📄 medicine

UWF-FM: A Foundation Model for Comprehensive Ultra-Widefield Retinal Assessment

UWF-FM은 63만 장 이상의 레이블이 없는 초광각 망막 영상을 사전 학습한 새로운 자기지도 학습 기반 파운데이션 모델로, 다양한 임상 작업과 기기 전반에서 기존의 비-UWF 모델보다 뛰어난 성능을 보이며, 견고한 일반화 능력과 워크플로우를 방해하지 않으면서 임상의의 진단 민감도를 높이는 성공적인 실무 배포를 입증하였습니다.

원저자: Yalin Zheng, Jianyang Xie, Xiuju Chen, Bingjie YAN, Mostafa Daho, Yanda Meng, Sarah Coupland, Heinrich Heimann, Rumana Hussain, Mohammed Lazouni, Mohammed Brixi-Nigassa, Quanyong Yi, Yitian Zhao, Danl

게시일 2026-08-07

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Yalin Zheng, Jianyang Xie, Xiuju Chen, Bingjie YAN, Mostafa Daho, Yanda Meng, Sarah Coupland, Heinrich Heimann, Rumana Hussain, Mohammed Lazouni, Mohammed Brixi-Nigassa, Quanyong Yi, Yitian Zhao, Danli Shi, Xiaoxin Li

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

당신의 눈을 카메라라고 상상해 보세요. 하지만 단순히 장면의 중심만을 찍는 사진기가 아니라, 지평선부터 가장자리까지 전체 풍경을 볼 수 있는 카메라 말입니다. 수십 년 동안 의사들은 안과 질환을 확인하기 위해 '안저 촬영(fundus photography)'이라는 특수한 종류의 안구 스캔을 사용해 왔지만, 이는 마치 셀카를 찍는 것과 같았습니다. 즉, 망막의 중앙 부분만을 보여줄 뿐, 가장자리에서 일어나고 있는 중요한 일들은 놓치게 됩니다. 그러다 '초광각(Ultra-Widefield, UWF)' 이미징이 등장했습니다. 이는 마치 파노라마 렌즈로 업그레이드하여 눈의 뒷마당 전체를 한 번에 포착하는 것과 같습니다. 이는 게임 체인저가 되었는데, 왜냐하면 망막 박리나 종양 같은 많은 안과 질환들이 종종 그 먼 구석에 숨어 있기 때문입니다. 하지만 컴퓨터에게 이 거대하고 복잡한 파노라마 사진을 이해하도록 가르치는 것은 까다로운 일입니다. 이는 마치 개에게 나무 한 그루가 아니라 숲 전체를 인식하도록 가르치는 것과 같습니다. 컴퓨터는 이 새로운 세부 사항들 때문에 혼란을 겪습니다. 여기서 '파운데이션 모델(Foundation Models)'이 등장합니다. 이들을 아주 똑똑한 AI 학생이라고 생각해보세요. 이 학생들은 시험을 치르기 전에 수백만 권의 책(이미지)을 미리 읽습니다. 보통 이 학생들은 '숲의 중심'에 관한 책들만 읽었기 때문에, 파노라마 사진을 받으면 어려움을 겪습니다. 과학자들이 던져온 큰 질문은 이것입니다. "우리가 이 거대한 파노라마 안구 사진을 전문적으로 학습시킨 초스마트 AI를 훈련시켜서, 눈의 어디에서든 문제를 포착하는 진정한 전문가로 만들 수 있을까?"

여기에 초광각 망막 이미지를 마스터하기 위해 설계된 새로운 종류의 AI 파운데이션 모델인 UWF-FM이 있습니다. 리버풀 대학교와 전 세계 파트너들로 구성된 연구팀은 기존의 AI 모델을 이 새로운 광각 사진에 억지로 맞추려 하는 대신, 처음부터 완전히 새로운 학생을 만들기로 했습니다. 그들은 이 AI에게 632,627장의 라벨이 없는 파노라마 안구 이미지를 학습시켰습니다. AI는 단순히 이 이미지들을 보는 데 그치지 않았습니다. AI는 '자기 지도 학습(self-supervised learning)'이라는 기법을 사용하여 이를 연구했습니다. 이는 마치 학생이 정답을 알려주는 선생님 없이, 조각들을 관찰하고 그것들이 어떻게 맞물리는지 추측하며 퍼즐을 푸는 것과 같습니다. 이 과정을 통해 AI는 중심부터 아주 먼 가장자리까지 망막 전체의 깊고 숨겨진 패턴을 학습했습니다.

