망막 질환 스펙트럼을 밝히는 변분 오토인코더

서론에서 저자는 현재 안과 임상의가 질환을 ‘경계가 명확한’ 카테고리로 분류하는데 한계가 있다고 지적한다. 특히 연령관련 황반변성(ARMD), 중심성 장액성 망막증(CSCR), 다낭성 맥락막혈관병증(PCV) 등은 임상 양상과 치료 반응이 연속적인 스펙트럼을 이룬다. 이를 정량화하기 위해 환자 프로파일 벡터(pVec)를 설계했으며, 구성 요소는 인종(아시아, 흑인, 백인, 히스패닉, 기타), 연령, 폴립 유무, 드루젠 유무, 망막하 출혈(SRH) 유무, 성별이다. 데이터 생성 단계에서는 문헌에 보고된 평균·분산을 기반으로 각 변수의 확률분포를 추정하고, 이를 통해 3,000개의 합성 pVec를 샘플링하였다. 예를 들어, CSCR은 평균 연령 39세·분산 60, PCV는 평균 60세·분산 40, 외분비성 ARMD는 평균 80세·분산 80을 사용했다. 인종 분포는 각 질환마다 차별적인 비율을 적용했으며, 폴립·드루젠·SRH는 각각의 질환에 대한 보고된 발생률에 맞춰 베르누이 확률을 부여했다. 모델 구현은 Keras 기반의 변분 오토인코더(VAE)로, 인코더는 6‑512‑latent 구조, 디코더는 latent‑512‑6 구조를 갖는다. 활성화 함수는 은닉층에 ReLU, 출력층에 디코더는 sigmoid, 인코더는 선형을 사용했다. 손실 함수는 ELBO(변분 하한)로, KL 발산과 재구성 로그우도 항을 포함한다. 학습은 NVIDIA Tesla V100 GPU에서 1,000 epoch 동안 진행했으며, 재파라미터화 트릭을 통해 잠재 변수 샘플링을 수행했다. 잠재 차원 실험에서는 2, 3, 4 차원을 각각 테스트했으며, 3차원 모델이 재구성 손실과 KL 발산 모두에서 가장 낮은 값을 기록했다. 따라서 3차원 잠재 공간을 최종 모델로 채택했다. 학습이 완료된 인코더를 이용해 모든 3,000개의 pVec를 잠재 벡터(z)로 변환한 뒤, 3차원 공간에 시각화하였다. 흥미롭게도 데이터는 14개의 뚜렷한 클러스터로 자연스럽게 구분되었으며, 이는 사전 라벨링 없이도 발생한 현상이다. 클러스터 분석을 위해 K‑means(클러스터 수=14)를 적용했으며, 각 클러스터의 인구통계·임상 특성을 표 1에 정리했다. 예를 들어, 클러스터 1은 전형적인 아시아계 남성(연령 26‑86세)으로 폴립·드루젠·SRH가 거의 없으며, 주로 외분비성 ARMD와 연관된다. 클러스터 5는 다낭성 PCV 환자에서 폴립·드루젠·SRH가 높은 비율을 보이며, 클러스터 9는 CSCR 환자 중 남성 비율이 높고 연령이 비교적 낮다. 이러한 특성은 기존 질환 분류와 부분적으로 일치하지만, 기존 분류 체계로는 포착하기 어려운 세부 아형을 드러낸다. 논의에서는 저자가 제안한 잠재 코드가 질환 아형을 식별하고, anti‑VEGF와 같은 치료제에 대한 반응을 예측하는 데 활용될 가능성을 강조한다. 그러나 연구의 제한점으로는 (1) 합성 데이터에 의존했으며 실제 임상 데이터에서의 일반화가 검증되지 않음, (2) pVec에 포함된 변수가 제한적이며 안구 영상·유전 정보가 배제됨, (3) 클러스터 수가 사전 설정에 의존하고, 클러스터의 임상적 의미를 검증할 외부 코호트가 부족함을 들었다. 결론적으로, retina‑VAE는 변분 오토인코더를 이용해 망막 질환 스펙트럼을 연속적인 잠재 공간으로 변환하고, 자발적 클러스터링을 통해 새로운 아형을 탐색하는 방법론을 제시한다. 향후 실제 환자 데이터와 치료 결과를 통합하여 모델을 재학습하고, 잠재 변수와 치료 반응 간의 상관관계를 규명한다면 개인 맞춤형 안과 치료 전략 개발에 크게 기여할 수 있을 것으로 기대한다.