📄 의학

Predicting Cycloplegic Spherical Equivalent in Children and Adolescents: A Comparative Machine Learning Approach with SHAP-Based Model Interpretation

본 연구는 머신러닝 모델, 특히 XGBoost와 LightGBM이 비산동성 임상 매개변수를 사용하여 산동성 굴절 결과를 정확하게 예측하고 산동이 필요한 아동을 식별할 수 있음을 입증하며, 이는 소아 굴절 선별 검사를 위한 확장 가능하고 자원 효율적인 대안을 제공한다.

원저자: Ouyang Weiyun, Liu Lian, Liang Chunlan, Tian Yuan, Zhong Jingxiang

게시일 2026-09-25

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Ouyang Weiyun, Liu Lian, Liang Chunlan, Tian Yuan, Zhong Jingxiang

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

매년 전 세계 수백만 명의 아이들이 먼 곳의 물체가 흐릿하게 보이는 상태인 근시를 겪고 있습니다. 이것이 단순한 불편함처럼 보일 수도 있지만, 제대로 관리되지 않은 근시는 나중에 실명을 포함한 심각한 안과 질환으로 이어질 수 있습니다. 아이의 시력을 정확하게 이해하기 위해, 안과 의사들은 오랫동안 조절마비 굴절 검사라고 불리는 절차에 의존해 왔습니다. 이 검사는 눈의 초점을 맞추는 근육을 일시적으로 이완시키기 위해 특수 안약을 눈에 넣는 과정을 포함하며, 이를 통해 눈의 실제 모양과 굴절력을 드러냅니다. 이 안약을 사용하지 않으면 아이의 눈 근육이 선명하게 보기 위해 과도하게 작동하여 시력 문제의 실제 정도를 가릴 수 있습니다. 그러나 이 표준 검사는 시간이 오래 걸리고, 전문가가 필요하며, 아이들에게 몇 시간 동안 흐릿한 시야와 빛 민감성을 남길 수 있습니다. 이러한 장애물 때문에 이 검사는 대규모 학교 검진이나 빠른 정기 검사에서 생략되는 경우가 많으며, 이로 인해 의사들은 빠른 비이완 검사만을 바탕으로 아이의 시력 문제의 실제 심각도를 추측해야 하는 상황에 놓입니다.

중국의 병원 연구진은 이제 이 간극을 메울 수 있는 새로운 방법을 개발했습니다. 그들은 간단하지만 어려운 질문을 던졌습니다. "컴퓨터가 표준 방문 시 수행하는 빠르고 이완되지 않은 측정값만을 바탕으로, 안약을 사용한 후의 눈 상태를 예측할 수 있을까?" 연구진은 발전된 컴퓨터 프로그램을 훈련시키기 위해 600명 이상의 어린이 데이터를 활용하여, 시간을 소요하는 절차 없이도 실제 시력을 추정하고, 아이에게 실제로 안약이 필요한지 결정하며, 근시 여부를 식별할 수 있는 시스템을 만들었습니다.

연구진은 4세에서 17세 사이의 어린이 안구 1,224개로부터 상세한 정보를 수집했습니다. 각 어린이마다 시력, 안압, 그리고 안구의 길이와 수정체의 두께를 포함한 안구의 형태와 같은 표준 측정값을 기록했습니다. 또한 안약을 사용하기 전과 후의 안구 굴절력을 측정했습니다. 이 데이터를 사용하여 연구진은 여러 유형의 컴퓨터 모델이 패턴을 찾도록 학습시켰습니다. 목표는 컴퓨터가 빠른 측정값과 실제 이완된 측정값 사이의 관계를 학습할 수 있는지 확인하는 것이었습니다. 그들은 세 가지 특정 과업에 대해 모델을 테스트했습니다. 첫째, 안약을 사용한 후 시력이 변화하여 검사가 필요한지 예측하는 것, 둘째, 아이가 근시인지 판단하는 것, 셋째, 안약 사용 후의 정확한 시력 수치를 계산하는 것이었습니다.

결과는 컴퓨터 모델이 높은 정확도로 이러한 과업을 수행할 수 있음을 보여주었습니다. 아이에게 안약이 필요한지 예측할 때, 가장 우수한 모델은 0.82의 AUC를 달이트했습니다. 근시 여부를 결정할 때는 시스템이 더욱 인상적이었는데, 0.90 이상의 AUC를 달성하며 실제로 해당 질환을 가진 거의 모든 아이를 찾아냈습니다. 의사들에게 아마도 가장 유용할 부분은, 모델이 안약 사용 후의 정확한 시력 수치를 평균 오차 0.5 단위 미만으로 예측할 수 있었다는 점인데, 이는 임상적 결정을 내리기에 허용 가능한 수준으로 간주되는 수치입니다. 더 쉽게 말하자면, 컴퓨터는 빠른 검사를 보고 의사에게 "이 아이의 시력은 눈을 이완했을 때 아마 이 특정 수치가 될 것입니다"라고 높은 정밀도로 말해줄 수 있는 것입니다.

