치매 선별 및 위험층화를 위한 파운데이션 모델 기반 안저영상 AI 바이오마커 개발

- 일상 건강검진 안저 사진으로 치매 위험을 평가하는 설명가능 인공지능 바이오마커 가능성 제시

- Routine retinal fundus photographs may enable explainable AI-based assessment of dementia risk

[연구필요성]

치매는 고령화와 함께 빠르게 증가하는 주요 보건의료 문제로, 증상이 뚜렷해지기 전부터 병태생리학적 변화가 장기간 진행될 수 있어 조기 선별과 위험도 평가가 중요하다. 기존 평가는 인지기능검사, 뇌영상검사, 바이오마커 검사 등이 필요해 대규모 인구집단에 반복 적용하기에는 비용과 접근성의 한계가 있다.

최근에는 건강검진이나 일상 진료에서 이미 수집되는 의료영상을 활용해 질병 위험을 평가하는 기회검진이 주목받고 있다. 특히 망막은 중추신경계와 밀접하게 연결되어 있고, 안저 사진은 비침습적으로 쉽게 촬영할 수 있어 치매 위험 평가를 위한 영상 바이오마커로 활용될 가능성이 있다.

또한 대규모 데이터로 사전학습된 파운데이션 모델은 제한된 임상 데이터에서도 특정 의료영상 과제에 효과적으로 적응할 수 있어, 안저 사진 기반 치매 위험 AI 바이오마커 개발의 필요성이 커지고 있다.

[연구성과/기대효과]

본 연구는 건강검진에서 촬영된 망막 안저 사진을 활용해 치매 선별과 향후 치매 발생 위험 예측이 가능한 파운데이션 모델 기반 안저영상 AI 바이오마커를 개발했다. 연구팀은 서울대학교병원 건강증진센터에서 건강검진을 받은 3만 6천여 명의 안저 사진을 분석했으며, 여러 비전 파운데이션 모델과 학습 전략을 체계적으로 비교했다.

그 결과, 망막 영상에 특화된 사전학습 모델을 임상 과제에 맞게 적응시킨 방식이 가장 우수한 성능을 보였으며, 개발된 모델은 치매 선별뿐 아니라 향후 치매 발생 위험 예측에서도 의미 있는 성능을 보였다. 특히 기존 치매 위험요인을 보정한 후에도 모델 점수가 치매 여부 및 향후 치매 발생과 독립적인 연관성을 보여, 안저 사진 속 미세한 망막 구조 정보가 치매 위험을 반영하는 AI 바이오마커로 활용될 수 있음을 제시했다.

이번 연구는 단일 AI 모델을 개발한 데 그치지 않고, 의료영상 AI 바이오마커 개발에서 파운데이션 모델을 어떻게 선택하고 임상 과제에 적응시킬 수 있는지 평가하는 실질적인 프레임워크를 제시했다는 점에서도 의의가 있다.

또한 설명가능 인공지능 분석을 통해 모델이 주로 시신경유두와 주변부에 주목한다는 점을 확인함으로써, AI가 사람의 눈으로는 쉽게 확인하기 어려운 치매 관련 망막 신호를 포착할 가능성을 보여주었다.

향후 다양한 의료기관, 인구집단, 촬영 장비 환경에서 추가 검증이 이루어진다면, 본 연구에서 개발한 안저영상 AI 바이오마커는 일상 건강검진 기반의 치매 위험층화 및 예방 중심 의료에 기여할 수 있을 것으로 기대된다.

[본문]

서울대학교 의과대학 박상민 교수와 자이메드(주) 장주영 박사 공동 연구팀은 건강검진에서 촬영되는 망막 안저 사진을 활용해 치매를 선별하고 향후 치매 발생 위험을 예측할 수 있는 파운데이션 모델 기반 안저영상 AI 바이오마커를 개발했다.

치매는 뚜렷하게 진단되기 전부터 병태생리학적 변화가 오랜 기간 진행될 수 있어 조기 선별과 위험도 평가가 중요하다. 기존 치매 평가는 인지기능검사, 전문의 진료, 뇌영상검사 등이 필요해 대규모 인구집단에 반복 적용하기에는 비용과 접근성의 한계가 있었다.

연구팀은 이러한 한계를 극복하기 위해 건강검진에서 비교적 쉽게 얻을 수 있는 망막 안저 사진에 주목했다. 망막은 중추신경계와 밀접하게 연결되어 있어 '뇌를 들여다볼 수 있는 창'으로 여겨지며, 안저 사진은 비침습적이고 저비용으로 촬영할 수 있어 치매 위험 평가를 위한 기회검진 도구로 활용될 가능성이 있다.

이번 연구에서는 서울대학교병원 건강증진센터에서 건강검진을 받은 3만 6천여 명의 망막 안저 사진과 국민건강보험공단 자료를 연계해 분석했다. 연구팀은 여러 종류의 비전 파운데이션 모델과 학습 전략을 체계적으로 비교했으며, 그 결과 망막 영상에 특화된 사전학습 모델을 임상 과제에 맞게 효과적으로 적응시킨 방식이 치매 선별과 향후 치매 발생 위험 예측에서 가장 우수한 성능을 보였다.

