다중작업 AI 기반 OCTA 망막질환 자동 분류

초록

본 연구는 정량적 OCTA 영상을 이용해 혈관 토루성, 혈관 직경, 혈관 둘레 지수, 혈관 밀도, 무혈관 구역 면적 및 형태 불규칙성 등 6가지 특징을 자동 추출하고, 단계적 후진 제거법으로 최적 특징 조합을 선정한 뒤, 지도학습 기반 다중작업 기계학습 모델을 구축하였다. 모델은 정상·질환 구분, 질환 간 구분, 그리고 각 질환의 중증도 단계 구분이라는 세 가지 과업을 동시에 수행한다. 검증에는 당뇨병성 망막증(DR)과 겸상 적혈구성 망막증(SCR)을 사용했으며, 높은 정확도와 재현율을 보였다. 향후 다양한 안질환에 적용 가능해 원격 의료와 대규모 스크리닝에 활용될 전망이다.

상세 분석

이 논문은 OCTA(Optical Coherence Tomography Angiography) 영상에서 정량적 혈관학적 지표를 자동으로 추출하고, 이를 기반으로 다중작업(multi‑task) 분류기를 설계한다는 점에서 기술적 혁신성을 가진다. 먼저, 혈관 토루성(BVT), 혈관 직경(BVC), 혈관 둘레 지수(VPI), 혈관 밀도(BVD), 무혈관 구역 면적(FAZ‑A), 무혈관 구역 형태 불규칙성(FAZ‑CI)이라는 6가지 특징을 전처리 단계에서 전자동 파이프라인으로 구현하였다. 이 과정에서 이미지 노이즈 감소, 혈관 분할, 그리고 형태학적 측정이 일관된 알고리즘으로 수행돼 인간 전문가의 주관적 판단을 최소화한다.

특징 선택에는 단계적 후진 제거(stepwise backward elimination) 방식을 적용했는데, 이는 과잉 적합을 방지하고 모델의 일반화 능력을 향상시키는 데 효과적이다. 각 단계에서 통계적 유의성을 검정하고, 최종적으로 남은 특징 집합은 다중작업 분류에 가장 기여하는 변수들로 구성된다. 특히, FAZ‑A와 FAZ‑CI는 미세 혈관 손상의 초기 징후를 포착하는 데 중요한 역할을 하며, BVT와 BVC는 진행된 혈관 변형을 반영한다는 점이 흥미롭다.

분류 모델 자체는 지도학습 기반의 다중 클래스 및 다중 레벨 구조를 갖는다. 첫 번째 레벨에서는 정상(N)과 질환(D)이라는 이진 분류를 수행하고, 두 번째 레벨에서는 DR과 SCR이라는 두 질환을 구분한다. 세 번째 레벨에서는 각 질환을 3~4단계의 중증도로 세분화한다. 이러한 계층적 설계는 각 단계에서 요구되는 특징 중요도가 달라질 수 있음을 감안한 것으로, 전이 학습(transfer learning)이나 멀티태스크 학습의 장점을 활용한다.

학습 및 검증에는 교차 검증(k‑fold)과 독립 테스트 세트를 병행했으며, 주요 성능 지표로 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1‑Score를 보고한다. 결과적으로 전체 파이프라인은 92% 이상의 정확도를 기록했고, 특히 중증도 단계 구분에서 85% 이상의 F1‑Score를 달성했다. 이는 OCTA 기반 정량적 특징이 질환 구분뿐 아니라 진행 단계 평가에도 충분히 민감함을 시사한다.

한계점으로는 현재 두 가지 질환에만 검증을 수행했으며, 데이터셋 규모가 제한적이라는 점을 들 수 있다. 또한, OCTA 장비와 프로토콜이 다를 경우 특징 추출 과정에서 변동성이 발생할 가능성이 있다. 향후 연구에서는 다양한 안과 질환(예: 황반변성, 녹내장)과 다중 센터 데이터를 포함해 모델의 외부 타당성을 검증하고, 실시간 임상 적용을 위한 경량화 모델 개발이 필요하다.

전반적으로 이 연구는 정량적 OCTA 특징을 자동 추출하고, 단계적 특징 선택과 다중작업 지도학습을 결합함으로써 안과 스크리닝 시스템의 효율성과 정확성을 크게 향상시킬 수 있음을 보여준다. 특히 원격 의료 환경에서 숙련된 안과 전문의가 부족한 지역에 적용될 경우, 조기 진단 및 치료 개입을 가능하게 하여 공중보건적 가치를 높일 것으로 기대된다.