녹내장 진단 정확도 높이는 합성 이미지 기반 딥러닝 모델 개발
연구진이 데이터 불균형 문제를 해결한 새로운 녹내장 진단 딥러닝 모델을 개발했습니다. 이 모델은 기존 방식보다 높은 성능을 보이며 의료 인공지능의 신뢰성을 높일 것으로 기대됩니다.
주장녹내장은 전 세계 실명을 유발하는 주요 원인이며 시력 보존을 위해 조기 발견이 필수적입니다. 최근 딥러닝 기술은 녹내장 진단 자동화 분야에서 높은 잠재력을 보입니다.
팩트연구진은 오바드-신(AUBADE-syn)이라는 새로운 딥러닝 앙상블 프레임워크를 제안했습니다. 이 모델은 합성 이미지 생성과 구조화된 클래스 균형 전략을 결합하여 데이터 불균형 문제를 해결합니다.
팩트오바드-신은 시신경 유두 중심 영역을 활용하며 분류기 없는 가이드 확산 모델을 통해 사실적인 녹내장 이미지를 생성합니다. 이러한 방식은 소수 클래스 데이터를 보강하고 모델의 일반화 성능을 향상합니다.
팩트연구진은 아이팩스(EyePACS) 데이터셋에서 1대 30의 클래스 불균형 비율을 확인했습니다. 이 환경에서 오바드-신은 0.992의 수신기 작동 특성 곡선 아래 면적(AUROC)을 기록했습니다.
교차검증기존의 가중 손실 함수와 포컬 손실, 밸런스드 믹스업 등 다양한 불균형 해결 방법들과 비교했을 때 오바드-신이 가장 우수한 성능을 보였습니다. 이는 기존 방식이 가진 한계를 극복했음을 의미합니다.
팩트연구진은 10개의 독립적인 공개 데이터셋을 통해 모델의 성능을 검증했습니다. 추가로 3개의 데이터셋에서 미세 조정을 거쳐 기존 연구보다 경쟁력 있는 결과를 도출했습니다.
주장이번 연구 결과는 도메인 인식 합성 증강과 구조화된 앙상블 학습이 불균형한 의료 영상 작업에 효과적임을 입증합니다. 이는 앞으로 의료 인공지능 모델의 신뢰성을 높이는 데 기여합니다.
팩트본 연구는 오하이오 라이온스 안과 연구 재단과 미국 국립보건원(NIH)의 지원을 받아 수행되었습니다. 연구진은 오하이오 주립대학교 의과대학 및 검안대학 소속 연구자들로 구성되었습니다.
교차검증연구진은 본 연구 내용이 저자들의 책임이며 미국 국립보건원의 공식적인 견해를 반드시 대변하는 것은 아니라고 명시했습니다. 또한 연구 과정에서 이해 상충은 없다고 밝혔습니다.
출처본 연구는 네이처 디지털 메디신(npj Digital Medicine)에 2026년 5월 14일 게재되었음을 교차 검증했습니다. 상세 내용은 https://doi.org/10.1038/s41746-026-02752-w 에서 확인할 수 있습니다.
관련 콘텐츠
본 기사는 전문가의 분석과 공개 자료를 기반으로 AI가 작성 후 다른 AI의 검증을 거쳐 작성됐으며 정보의 정확성과 완전성을 보장하지 않습니다. 기사 내용은 특정 투자·의사결정의 권유가 아니며, Wittgenhaus는 이를 근거로 한 행위의 결과에 책임을 지지 않습니다.