컴퓨터가 어떻게 이러한 결정을 내렸는지 이해하기 위해, 연구진은 각 예측에 어떤 정보가 가장 중요한지를 강조하는 스포트라이트와 같은 도구를 사용했습니다. 그들은 질문에 따라 답변을 이끄는 요인이 달라진다는 것을 발견했습니다. 안약이 필요한지 결정할 때는 안구의 길이와 동공의 크기가 가장 중요한 단서였습니다. 근시를 식별할 때는 안약을 사용하지 않고 측정된 초기 시력이 지배적인 요인이었습니다. 놀랍게도, 안약 사용 후의 정확한 시력을 예측할 때는 눈 내부의 수정체 두께가 초기 시력 측정값보다 더 영향력 있는 핵심 단서로 나타났습니다. 이 발견은 안구의 길이와 안구 앞부분의 곡률만이 시력에 영향을 미친다는 일반적인 믿음에 도전하며, 수정체가 시력 예측에 있어 이전에 생각했던 것보다 훨씬 더 큰 역할을 한다는 점을 시사합니다.

이 연구는 이 접근 방식이 안약을 모든 아이에게 사용하는 것이 현실적으로 불가능한 학교나 대규모 보건 조사에서 실질적인 해결책을 제공할 수 있음을 시사합니다. 이 컴퓨터 모델을 사용함으로써, 의사들은 수천 명의 아이들을 빠르고 정확하게 스크리닝할 수 있으며, 시간이 많이 걸리는 안약 절차는 정말로 필요한 아이들에게만 예약할 수 있습니다. 연구진은 이 결과가 특정 집단의 어린이들을 대상으로 한 것이며, 확실성을 위해 더 다양한 인구 집단에 대해 모델을 테스트해야 한다고 언급했지만, 이 연구는 아이들의 시력을 관리하는 데 있어 유망한 새로운 길을 제시합니다. 이는 적절한 데이터가 있다면 기술이 전통적인 방식의 지연과 불편함 없이도 아이들의 눈 상태를 진정으로 파악하는 데 도움을 줄 수 있음을 보여주며, 잠재적으로 시력 상실 위험이 있는 수백만 명의 아이들에게 더 빠르고 효과적인 케어를 가능하게 할 것입니다.

기술 요약: 소아 및 청소년의 조절마비 구면 등가(Cycloplegic Spherical Equivalent) 예측

문제 정의
조절마비 굴절 검사는 조절의 영향을 제거하기 때문에 소아의 굴절 이상을 평가하는 골드 스탠다드(gold standard)로 활용된다. 그러나 대규모 학교 검진이나 역학 연구에서 이를 시행하는 데에는 전문 인력, 시간 소모, 그리고 일시적인 부작용(예: 광공포증) 등의 제약이 따른다. 결과적으로, 조절마비 굴절 결과를 정확하고 비침습적인 방법으로 추정하고, 실제로 조절마비가 필요한 아동이 누구인지 결정할 수 있는 방법론에 대한 절실한 필요성이 존재한다. 마이오피아(근시) 예측에 머신러닝(ML)이 적용되어 왔으나, 기존 모델들은 종종 해석 가능성이 부족하고, 단일 작업(회귀 또는 분류 중 하나)에만 집중하며, 조절마비의 '필요성'을 결정하는 구체적인 임상 워크플로우를 포괄적으로 다루지 못했다.

방법론
본 회고적 연구는 Huizhou Aier Eye Hospital와 Jinan University 제1 부속 병원에서 수집된 612명의 아동 및 청소년(4~17세)의 안구 1,224개를 포함하는 다기관 데이터셋을 활용하였다. 데이터셋에는 비조절마비 및 조절마비 자율굴절 검사값, 나안 시력(UCVA), 안압(IOP), 그리고 상세한 안구 생체 계측치(안축장, 수정체 두께, 전방 깊이 등)가 포함되었다.

본 연구는 세 가지 별도의 예측 작업을 설정하였다:

조절마비 필요성 분류: 조절마비가 필요한 아동인지 예측 (절대 구면 등가 변화량이 >0.5 D인 경우로 정의).
근시 상태 분류: 조절마비 근시 상태(SER ≤ -0s.5 D)를 예측.
SER 회귀: 정확한 조절마비 후 구면 등가 값을 예측.

특성 공학(Feature Engineering):
저자들은 다음과 같은 항목을 포함하여 광범위한 특성 공학을 수행하였다:

비조절마비 변수의 절대값.
반대측 안구 특징(대측 안구 측정치).
양안 차이.
파생된 생체 지표(예: AL/CCR 비율).
계산된 SER 및 공식 간격.

모델 개발:
데이터는 층화 추출법을 사용하여 70%의 훈련 세트와 30%의 테스트 세트로 분할되었다. 연구에서는 광범위한 알고리즘을 평가하였다:

조절마비 필요성 예측용: Random Forest, XGBoost, MLP-tanh 분류기, Hist Gradient Boosting, MLP-wide 분류기.
근시 상태 분류용: LightGBM, XGBoost, Extra Trees, Hist Gradient Boosting, Gradient Boosting.
SER 회귀용: 다섯 가지 MLP 변형 모델 (Linear, Deep, Wide, Regularized, Tanh).

