황반변성은 노화로 인해 중심 시력을 담당하는 망막 내 황반 부위에 침착물이 쌓이고 위축, 부종, 출혈, 신생혈관 등이 발생해 시력을 떨어뜨리는 것이다. 황반변성은 건성(비삼출성)과 습성(삼출성)으로 나눌 수 있는데, 건성보다 습성이 더 심각하고 실명 유발도 더 쉽다. 습성 황반변성은 진행속도가 매우 빨라 수 주안에 시력이 급속도로 나빠지는 경우가 많다.
김형찬 교수팀은 습성 나이 관련 황반변성 환자의 빛 간섭 단층 촬영에서 관찰되는 망막내액, 망막하액, 망막하고반사물질, 망막색소상피박리를 딥러닝 기술인 컨볼루션 신경망(Convolutional Neural Network, CNN)을 이용해 자동으로 구획화해 안과 전문의와 비교 분석했다.
연구팀은 습성 나이 관련 황반변성 환자 93명을 대상으로 빛 간섭 단층 촬영 영상을 찍은 후 각각에서 10장의 B-scan을 무작위로 추출해 총 930장을 확보했다. 이 중 550장은 회전, 늘임, 줄임 등의 변화를 거쳐 1만1550장으로 증강시킨 후 신경망 학습에 활용하고 140장은 학습 과정이 적절하게 이뤄지는지 확인하는 용도로 사용했다. 남은 240장은 훈련된 학습망의 테스트에 사용했다.
김형찬 교수팀은 인공지능과 안과 의사 2명 간의 다이스 계수(Dice’s Coefficient), 양성예측도, 민감도, 상대면적 차이, 급내상관계수 및 구획화에 사용한 시간을 확인했다.
그 결과, 진단의 정확도 면에서 안과의사와 신경망(인공지능)이 유사한 결과치를 냈다. 반면 시험 데이터를 구획화하는 데 있어서는 의사가 약 10시간, 신경망은 약 10초로 신경망의 속도가 현저히 빨랐다.
240장의 시험데이터에 대해 신경망(인공지능)과 안과 의사 1간의 다이스 계수는 망막내액, 망막하액, 망막하고반사물질, 망막색소상피박리 순서로 0.78, 0.82, 0.75, 0.80으로 나타났다. 양성예측도는 0.79, 0.80, 0.75, 0.80, 민감도는 0.77, 0.84, 0.73, 0.81로 확인됐다. 상대면적차이는 –4.32%, -10.00%, 4.13%, 0.34%로 10% 이내였고, 급내상관계수는 0.98, 0.98, 0.97, 0.98로 높게 측정되었다. 신경망(인공지능)과 의사, 의사와 의사 간의 결과도 유사했다.
김형찬 교수는 “인공지능 모델(컨볼루션 신경망)이 상대적으로 훨씬 짧은 시간에 다양한 습성 나이 관련 황반변성 병변의 구획화를 정확하게 수행했다”며 “향후 병변들의 정량적 분석에 유용할 것”이라고 밝혔다.
이 연구는 안과학 분야의 최고 권위 학술지인 ‘미국안과학회지(American Journal of Ophthalmology(AJO)’ 7월에 게재됐다.
