안과 영상 기반의 전신 질환 예측 모델 개발과 임상적 활용

주장눈은 인체에서 혈관과 중추 신경계를 비침습적으로 직접 관찰할 수 있는 유일한 기관입니다. 이러한 신체적 특성으로 인해 안과적 구조는 심혈관 및 신경 퇴행성 질환의 잠재적 지표로 평가받습니다.

주장기존의 안과 검진은 이미 발현된 질병을 확인하는 수준에 머물러 있었습니다. 이번 연구는 딥러닝을 통해 인간의 눈으로 식별하기 어려운 복잡한 구조적 특징을 추출하여 질병 예측의 범위를 확장합니다.

팩트연구진은 영국 바이오뱅크 데이터를 활용해 망막 적대적 오토인코더인 레트-에이에이이(Ret-AAE)를 개발했습니다. 이 모델은 광간섭 단층 촬영(OCT)과 안저 사진(CFP)을 256차원의 벡터 임베딩으로 압축해 분석합니다.

팩트레트-에이에이이 임베딩은 허혈성 심장 질환과 뇌혈관 질환을 비롯해 파킨슨병 및 치매와 유의미한 연관성을 보입니다. 이는 망막의 특징이 전신 건강 상태를 반영하는 복합적인 지표임을 입증합니다.

팩트연구진은 안저 사진 모델 학습에 총 6만3946장의 이미지를 사용했습니다. 광간섭 단층 촬영 모델 학습에는 8만8972장의 이미지를 투입했습니다.

팩트안저 사진 재구성의 구조적 유사성 지수(SSIM)는 0.89를 기록하며 높은 정확도를 나타냈습니다. 이는 모델이 망막의 주요 특징을 정밀하게 추출하고 있음을 의미합니다.

팩트연구에 참여한 광간섭 단층 촬영 영상 보유자의 중앙 연령은 58세이며, 안저 사진 보유자는 55세입니다. 영상 데이터가 없는 대조군의 중앙 연령은 59세로 확인되었습니다.

교차검증광간섭 단층 촬영 영상은 특유의 노이즈로 인해 재구성 과정에서 이미지가 부드럽게 처리되는 경향이 있습니다. 이로 인해 안저 사진과 비교해 구조적 유사성 지수가 0.72로 다소 낮게 측정되는 한계가 존재합니다.

교차검증현재의 딥러닝 모델은 임상 현장에서의 비용 효율성과 다양한 인구 집단에 대한 타당성 검증이라는 과제를 안고 있습니다. 기술 구현을 위한 물류 및 인프라 구축 문제 또한 해결해야 할 요소입니다.

팩트연구진은 생리학적, 방사선학적, 대사체학적 및 유전체학적 정보를 통합한 다중 오믹스 분석 파이프라인을 구축했습니다. 이를 통해 안과적 영상 특징과 신경 및 심혈관 기능, 지질 대사 사이의 생물학적 연결 고리를 규명했습니다.

주장이번 연구는 안과 영상이 전신 질환의 조기 발견을 위한 핵심적인 도구가 될 수 있음을 시사합니다. 향후 정밀 의료 분야에서 안과 검진의 중요성이 더욱 커질 것으로 전망합니다.

출처네이처 카드오바스큘러 리서치(Nature Cardiovascular Research) 학술지 및 관련 연구 자료를 교차 검증했습니다.