눈꺼풀 측정의 혁신: DINOv2 기반 AI 모델의 등장

Chun-Hung Chen 박사 연구팀은 스마트폰 이미지를 이용한 눈꺼풀 매개변수 자동 측정을 위한 DINOv2 기반 딥러닝 모델을 개발했습니다. DINOv2의 우수한 성능과 추가적인 전략을 통해 실용적이고 정확한 측정 시스템을 구축, AI 기반 안과 진료의 새로운 가능성을 제시했습니다.

눈꺼풀의 'Margin Reflex Distances (MRD1, MRD2)'와 'Levator Function (LF)' 와 같은 매개변수의 정확한 측정은 안성형 진단에 매우 중요합니다. 하지만 지금까지는 수동 측정 방식에 의존하여 측정의 일관성이 부족하고 오류가 발생하기 쉬웠습니다. Chen Chun-Hung 박사 연구팀은 이러한 문제를 해결하기 위해 딥러닝 모델을 활용한 혁신적인 해결책을 제시했습니다.

스마트폰으로 눈꺼풀 측정의 시대가 열리다

연구팀은 SE-ResNet, EfficientNet, 그리고 비전 트랜스포머 기반의 DINOv2를 포함한 다양한 딥러닝 모델을 평가했습니다. 특히 주목할 점은 스마트폰으로 촬영한 이미지를 사용하여 측정을 자동화한다는 점입니다. MSE, MAE, R2 지표를 사용하여 모델의 성능을 평가한 결과, 놀랍게도 사전 학습된 DINOv2 모델이 뛰어난 확장성과 견고성을 보였습니다. 특히, 모바일 배포에 적합한 'frozen' 설정에서도 우수한 성능을 나타냈습니다. 이는 휴대성과 편리성을 중시하는 현장 진료에 매우 유용한 특징입니다.

성능 향상을 위한 혁신적인 전략들

연구팀은 DINOv2의 성능을 더욱 향상시키기 위해 여러 가지 전략을 활용했습니다. Focal loss는 클래스 불균형 문제를 해결하여 모델의 일반화 성능을 높였고, Orthogonal regularization은 과적합을 방지하는 데 기여했습니다. Binary encoding 전략은 모델의 효율성을 높이는 데 도움을 주었습니다. 더불어, MLP와 Deep Ensemble과 같은 경량 회귀 모델을 활용하여 높은 정확도를 유지하면서 계산 비용을 최소화했습니다.

AI 기반 안과 진료의 미래

결과적으로, DINOv2 모델과 추가적인 개선 전략을 결합한 시스템은 모든 작업에서 일관되고 정확한 예측을 제공했습니다. 이는 실제 임상 환경에서 사용 가능한 모바일 친화적인 AI 기반 안과 진료 시스템 개발 가능성을 보여주는 중요한 결과입니다. 이 연구는 Foundation Model의 잠재력을 강조하며 AI 기반 안과 진료의 발전에 크게 기여할 것으로 기대됩니다. 앞으로 더욱 발전된 AI 기술을 통해 더욱 정확하고 편리한 안과 진료 서비스가 제공될 것으로 예상됩니다.