개발된 모델은 치매 선별에서 AUROC 0.750, 향후 치매 발생 예측에서 C-index 0.812의 성능을 보였다. 특히 기존 치매 위험요인을 보정한 뒤에도 모델 점수는 치매 여부 및 향후 치매 발생과 독립적인 연관성을 보여, 안저 사진 속 미세한 망막 구조 정보가 치매 위험을 반영하는 AI 바이오마커로 활용될 수 있음을 시사했다.

특히 본 연구는 대규모 사전학습을 통해 구축된 파운데이션 모델을 특정 의료영상 임상 과제에 효과적으로 전이 적응시킬 수 있음을 보여주었다는 점에서도 의의가 있다. 또한 단일 모델을 적용하는 데 그치지 않고 여러 모델과 학습 전략을 비교함으로써, 의료영상 AI 바이오마커 개발에서 임상 과제에 적합한 모델과 적응 전략을 평가할 수 있는 실질적인 프레임워크를 제시했다.

또한 설명가능 인공지능 분석 결과, 모델은 주로 시신경유두와 그 주변부에 주목하는 것으로 나타났다. 이는 기존에 알려진 치매 관련 망막신경섬유층 변화와 연결될 수 있는 영역으로, AI가 사람의 눈으로는 쉽게 확인하기 어려운 치매 관련 신호를 안저 사진에서 포착할 가능성을 보여준다.

공동 교신저자인 서울대 의과대학 박상민 교수는 "이번 연구는 건강검진에서 이미 촬영되는 안저 사진을 활용해 치매 고위험군을 선별할 수 있는 안저영상 AI 바이오마커의 가능성을 보여준 연구"라며, "추가적인 고비용 검사 없이 일상 검진 데이터를 활용하는 기회검진 인공지능의 임상적 가치가 클 것으로 기대된다"고 밝혔다.

공동 교신저자인 자이메드 장주영 박사는 "망막 이미지에 특화된 파운데이션 모델과 효율적인 적응 전략을 결합해 치매 관련 신호를 포착할 수 있음을 확인했다"며, "성능뿐 아니라 임상적 유용성과 설명가능성을 함께 평가했다는 점에서 향후 안저영상 기반 AI 바이오마커 개발의 중요한 방향을 제시한다"고 설명했다.

공동 제1저자인 서울대학교 의과대학 한창호 연구조교수는 "이번 연구는 치매 선별뿐 아니라 향후 치매 발생 위험 예측까지 함께 평가했다는 점에서 의미가 있다"며, "안저 사진처럼 일상적으로 수집되는 의료영상 안에 기존에는 충분히 활용되지 못했던 질병 위험정보가 담겨 있을 수 있음을 보여준 결과"라고 말했다.

공동 제1저자인 서울대학교 의과대학 김재원 박사는 "설명가능 인공지능 분석에서 시신경유두와 유두 주변부가 주요 관심 영역으로 확인된 점은 주목할 만하다"며, "향후 다른 망막 영상과 연계한 후속 연구를 통해 치매 관련 안저영상 AI 바이오마커의 생물학적 의미를 더 구체화할 수 있을 것"이라고 덧붙였다.

[연구결과]

Explainable foundation model for dementia screening and risk stratification using retinal fundus images


Changho Han*, Jaewon Kim*, Hyeokjong Lee, Hyunwoo Joo, Jooyoung Chang†, Sang Min Park†

(*Co-first authors, †Co-corresponding authors)

(npj Digital Medicine (published))

(https://www.nature.com/articles/s41746-026-02968-w)

치매는 증상이 뚜렷하게 나타나기 전부터 병태생리학적 변화가 장기간 진행될 수 있어 조기 선별과 위험도 평가가 중요하다. 본 연구는 건강검진에서 촬영되는 망막 안저 사진에 파운데이션 모델 기반 인공지능을 적용하여, 치매 선별 및 향후 치매 발생 위험을 예측할 수 있는 안저영상 AI 바이오마커의 가능성을 제시하였다. 특히 다양한 비전 파운데이션 모델과 학습 전략을 비교함으로써 의료영상 AI 바이오마커 개발을 위한 실질적인 프레임워크를 제시하였으며, 설명가능 인공지능 분석을 통해 시신경유두 주변부가 주요 예측 영역임을 확인하였다.

[용어설명]

○ 파운데이션 모델: 대규모 데이터로 미리 학습된 인공지능 모델로, 이후 특정 의료영상 과제에 맞게 추가 학습하거나 적응시켜 활용할 수 있다.

○ AI 바이오마커: 인공지능이 의료영상이나 임상정보에서 질병과 관련된 패턴을 찾아내어, 질병 위험 평가나 예후 예측에 활용할 수 있도록 만든 지표이다.

○ 기회검진: 원래 다른 목적으로 시행된 검사나 이미 수집된 의료 데이터를 활용해, 추가 검사 없이 질병 위험을 평가하는 접근법이다.

○ AUROC: Area Under the Receiver Operating Characteristic Curve의 줄임말로, 질환이 있는 사람과 없는 사람을 모델이 얼마나 잘 구분하는지 평가하는 지표이다. 1에 가까울수록 구분 성능이 높다.

○ C-index: Concordance index의 줄임말로, 시간이 지나면서 질병이 발생하는 위험 순서를 모델이 얼마나 잘 예측하는지 평가하는 지표이다. 1에 가까울수록 예측 성능이 높다.