이 AI가 "학습"되었을 때, 연구원들은 이 모델이 기존의 모델들보다 정말로 더 똑똑한지 테스트하기 위해 검증을 거쳤습니다. 그들은 단순히 한 가지를 찾으라고 요구한 것이 아니라, 하나의 '직무 기술서'를 부여했습니다. 그들은 AI가 다음의 과업들을 수행할 수 있는지 확인하기 위해 27,641개의 라벨링된 이미지-태스크 쌍을 테스트했습니다:

질병 진단: 종양을 포함한 12가지의 서로 다른 안과 질환을 포착합니다.
중증도 등급 판정: 당뇨망막병증의 심각도를 1에서 5 단계의 척도로 확인합니다.
특정 단서 찾기: 미세한 출혈이나 망막 박리와 같은 28가지의 서로 다른 망막 소견을 중심부나 먼 구석에 관계없이 식별합니다.

결과는 인상적이었습니다. 새로운 UWF-FM 모델은 표준적인 비광각 사진으로 훈련된 기존 AI 모델들을 일관되게 앞질렀습니다. 이는 마치 메인 경로만 아는 관광객과 숲 전체를 아는 현지 가이드를 비교하는 것과 같았습니다. 새 모델은 높은 점수(종양 탐지에서 약 0.90, 일반 질환 진단에서 0.94의 AUC 달성)를 기록하며, 중심부가 아닌 전체 그림을 이해하고 있음을 증명했습니다.

하지만 연구진은 거기서 멈추지 않았습니다. 그들은 이 AI가 자신이 학습한 특정 카메라에서만 작동하는 '한 가지 기술만 가진 말(one-trick pony)'인지 알고 싶었습니다. 그들은 서로 다른 병원, 심지어 서로 다른 카메라 브랜드(Optos 카메라에서 Zeiss 카메라로 전환)의 이미지로 테스트를 진행했습니다. 이 새로운 카메라들을 위해 추가적인 훈련이나 '튜닝'을 하지 않았음에도 불구하고, AI는 여전히 기존 모델들보다 뛰어난 성능을 보였습니다. 이는 AI가 단순히 특정 카메라의 외형을 암기한 것이 아니라, 망막 자체의 '언어'를 배웠음을 시사합니다.

이 AI가 실제 의사들에게 도움이 될 수 있는지 확인하기 위해, 연구진은 4명의 안과 전문의와 함께 특별한 연구를 진행했습니다. 그들은 600장의 파노라마 안구 이미지를 두 번 보여주었습니다. 한 번은 단독으로, 또 한 번은 AI의 도움을 받아 보여주었습니다. AI는 결정을 내리는 것이 아니라, 단지 자신의 "추측"을 의사들에게 속삭여 주었습니다. 의사들이 AI의 도움을 받았을 때, 그들은 (오히려 아주 약간의 특이도 저하만 있었을 뿐) 질병을 포착하는 능력(민감도)이 향상되었습니다. 이는 마치 AI가 의사들이 놓칠 수 있는 것들, 특히 구석에 있는 까다로운 것들을 가리키는 매우 관찰력이 뛰어난 조수가 되어준 것과 같았습니다. 특히 경험이 적은 의사들이 이 도움을 통해 업무 능력이 향상되었습니다.

마지막으로, 팀은 이 AI가 실제 병원에서 혼란을 일으키지 않고 작동할 수 있는지 테스트했습니다. 그들은 샤먼 안과 센터(Xiamen Eye Center)에서 '사일런트 디플로이먼트(silent deployment, 무인 배포)'를 실시했습니다. 37,665건의 연속적인 안구 검사 동안, AI는 백그라운드에서 실행되며 모든 이미지를 분석했습니다. AI는 의사의 업무 흐름을 방해하지 않았고, 워크플로우를 변경하지 않았으며, 테스트 기간 동안 누구에게도 결과를 보여주지 않았습니다. AI는 100%의 성공률로 모든 이미지를 처리했으며, 검사당 약 1.1초밖에 걸리지 않았습니다. 이는 이 강력한 AI가 아무런 문제 없이 바쁜 병원에 통합될 수 있음을 입증했습니다.

