Visual Foundation Models with Adapter Learning for Parkinson’s Disease Recognition based on OCT Images

파킨슨병은 신체의 움직임 능력을 서서히 침식시키는 진행성 질환으로, 전 세계 수백만 명의 사람들에게 영향을 미치고 있습니다. 수십 년 동안 의사들은 이를 진단하기 위해 신체적 증상을 관찰하는 데 의존해 왔으나, 그러한 징후가 나타날 때쯤에는 이미 뇌에 상당한 손상이 발생한 경우가 많았습니다. 최근 몇 년 사이, 과학자들은 이 질병이 뇌뿐만 아니라 눈 뒷부분의 빛을 감지하는 층인 망막에도 미세한 흔적을 남긴다는 사실을 발견했습니다. 눈의 상세한 단면을 생성하는 광간섭 단층 촬영(OCT)이라는 특수 영상 기술을 사용하여, 연구자들은 이제 이러한 미세한 변화를 볼 수 있습니다. 문제는 이미지가 복잡하며, 건강한 눈과 파킨슨병의 초기 징후를 보이는 눈 사이의 차이를 식별하도록 컴퓨터를 학습시키는 데 방대한 양의 데이터와 엄청난 컴퓨팅 능력이 필요하다는 점이었는데, 이는 의료 현장에서 종종 부족한 자원입니다.

중국 원저우 의과대학교의 연구팀은 이 문제를 해결하기 위해 자동 진단을 더 접근하기 쉽고 효율적으로 만드는 것을 목표로 하는 새로운 접근 방식을 개발했습니다. 거대한 데이터셋과 값비싼 하드웨어를 요구하는 거대한 컴퓨터 모델을 처음부터 구축하는 대신, 그들은 일반적인 이미지 인식을 위해 설계된 강력하고 기존에 존재하는 인공지능 시스템을 활용했습니다. 시각적 파운데이션 모델(visual foundation model)로 알려진 이 시스템은 이미 이미지의 기본적인 구성 요소를 이해하고 있습니다. 연구진의 혁신은 이 범용 시스템을 파킨슨병을 식별하는 특정 작업에 연결하는 방식에 있습니다. 그들은 전체 시스템이 모든 것을 다시 학습하도록 강요하지 않았습니다. 대신, 모델 안에 세 개의 작고 가벼운 구성 요소인 '어댑터(adapters)'를 삽착했습니다. 이 어댑터들은 특수 렌즈처럼 작동하여, 모델의 핵심 지식을 다시 쓸 필요 없이 파킨슨병과 관련된 미세한 병변이나 조직 층의 미묘한 변화와 같은 특정 세부 사항에 시스템이 집중할 수 있도록 해줍니다.

연구팀은 병원에서 환자들로부터 수집한 1,440장의 안구 이미지를 대상으로 이 방법을 테스트했습니다. 데이터셋에는 건강한 개인 40명과 파킨슨병 진단을 받은 환자 40명의 스캔 영상이 포함되었으며, 각 개인은 18장의 이미지를 제공했습니다. 결과의 신뢰성을 확보하기 위해, 그들은 데이터를 그룹으로 나누어 대부분의 이미지로 시스템을 학습시키고 나머지 이미지로 테스트하는 과정을 다섯 번 반복하여 성능을 명확히 파악했습니다. 결과에 따르면, 그들의 적응형 시스템은 약 77.66%의 정확도로 파킨슨병을 식별할 수 있었습니다. 이 성능은 현재 유사한 작업에 사용되는 다른 고급 컴퓨터 모델들과 경쟁할 만한 수준이었으며, 어떤 경우에는 그보다 더 뛰어났습니다. 결정적으로, 이 새로운 방법은 모델의 전체 파라미터 중 아주 작은 부분만을 조정하면서도 이러한 결과를 달야냈으며, 이는 시스템의 모든 부분을 업데이트해야 하는 전통적인 방식보다 컴퓨터 자원을 훨씬 적게 소모합니다.

연구진은 또한 자신들의 방법을 기존의 다양한 딥러닝 네트워크, 즉 오래되고 잘 알려진 설계부터 더 새롭고 복잡한 구조에 이르기까지 비교했습니다. 그들의 시스템은 이러한 기성 모델들을 능가했으며, 이는 강력한 파운데이션 모델에 정교하게 튜닝된 가벼운 추가 요소가 기초부터 새로운 네트워크를 훈련시키는 것보다 더 효과적일 수 있음을 입증했습니다. 사전 학습된 모델의 주요 부분을 고정하고 작은 어댑터만을 훈련시킴으로써, 연구팀은 방대한 양의 학습 데이터 없이도 일반적인 시각적 지식을 매우 구체적인 의료 응용 분야로 전이할 수 있다는 것을 증명했습니다. 이는 파킨슨병과 같이 수천 장의 라벨링 된 이미지를 수집하는 것이 어렵고 비용이 많이 드는 질환에서 특히 중요합니다.

시스템이 어떻게 결정을 내리는지 이해하기 위해, 연구진은 컴퓨터가 안구 스캔의 어느 부분에 집중하고 있는지를 강조하는 시각화 기법을 사용했습니다. 시각화된 이미지는 그들의 모델이 질병과 관련된 특정 미세 병변과 구조적 변화에 주의를 기울인 반면, 다른 모델들은 때때로 덜 관련 있는 영역에 집중했음을 보여주었습니다. 이는 세 개의 어댑터가 시스템이 올바른 특징을 학습하도록 성공적으로 유도했음을 시사합니다. 연구는 이 접근 방식이 높은 정확도와 계산 효율성의 균형을 맞추며 자동 질병 탐지를 위한 유망한 경로를 제공한다고 결론지었습니다. 이 연구는 중요한 진전이지만, 연구진은 이 방법이 다른 인구 집단과 영상 조건에서도 일관되게 작동하는지 확인하기 위해 향후 다른 의료 센터의 데이터를 통한 테스트가 필요하다고 언급했습니다.