성능은 Accuracy, AUC, Precision, Recall, F1-score, RMSE, MAE, $R^2$ 를 사용하여 평가되었다. 모델의 결정을 해석하고 특성 중요도를 정량화하기 위해 SHAP(SHapley Additive exPlanations) 분석이 사용되었다.

주요 결과

조절마비 필요성 예측: XGBoost 모델이 가장 높은 정확도(0.818)와 AUC(0.780)를 달-성하였다. 그러나 재현율(Recall)은 0.464로 보통 수준이었으며, 이는 조절마비가 필요한 진양성(true positive) 사례를 모두 식별하는 데 어려움이 있음을 나타낸다.
근시 상태 분류: LightGBM 모델이 정확도 0.908, AUC 0.934의 우수한 성능을 보였다. 특히, 이 모델은 0.974의 재현율을 기록했다. 고신뢰도 하위 집단 분석(신뢰도 ≥ 0.92)에서 모델은 0.968의 정확도로 81.3%의 사례를 커버하였다.
SER 회귀: MLP-linear 회귀 모델이 더 깊은 신경망 변형 모델들을 능가하며 가장 낮은 RMSE(0.630 D), MAE(0.424 D) 및 $R^2$ (0.881)를 달성하였다. 중앙값 절대 오차(MedAE)는 0.311 D였으며, 저자들은 이것이 굴절 처방의 임상적으로 허용 가능한 범위 내에 있다고 언급하였다.
해석 가능성 (SHAP):
- 조절마비 필요성: 주로 **안축장(axial length)**과 동공 직경에 의해 결정됨.
- 근시 상태: 비조절마비 SER이 주도하며, 그 뒤를 AL/CCR 비율이 이었다.
- SER 회귀: **수정체 두께(lens thickness)**가 비조절마비 SER을 능가하는 가장 영향력 있는 예측 변수로 나타났다.

주요 기여

포괄적 프레임워크: 본 연구는 세 가지 임상적으로 구별되는 작업(조절마비 필요성, 근시 분류, SER 회귀)을 개별적으로 다루지 않고 동시에 다루는 통합된 ML 프레임워크를 제공한다.
특성 중요도 발견: SHAP 분석을 통해, 본 연구는 수정체 두께를 안축장과 각막 곡률에만 집중하는 기존의 관행을 탈피하여 SER 회귀의 핵심적이고 흔히 간과되는 예측 인자로 강조하였다.
임상 워크플로우 최적화: 조절마비 필요성을 정확하게 예측함으로써, 본 모델들은 조절마비제가 가장 효과적일 것으로 예상되는 아동에게만 약물을 사용하는 전략을 통해 임상 워크플로우를 최적화할 수 있는 잠재력을 제공한다.
모델 구조적 통찰: 결과는 SER 회귀를 위해 더 단순한 MLP-linear 구조가 더 깊은 신경망보다 더 나은 성능을 보일 수 있음을 시사하며, 이는 적당한 샘дя 크기로 인한 과적합 위험 감소와 데이터 내 선형 관계의 지배적 특성 때문인 것으로 보인다.

의의 및 주장
저자들은 비조절마비 파라미터를 활용한 머신러닝 모델이 조절마비 굴절 결과를 정확하게 예측하고 조절마비가 필요한 아동을 식별할 수 있다고 주장한다. 이들은 이러한 접근 방식이 조절마비 검사가 실질적으로 어려운 소아 굴절 검사 및 역학 연구를 위한 확장 가능하고 자원 효율적인 솔루션을 제공한다고 상정한다. 본 연구는 이러한 모델들이 인구 집단 수준의 굴절 분포 특성을 개선하여 글로벌 안보 전략을 지원할 수 있음을 강조한다.

한계점
저자들은 다음과 같은 몇 가지 한계점을 인정하였다:

표본 크기: 상대적으로 작은 코호트는 극단적인 굴절 이상에 대한 일반화 및 예측 정확도를 제한할 수 있다.
누락된 요인: 환경적 및 행동적 위험 요인(예: 야외 활동 시간, 근거리 작업, 부모의 근시 여부)이 포함되지 않았다.
검증: 독립적인 테스트 세트를 사용하였으나, 다른 인구 집단에 대한 외부 검증이 필요하다.
연구 설계: 횡단적 연구로서, 모델은 단일 시점을 예측한다. 진행 상황을 모니터링하기 위한 종단적 성능은 아직 검증되지 않았다.
데이터 품질: 과적합 가능성과 실제 환경에서의 데이터 품질 문제에 대해 주의가 필요하다.

기술 요약: 소아 및 청소년의 조절마비 구면 등가(Cycloplegic Spherical Equivalent) 예측

유사한 논문