당뇨성 망막증 및 황반부종 등급을 위한 딥러닝 안저 이미지 분석

초록

본 연구는 제한된 학습 데이터(<전체의 ¼)와 고해상도 안저 사진을 활용해 당뇨성 망막증(DR) 및 황반부종(DME)의 5단계·4단계 임상 등급을 자동으로 판별하는 딥러닝 모델을 제안한다. 제안 시스템은 기존 연구와 동등하거나 더 높은 정확도를 보이며, 특히 세밀한 등급 구분에서 우수한 성능을 입증한다. 이는 비용 효율적인 대규모 스크리닝 및 임상 진단 보조에 활용될 가능성을 시사한다.

상세 분석

본 논문은 안저 영상에서 당뇨성 망막증(DR)과 황반부종(DME)을 자동으로 분류하기 위한 딥러닝 파이프라인을 상세히 기술한다. 가장 큰 특징은 전체 데이터셋의 25% 미만만을 학습에 사용했음에도 불구하고, 기존 연구보다 높은 해상도(보통 1024×1024 이상)를 적용해 이미지 세부 정보를 충분히 보존했다는 점이다. 모델 아키텍처는 최신의 EfficientNet‑B4를 기반으로 하며, 전이 학습(pre‑training)된 가중치를 초기화한 뒤, 다중 레이블 손실 함수(Weighted Cross‑Entropy + Focal Loss)를 사용해 DR과 DME를 동시에 학습한다. 데이터 전처리 단계에서는 색상 정규화, 가우시안 블러 제거, 그리고 이미지 중심을 기준으로 한 랜덤 크롭 및 회전 등을 적용해 데이터 다양성을 확보하였다.

학습 과정에서는 배치 크기 32, 초기 학습률 1e‑4를 시작으로 Cosine Annealing 스케줄러를 적용해 학습률을 점진적으로 감소시켰으며, Early Stopping을 통해 과적합을 방지하였다. 평가 지표는 AUC, Sensitivity, Specificity, 그리고 Quadratic Weighted Kappa(QWK)를 사용했으며, 특히 QWK는 등급 간 거리 정보를 반영해 임상적 의미가 큰 평가에 적합하였다.

실험 결과는 다섯 가지 DR 등급(04)과 네 가지 DME 등급(03) 모두에서 AUC가 0.96 이상, QWK가 0.88~0.92에 달했다. 특히 5단계 DR 분류에서는 기존 최고 성능(0.94 AUC)보다 2%p 이상 향상되었으며, DME 4단계 분류에서도 기존 연구 대비 1.5%p 이상의 개선을 보였다. 이러한 성능 향상의 원인으로는 (1) 고해상도 이미지가 미세 혈관 변화를 더 정확히 포착, (2) EfficientNet‑B4의 뛰어난 파라미터 효율성, (3) 다중 손실 함수가 불균형 클래스에 대한 민감도를 높인 점을 들 수 있다.

또한, 모델의 설명 가능성을 위해 Grad‑CAM 시각화를 수행했으며, 주요 병변 부위(미세출혈, 하드 엑스루전, 망막 부종 등)가 정확히 강조되는 것을 확인했다. 이는 임상의가 모델 결과를 신뢰하고, 필요 시 보조 판단 자료로 활용할 수 있음을 의미한다.

한계점으로는 데이터셋이 특정 인구 집단(주로 유럽·미국) 중심이었으며, 다른 인종·연령대에 대한 일반화 검증이 부족하다는 점이다. 또한, 고해상도 이미지 처리에 따른 계산 비용이 증가해 실시간 임상 적용 시 하드웨어 요구사항이 높아질 수 있다. 향후 연구에서는 경량화 모델(Lightweight CNN)과 멀티모달 데이터(환자 메타데이터, OCT 등) 결합을 통해 성능과 효율성을 동시에 개선할 여지가 있다.