Disease Spectrum Analysis and AI-Assisted Screening of Fundus Disorders Using Portable Handheld Fundus Imaging in Health Examination Populations

세상을 명확하게 보는 것은 인간다운 삶의 근본적인 부분이지만, 수십억 명의 사람들에게 그 명확함은 눈 질환으로 인해 점차 흐려지고 있습니다. 이러한 질환들은 종종 너무 늦기 전까지는 아무런 경고 징후를 보이지 않습니다. 카메라 센서처럼 빛을 포착하여 우리가 볼 수 있게 해주는 망막이라 불리는 눈의 뒷부분은 매우 섬세한 조직층입니다. 당뇨병, 고혈압 또는 노화와 같은 상태로 인해 이 조직이 손상되면 그 피해는 흔히 영구적입니다. 이러한 문제들은 조용히 시작되기 때문에, 의사들은 이를 조기에 발견하기 위해 망막 사진을 찍는 것에 의존합니다. 전통적으로 이러한 사진은 환자가 가만히 앉아 고정된 장치를 들여다봐야 하는 크고 비싼 기계들로 촬영되었습니다. 하지만 최근 새로운 유형의 카메라가 이러한 지형을 바꾸고 있습니다. 이것들은 의사가 한 손에 쥘 수 있는 작고 휴대 가능한 장치들로, 번잡한 지역 클리닉부터 일상적인 신체 검진실에 이르기까지 거의 어디에서나 망막 사진을 찍는 것을 가능하게 합니다. 문제는 이러한 휴대용 카메라를 완벽하게 사용하기가 더 어렵다는 것이었습니다. 이미지가 흐릿하거나 빛이 부족할 수 있으며, 인공지능(질병을 찾아내도록 설계된 컴퓨터 소프트웨어)이 전문 클리닉에서 찍은 완벽한 사진들을 다루는 것만큼 이 불완전한 사진들도 잘 다룰 수 있는지 여부가 불분명했습니다.

연구팀은 이러한 휴대용 카메라를 특정 한 가지 질환만이 아니라 다양한 범위의 안과 질환을 대상으로 건강한 사람들을 선별하는 데 사용할 수 있는지 테스트함으로써 이 문제를 해결하고자 했습니다. 연구진은 베이징의 한 병원을 방문한 약 3만 명의 사람들을 대상으로 5년 동안 수집된 방대한 이미지 모음을 활용했습니다. 총 58,000장 이상의 망막 사진을 수집했습니다. 카메라가 휴대용이었고 안과 검진을 기다리는 환자가 아닌 사람들을 대상으로 사용되었기 때문에 사진의 품질은 매우 다양했습니다. 어떤 사진은 수정처럼 맑았지만, 어떤 사진은 너무 어둡거나, 흐릿하거나, 초점이 맞지 않아 쓸모가 없었습니다. 연구진은 먼저 엄격한 문지기 역할을 하는 컴퓨터 시스템을 구축하여 이미지를 세 그룹으로 분류했습니다: 완벽한 이미지, 사용하기에 충분히 좋은 이미지, 그리고 버려야 할 이미지입니다. 이 단계는 인공지능 모델이 실제로 눈을 선명하게 보여주는 이미지만 학습하도록 보장하기 위해 매우 중요했습니다. 이 정제 과정을 거친 후, 실제 인구의 건강 상태를 연구하기 위해 35,000장 이상의 고품질 이미지가 남았습니다.

연구진이 발견한 것은 사람들이 나이가 들어감에 따라 안구 건강이 어떻게 변화하는지에 대한 명확한 그림이었습니다. 분석된 이미지 그룹 중 약 3분의 1이 안구 문제의 징후를 보였습니다. 가장 흔한 문제는 단연 근시와 관련된 변화였으며, 이는 전체 인원의 거의 20%에 영향을 미쳤습니다. 연구 대상에 젊은 층과 중년층이 많이 포함되어 있다는 점을 고려하면 이는 타당한 결과입니다. 그러나 발견된 질환의 유형은 연령에 따라 크게 달랐습니다. 젊은 사람들은 주로 근시와 관련된 문제를 겪었지만, 집단이 나이가 들면서 문제는 변화했습니다. 60세 이상의 사람들에게는 안구 내 혈관 질환과 망막 중심부의 퇴행이 가장 흔한 소견이었는데, 이는 노화 및 전반적인 건강 상태와 관련된 질환들입니다. 이 발견은 안구 선별 검사 프로그램이 모든 사람에게 동일하게 적용되어서는 안 된다는 점을 시사합니다. 즉, 의사가 30세 환자에게서 찾아야 할 것과 70세 환자에게서 찾아야 할 것은 다르다는 것입니다.

