안저사진에서 심층학습으로 예측한 망막신경섬유층 두께를 이용한 녹내장 진단 우도비
Nilforoushan et al.
- 안저사진만으로 딥러닝 예측 RNFL 두께가 AUC 0.986으로 SD-OCT 수준의 녹내장 감별력을 보여 OCT 없이도 스크리닝 가능성을 제시했습니다.
- 232명 녹내장·127명 대조군의 단면설계로 임상 검증 부재하며, M2M 모델이 다양한 기관의 안저사진에서도 같은 성능을 내는지 외적 타당성이 전혀 미확인된 상태입니다.
- 현재로선 고가 OCT 검사 불가능한 저소득층 선별용 보조도구로 제한적이며, 기존 임상진료에 바로 적용하기엔 독립적 다기관 검증 데이터가 필수입니다.
본 연구는 안저사진에서 RNFL 두께를 예측하는 머신러닝 모형의 진단 성능을 평가한 것으로, TRIPOD+AI는 예측모형 개발·평가 연구의 보고 기준을, STARD-AI는 AI 진단 정확도 연구의 보고 기준을 제시하며 두 지침 모두 해당 연구에 적용 가능합니다.
근거 TRIPOD+AI 예측모형 보고 지침(2024) · 2025 STARD-AI 진단 정확도 연구 보고 지침
앞으로 필요한 연구 실제 임상 진료 환경에서 연속형 우도비 기반의 개별화된 확률적 녹내장 판정이 의사의 임상 결정과 환자 결과에 미치는 영향을 평가하는 전향적 다기관 임상시험이 필요합니다.
일차적 의견
• 녹내장 환자 232명과 정상인 127명을 포함한 횡단면 연구로 안저사진에서 심층학습을 이용해 RNFL 두께를 예측.
• M2M 예측 RNFL 두께는 녹내장군에서 71.3 ± 10.6 μm, 정상군에서 95.5 ± 7.2 μm (P < 0.001)이며, AUC 0.986 (95% CI 0.963–0.998)으로 SD-OCT (AUC 0.986, P = 0.987)와 동등한 성능 보임.
• 제한점: 이분형 연구 설계; 임상 현장에서 연속형 우도비 틀의 실용성 검증 필요.
심층학습은 사진에서 OCT와 동등한 진단 정확도로 연속형 RNFL 예측을 생성하여, 이분형 분류를 넘어 진단 정보를 보존하는 우도비 기반 개인맞춤형 녹내장 확률 진단을 가능하게 한다.
쉽게 풀어 쓴 해설
- 인공지능이 안저사진에서 신경섬유층 두께를 측정했을 때 녹내장 진단 정확도가 매우 높았어요.
- 이 방법의 성능이 현재 표준검사인 광학단층촬영(OCT)과 거의 같은 수준이었어요.
- 녹내장 환자 232명과 정상인 127명의 안저사진으로 신경섬유층 두께를 예측했어요.
- 예측한 두께는 녹내장군에서 약 71마이크로미터, 정상군에서 약 96마이크로미터로 뚜렷한 차이가 났네요.
- 앞으로 녹내장 검진이 필요한 사람들이 간단한 사진검사로 스크리닝을 받을 수 있을 가능성이 있어요.
- 이 연구는 아직 실제 진료 환경에서 시험하지 않았어요.
- 다양한 환자군에서 실제로 진료할 때 이 방법이 제대로 작동하는지 아직 모르고 있어요.
- 담당 안과의에게 "이런 인공지능 기술이 우리 병원에서 언제쯤 도입될 수 있을까요"라고 물어볼 만해요.