안저 이미지로부터 자동화된 녹내장 검사를 위한 일반화 가능한 딥러닝 회귀 모델

Jun 07, 2023

npj Digital Medicine 6권, 기사 번호: 112(2023) 이 기사 인용

2068 액세스

5 알트메트릭

측정항목 세부정보

최근 안저 영상에서 녹내장을 검출하기 위한 수많은 분류 모델이 제안되었습니다. 종종 단일 녹내장 진료소의 데이터로 훈련을 받은 이들은 내부 테스트 세트에서 인상적인 성능을 보고하지만 외부 세트로 일반화하는 데 어려움을 겪는 경향이 있습니다. 이러한 성능 저하는 녹내장 유병률, 안저 카메라 및 녹내장 실측 정의의 데이터 이동으로 인해 발생할 수 있습니다. 이 연구에서 우리는 이전에 설명한 녹내장 의뢰에 대한 회귀 네트워크(G-RISK)가 다양한 까다로운 설정에서 탁월한 결과를 얻음을 확인합니다. 라벨이 붙은 안저 영상의 13가지 서로 다른 데이터 소스가 활용되었습니다. 데이터 소스에는 2개의 대규모 인구 집단(호주 블루 마운틴 눈 연구, BMES 및 독일 구텐베르크 건강 연구, GHS)과 11개의 공개적으로 사용 가능한 데이터 세트(AIROGS, ORIGA, REFUGE1, LAG, ODIR, REFUGE2, GAMMA, RIM-ONEr3, RIM- 하나의 DL, ACRIMA, PAPILA). 입력 데이터의 데이터 이동을 최소화하기 위해 원본 데이터에서 30° 디스크 중심 이미지를 얻기 위한 표준화된 이미지 처리 전략이 개발되었습니다. 모델 테스트에는 총 149,455개의 이미지가 포함되었습니다. BMES 및 GHS 모집단 코호트에 대한 수신자 작동 특성 곡선(AUC) 아래 영역은 참가자 수준에서 각각 0.976[95% CI: 0.967–0.986] 및 0.984[95% CI: 0.980–0.991]이었습니다. 95%의 고정 특이도에서 민감도는 각각 87.3%와 90.3%로 Prevent Blindness America에서 권장하는 최소 기준인 85% 민감도를 초과했습니다. 공개적으로 사용 가능한 11개 데이터 세트의 AUC 값 범위는 0.854~0.988입니다. 이러한 결과는 단일 3차 의뢰 센터의 동종 데이터로 훈련된 녹내장 위험 회귀 모델의 탁월한 일반화 가능성을 확인합니다. 전향적 코호트 연구를 사용한 추가 검증이 필요합니다.

녹내장은 회복 불가능한 시력 손상의 주요 원인이며, 전 세계 인구의 노령화로 인해 더욱 증가할 것입니다1. 이러한 증가는 선진국과 개발도상국에서 발견되지 않은 사례의 50%가 넘는 현재의 높은 비율에 추가될 뿐입니다2,3,4,5.

현재 원발 개방각 녹내장(POAG) 검사 방법은 40~80세 인구에서 질병 유병률이 3.5%인 다수의 위양성(false positives)을 생성하기 때문에 인구 기반 환경에서는 비용 효율적이지 않습니다6,7,8 . 이는 현재 용량 이상으로 운영되고 있는 의료 시스템에 과도한 부담을 줄 수 있습니다. 진단은 현재 안구 건강 전문가가 환자를 볼 때마다 기회에 따라 수행됩니다. 이 시나리오는 현재 진단되지 않은 환자의 비율을 개선하는 동시에 실명 위험이 더 높은 환자를 식별할 수 없습니다. 안압(IOP) 측정 형태의 스크리닝 솔루션은 POAG의 높은 비율을 나타낼 수 있는 정상 장력의 녹내장 사례를 놓치게 됩니다7,9,10. 한편, 시야 테스트는 시간이 오래 걸리고 매우 다양한 결과를 생성합니다11. 디지털 안저 이미지의 인공 지능(AI) 분석을 기반으로 한 녹내장 의뢰는 이 방식의 광범위한 가용성, 낮은 관련 비용 및 비침습적 특성을 고려할 때 잠재적인 솔루션으로 제안되었습니다. 또한, CNN(컨볼루션 신경망)은 망막 신경 섬유층 두께(RNFL)13의 정량적 추정이나 시신경 유두 제거 시 녹내장 감지 등 대부분의 인간 전문가의 능력을 초과하는 안저 영상에서 녹내장 정보를 추출할 수 있습니다. 이미지14.

AI 기반 녹내장 검출은 내부 검증에서 높은 성능을 보이는 것으로 보고되었으나, 외부 테스트 조건, 보다 구체적으로 실제 환경에서는 성능이 저하되었습니다15,16,17. 단일 의료 센터의 라벨이 붙은 안저 이미지로 훈련된 효과적인 AI 모델은 OoD(Out-of-Distribution) 데이터를 특징으로 하는 새로운 설정에 배포될 때 분포 변화에 강력해야 합니다18. 이 요구 사항은 훈련 및 테스트 데이터가 동일한 분포에서 나온다는 기계 학습의 고전적인 가정을 초월합니다19. 이러한 데이터 변화는 특정 안저 카메라로 촬영한 이미지에 대해 모델을 훈련하고 두 번째 장치의 이미지에 대해 테스트할 때 발생할 수 있습니다. 안저 이미지의 중심 간 이질성은 다양한 시야(FOV), 색상 분포, 조명 및 관심 영역(디스크 중심 또는 황반 중심)으로 인해 발생할 수 있습니다. 인종, 근시 유병률, 녹내장 유병률 등 인구의 차이는 성능 저하로 이어지는 데이터 이동의 또 다른 일반적인 원인입니다. 또한 녹내장에 대한 다양한 정의가 존재하여 OoD 데이터와 관련된 문제를 더욱 악화시킵니다. 도메인 적응과 같은 데이터 이동에 대응하는 솔루션은 망막 이미지 분석의 맥락에서 설명되어 일반화 가능성이 향상되었습니다. 그러나 이러한 접근 방식은 모델 개발 중에 대상 세트에서 레이블이 지정된 이미지의 가용성에 의존하는 경우가 많습니다. 이러한 모델은 새로운 소스의 예상 데이터에 대해 작동해야 하기 때문에 일반적으로 실제 응용 프로그램에서는 발생하지 않습니다.