망막 질환 및 전신 질환 검출을 위한 전통적 딥러닝 모델과 망막 특화 기초 모델의 성능 및 라벨 효율성: 후향적 비교 연구
Yew et al.
- 망막 사진이 충분할 때는 네 모델 모두 비슷한 정확도를 보였지만, 사진이 적을 때는 RETFound가 유리했어요.
- 다만 사진이 100~400장으로 줄어들자 상황이 달라졌어요. 특히 당뇨병망막병증이나 녹내장 진단에서 ResNet50은 RETFound보다
- 이번 연구는 그 질문에 정면으로 답하려 했어요.
본 연구는 망막 사진에서 고혈압을 검출하는 AI 모델의 성능을 보고했으며, 2025 AHA/ACC 지침의 초기 평가 및 위험 계층화 강화 방향과 부합하는 스크리닝 도구 개발을 시사합니다.
앞으로 필요한 연구 망막 기초 모델을 통한 고혈압 검출이 실제 진료 현장에서 PREVENT 위험 계산식 기반 약물 개시 결정을 개선하는지를 검증하는 전향적 무작위 대조 시험이 필요합니다.
일차적 의견
• 자가감독 학습 기반 망막 특화 모델 RETFound를 ResNet50, ViT-Base, SwinV2와 비교하여 안과 및 전신 질환 검출 성능을 다양한 훈련 데이터셋 크기(100-100%)에서 평가.
• 전체 데이터셋에서는 전통 모델과 RETFound가 안과 질환에서 유사한 AUC (0.914-0.978) 달성; 당뇨망막병증(≤100 이미지) 및 녹내장(≤400 이미지)에서 RETFound가 ResNet50보다 우수(p≤0.0001), SwinV2는 유사.
• 소규모 데이터셋(≤400 이미지)에서 전신 질환 검출 시 RETFound가 일관되게 우수; 예: 고혈압 AUC 0.705 vs 0.634 (ResNet50, 100 이미지, p<0.0001), 다만 외부 검증에서는 중간 수준의 성능(AUC 0.599-0.622).
RETFound 같은 기초 모델은 제한된 라벨 데이터로 전신 질환 검출 시 전통 딥러닝 모델보다 유의한 이점을 제공하는 반면, 충분한 훈련 데이터가 있을 때 안과 질환 검출에서는 비슷한 성능을 보여, 데이터 가용성과 임상 응용에 따른 선택적 도입을 지지한다.
쉽게 풀어 쓴 해설
- 사진이 적을 때 RETFound라는 AI가 당뇨망막병증과 녹내장을 더 잘 찾았어요.
- 사진이 많으면 기존 AI와 비슷한 성능을 보였지만, 다른 병원 데이터로 검증하니 정확도가 떨어졌어요.
- 망막 사진으로 눈 질환과 고혈압을 찾는 AI 네 가지를 비교했어요.
- 학습에 쓴 사진을 100장부터 전체까지 늘려 가며, 각 AI의 성능 변화를 추적했네요.
- 당뇨망막병증이나 녹내장으로 망막 촬영을 받는 분들과 그 가족이 참고할 만해요.
- 임상 현장에서 바로 쓰려면 더 많은 검증이 필요해요.
- 연구실 데이터에서 좋은 성적과 실제 병원 데이터 사이의 격차 원인이 명확하지 않아요.
- 진료 때 "우리 병원에서 쓰는 망막 촬영 AI가 다른 곳 환자에게도 똑같이 잘 작동하나요" 물어볼 만해요.