요약하자면, 이 논문은 망막의 광활한 광각 뷰를 바탕으로 AI를 훈련시킴으로써, 전체 눈을 이해하고, 다양한 병원과 카메라 사이에서 작동하며, 의사들이 더 많은 질병을 잡아내도록 돕고, 실제 의료 워크플로우에 매끄럽게 통합될 수 있는 견고한 도구를 만들 수 있음을 시사합니다. 이는 AI가 안과 의사들에게 신뢰할 수 있는 파노라마 시야 파트너로서 작용하여, 망막의 어떤 부분도 어둠 속에 남겨지지 않도록 보장하는 미래를 향한 한 걸음입니다.

기술 요약: UWF-FM: 포괄적인 초광각 망막 평가를 위한 파운데이션 모델

문제 제로 (Problem Statement)
초광각(Ultra-widefield, UWF) 망막 이미징은 기존의 안저 촬영이 놓칠 수 있는 주변부 병변을 포함하여 후극부와 주변부 망막 병리를 모두 아우르는 포괄적인 시각화를 제공하며, 이는 당뇨망막병증, 망막 파열, 종양과 같은 질환에서 매우 중요한 역할을 합니다. 그러나 UWF 데이터의 질병, 임상 과업 및 이미징 장치 간의 이질성은 기존 망막 파운데이션 모델의 적용 가능성을 제한해 왔습니다. 현재 대부분의 모델은 후극부 중심의 일반적인 안저 이미지에 대해 사전 학습되었으며, 이로 인해 학습된 표현형(representations)이 UWF 이미징의 더 넓은 해부학적 범위와 광범범한 병리 스펙트럼에 효과적으로 전이될 수 있는지에 대한 불확실성이 존재합니다. 또한, 기존의 UWF AI 연구는 대개 단일 임상 목적(예: 특정 질환 탐지)에 집중되어 있어, 질병 진단, 중증도 등급 판정, 미세한 소견 특성화 등 일상적인 진료에 필요한 다단계 평가를 지원할 수 있는 통합된 프레임워크가 부족합니다.

방법론 (Methodology)
저자들은 UWF 망막 이미징을 위해 특별히 설계된 파운데이션 모델인 UWF-FM을 개발했습니다.

사전 학습 (Pretraining): 이 모델은 DINOv3 프레임워크를 기반으로 한 Vision Transformer (ViT-L) 백본을 활용합니다. 모델은 Xiamen Eye Center의 일상적인 임상 현장에서 수집된 632,627장의 레이블이 없는 UWF 망막 이미지를 사용하여 자기지도 학습(self-supervised learning)을 통해 사전 학습되었습니다. 입력 방식은 표준 RGB 대신 두 채널의 망막 이미지(맥락막 및 혈관 대조도)를 수용하도록 조정되었습니다.
다운스트림 평가 프레임워크 (Downstream Evaluation Framework): 모델은 세 가지 상호 보완적인 평가 수준을 포괄하는 구조화된 임상 프레임워크 내에서 평가되었습니다:
1. 질병 진단: 12가지 망막 질환 및 종양 분류.
2. 당뇨망막병증(DR) 평가: 5단계 중증도 등급 판정 및 이미지 품질/적절성 평가.
3. 망막 소견 특성화: 후극부 및 주변부 병리를 모두 포함하는 28가지 특정 망막 소견 탐지.
적응 전략 (Adaptation Strategies): 성능은 전체 미세 조정(Full Fine-tuning, FT)과 고정된 특징 추출(Frozen-feature, Probe) 평가라는 두 가지 체제 하에서 평가되어 표현형의 전이 가능성을 확인했습니다.
일반화 테스트 (Generalization Testing): 모델은 내부의 27,641개 레이블된 이미지-과업 쌍과 독립적인 기관들(알제리, 영국, 중국) 및 서로 다른 이미징 벤더(Optos 및 Zeiss CLARUS 500)로부터 얻은 10,686개의 외부 이미지를 대상으로 테스트되었습니다. 특히, 추가적인 재학습이나 사이트별 적응 없이 교차 벤더 평가가 수행되었습니다.
임상 유용성 연구 (Clinical Utility Studies):
- 다중 판독 연구 (Multi-Reader Study): AI 보조 해석을 평가하기 위해 4명의 안과 의사가 600장의 이미지를 평가하는 전향적 등록 무작위 교차 연구(NCT07651943)를 진행했습니다.
- 사일런트 배포 (Silent Deployment): 임상 워크플로우에 영향을 주지 않으면서 운영 타당성을 평가하기 위해, 병원 서버에서 37,665건의 연속적인 검사를 처리하는 회고적(45일) 및 전향적(25일) 사일런트 배포를 실시했습니다.