컴퓨터가 의사들이 이러한 문제를 더 빨리 찾는 데 도움을 줄 수 있는지 확인하기 위해, 팀은 12가지 다른 유형의 인공지능 모델을 테스트했습니다. 그들은 이 모델들에게 두 가지를 요청했습니다: 첫째, 사진이 건강한 눈을 보여주는지 아니면 건강하지 않은 눈을 보여주는지 결정하는 것, 둘째, 눈이 건강하지 않다면 정확히 어떤 종류의 질환이 있는지 식별하는 것입니다. 첫 번째 과제에 대한 결과는 고무적이었습니다. 컴퓨터 모델은 이상 징후를 포착하는 데 매우 뛰어났으며, 90% 이상의 사례에서 비정상적인 눈을 정확하게 식별해 냈습니다. 이는 이러한 종류의 소프트웨어가 결합된 휴대용 카메라가 전문의를 만나야 하는 사람들을 신뢰성 있게 분류할 수 있음을 의미합니다. 그러나 두 번째 과제는 훨씬 어려웠습니다. 모델들이 구체적인 질환의 이름을 붙이려 할 때 정확도가 현저히 떨어졌습니다. 모델들은 종종 서로 다른 유형의 혈관 문제를 혼동하거나 서로 다른 종류의 조직 손상을 구별하는 데 어려움을 겪었습니다. 이는 컴퓨터가 잠재적인 문제를 잡아내는 강력한 1차 필터로서서는 탁월하지만, 휴대용 사진으로부터 정확한 상태를 진단하는 데 있어 아직 인간 의사를 대체할 준비가 되지 않았음을 시사합니다.

연구진은 또한 대형 클리닉의 수백만 장의 표준 고품질 안구 사진으로 학습된 차세대 고급 컴퓨터 모델도 테스트했습니다. 그들은 이 '파운데이션 모델'들이 더 똑똑하고 휴대용 카메라의 불규칙한 실생활 이미지를 더 잘 다룰 수 있기를 기대했습니다. 놀랍게도, 이러한 고급 모델들은 더 단순하고 가벼운 모델들보다 성능이 뛰어나지 않았습니다. 사실, 특화된 모델들이 오히려 더 어려움을 겪었는데, 이는 아마도 작은 휴대용 카메라의 이미지가 그들이 학습한 완벽한 이미지와 너무 달랐기 때문일 것입니다. 더 빠르고 적은 컴퓨팅 파워를 요구하는 단순한 모델들이 실제로 가장 좋은 성과를 냈습니다. 이 결과는 미래를 위한 실질적인 지침을 제공합니다. 휴대용 장치를 이용한 광범한 선별 검사를 위해서는 가장 복잡하고 무거운 인공지능이 필요한 것이 아닙니다. 우리는 불완전한 사진을 처리할 수 있을 만큼 견고하고, 매일 수천 장의 이미지를 처리할 수 있을 만큼 빠른 도구가 필요합니다.

궁극적으로, 이 연구는 사진의 품질을 체크하는 시스템이 갖춰져 있다면 작은 휴대용 카메라를 사용하여 다양한 안과 질환을 대규모로 선별하는 것이 가능하다는 것을 입증합니다. 연구는 안구 질환이 연령에 따라 예측 가능한 패턴을 따른다는 것을 보여주며, 젊은 층에서는 근시가 지배적이고 노년층에서는 혈관 질환이 주를 이룬다는 것을 보여줍니다. 또한 인공지능이 이러한 문제를 포착하는 데 강력한 파트너가 될 수 있지만, 모든 구체적인 질환의 이름을 명명하는 기술은 아직 완벽하지 않다는 것도 보여줍니다. 이 연구는 일상적인 건강 검진에 빠르고 통증 없는 망막 관찰이 포함되어, 실명으로 이어지기 전에 문제를 조기에 발견할 수 있는 새로운 시력 보호 방식의 토대를 마련했습니다. 간단한 휴대용 장치와 스마트한 소프트웨어, 그리고 평생 동안 안구 질환이 어떻게 변하는지에 대한 명확한 이해를 결합함으로써, 우리는 안구 건강을 혈압이나 체중처럼 일상적으로 모니터링하는 미래로 나아갈 수 있습니다.