초거대 자연 이미지 기반 기초 모델 vs. 망막 특화 모델: 안과 및 전신 질환 진단 성능 비교

본 연구는 초거대 자연 이미지 기반 기초 모델(DINOv2)과 망막 특화 모델(RETFound)의 안과 및 전신 질환 진단 성능을 비교 분석했습니다. DINOv2는 특정 안과 질환 진단에 더 높은 정확도를 보였으나, 심혈관 질환 예측에서는 RETFound가 더 우수한 성능을 나타냈습니다. 이는 작업 특성에 맞는 모델 선택의 중요성을 시사합니다.

최근 기초 모델(Foundation Models, FMs)의 발전은 의료 분야에 혁신을 가져오고 있습니다. 특히 안과 분야에서는 140만 장의 자연 이미지와 160만 장의 망막 이미지로 순차적으로 사전 훈련된 망막 특화 FM인 RETFound가 다양한 임상 응용 분야에서 높은 적응력을 보여주었습니다. 하지만 1억 4200만 장의 자연 이미지로 사전 훈련된 범용 비전 FM인 DINOv2는 의료 분야 적용 가능성이 아직 충분히 탐구되지 않았습니다.

Hou 박사 연구팀은 이러한 궁금증을 해결하기 위해 RETFound와 세 가지 크기(large, base, small)의 DINOv2 모델을 8개의 표준화된 오픈소스 안과 데이터 세트와 Moorfields AlzEye 및 UK Biobank 데이터 세트를 사용하여 안과 질환 탐지 및 전신 질환 예측 작업에 대해 직접 비교 평가했습니다.

놀랍게도, DINOv2-large 모델은 당뇨병성 망막증 탐지(AUROC=0.850-0.952 vs 0.823-0.944, 세 개의 데이터 세트, 모두 P<=0.007) 및 다중 안과 질환 분류(AUROC=0.892 vs. 0.846, P<0.001)에서 RETFound를 능가했습니다. 녹내장 진단에서도 DINOv2-base 모델이 RETFound보다 우수한 성능(AUROC=0.958 vs 0.940, P<0.001)을 보였습니다.

하지만 흥미로운 점은 심부전, 심근 경색 및 허혈성 뇌졸중 예측에서는 RETFound가 모든 DINOv2 모델보다 우수한 성능(AUROC=0.732-0.796 vs 0.663-0.771, 모두 P<0.001)을 보였다는 것입니다. 이러한 경향은 미세 조정 데이터의 10%만 사용하더라도 유지되었습니다.

이 연구 결과는 범용 및 도메인 특화 FM이 각각 뛰어난 성능을 발휘하는 상황을 보여주며, 임상 성능을 최적화하기 위해 작업별 요구 사항에 맞는 FM 선택의 중요성을 강조합니다. 즉, 특정 질환 진단에는 특화된 모델이, 다른 질환 예측에는 범용 모델이 더 효과적일 수 있다는 것을 시사합니다. 향후 연구에서는 각 모델의 강점과 약점을 더욱 자세히 분석하여 더욱 효율적인 의료 진단 시스템 개발에 기여할 것으로 기대됩니다. 🧐