 원인 정보를 제공하기는 하지만, 희귀 하위 유형 분류에는 여전히 어려움이 있다는 점을 인정하며, UWFound를 단독 진단 도구가 아닌 해석 가능한 트리아지(triage) 및 의사결정 지원 시스템으로 해석하는 것이 적절하다고 주장한다. 이 모델은 후부 포도박염 가능성이 높은 눈을 식별하고, 감염 경로를 우선순위에 두며, 표적 임상 조사를 위한 잠재적 원인을 제안하도록 설계되었다.

연구는 향-후 연구가 다기관 전향적 검증, 임상 및 실험실 데이터와의 다중 모달 통합, 그리고 안전한 실세계 배포를 위한 캘리브레이션 전략에 집중해야 한다고 결론짓는다.