주요 결과 (Key Results)

우수한 표현형 전이: UWF-FM은 비-UWF 데이터(MAE-In1K, RETFound, DINOV3 포함)로 사전 학습된 파운데이션 모델보다 일관되게 우수한 성능을 보였습니다. 전체 미세 조정 시, 내부 코호트에서 종양 분류 AUC 0.901, 다중 질환 진단 AUC 0.947, 망막 소견 특성화 AUC 0.878을 달이트했습니다.
고정된 특징 추출 설정에서의 견고성: 고정된 특징 추출 평가에서 성능 격차가 더 벌어졌으며, UWF-FM은 베이스라인보다 최대 15% 높은 AUC를 기록했습니다. 이는 이러한 이점이 과업 특화된 최적화보다는 전이 가능한 망막 표현형에서 기인함을 나타냅니다.
교차 벤더 및 교차 코호트 일반화: 사이트별 적응 없이도 UWF-FM은 외부 Optos 코호트에서 성능 우위를 유지했으며, Zeiss CLARUS 500 이미지에도 직접 적용되었습니다. 예를 들어, 망막 소견 특성화에 대한 Zeiss 이미지 적용 시, 제로-적응(zero-adaptation) 모델은 Zeiss 데이터로 직접 학습된 모델보다 단 0.042 낮은 AUC 0.801을 달성했습니다.
임상적으로 유의미한 작동 지점: 임상적으로 제한된 임계값(예: 선별 검사를 위한 80% 고정 특이도, 진단을 위한 90% 고정 민감도) 하에서, UWF-FM은 망막 박리 및 파열와 같은 참조가 필수적인 주변부 소견을 포함한 다양한 질병 범주에서 베이스라인 대비 더 높은 민감도와 특이도를 보여주었습니다.
인간-AI 협업: 다중 판독 연구에서 AI 보조는 임상의의 민감도를 증가시킨 반(평균 $\Delta$ = 0.052) 반면, 특이도는 약간 감소(평균 $\Delta$ = -0.006)시켜, 결과적으로 균형 잡힌 정확도를 개선하고 이상적인 ROC 작동 지점과의 거리를 줄였습니다.
운영 타당성: 사일런트 배포 기간 동안 UWF-FM은 37,665건의 검사에 대해 100% 처리 성공률을 달성했으며, 검사당 중간 추론 시간은 약 1.1초였습니다. 이는 기존 병원 인프라에 워크플로우 중단 없이 원활하게 통합되었습니다.

의의 및 주장 (Significance and Claims)
본 논문은 UWF-FM을 UWF 망막 이미징을 위해 특별히 사전 학습된 최초의 파운데이션 모델로 정립합니다. 저자들은 UWF 특화 사전 학습이 일반적인 안저 데이터로 학습된 모델보다 임상 과업, 환자군 및 이미징 벤더 전반에 걸쳐 본질적으로 더 일반화 가능한 표현형을 생성한다고 주장합니다.

본 연구는 UWF 이미징의 확장된 해부학적 범위를 위해 맞춤화된 파운데이션 모델이 엔드 투 엔드(end-to-end) 망막 케어를 지원할 수 있는 확장 가능한 프레임워크를 구축할 수 있음을 입증합니다. 다단계 평가, 외부 기관, 실제 환경의 사일런트 배포를 통해 성능을 검증함으로써, 본 연구는 UWF-FM이 견고하고 일반화 가능하며 임상적으로 배포 가능한 망막 의사결정 지원 플랫폼을 제공한다고 주장합니다. 이러한 결과는 자기지도 학습을 통해 UWF 이미징의 더 넓은 해부학적 맥락을 활용하는 것이, 특히 표준 이미징에서 간과되기 쉬운 주변부 병리를 식별하는 데 있어 일상적인 안과 진료의 복잡성을 다룰 수 있는 AI 시스템을 개발하는 데 중요한 단계임을 시사합니다.

유사한 논문