망막 이미지에서의 이상 탐지 및 바이오마커 위치 지정

배경: 망막 질환을 위한 광학적 단층촬영(OCT) 스캔을 사용하여 인공지능 방법을 통한 새로운 이상 탐지 및 위치 지정 접근 방식을 설계하는 것. 방법: 공개적으로 사용 가능한 Kaggle 데이터셋과 지역 데이터셋의 고해상도 OCT 스캔을 네 가지 최첨단 자기 지도 학습 프레임워크에서 사용하였다. 모든 프레임워크의 백본 모델은 사전 훈련된 합성곱 신경망(CNN)으로, OCT 이미지에서 의미 있는 특징을 추출할 수 있도록 하였다. 이상 이미지에는 맥락막 신생혈관 형성(CNV), 당뇨병성 황반 부종(DME), 그리고 드루젠의 존재가 포함되었다. 이상 탐지기는 수신기 작동 특성 곡선 아래 영역, F1 점수 및 정확도와 같은 일반적으로 수용되는 성능 지표로 평가되었다. 결과: 총 25,315개의 고해상도 망막 OCT 슬래브가 훈련에 사용되었다. 테스트 세트와 검증 세트는 각각 968개와 4000개 슬래브로 구성되었다. 모든 이상 탐지기 가운데 가장 성능이 뛰어난 것은 수신기 작동 특성 아래 영역이 0.99이었다. 모든 프레임워크는 높은 성능을 달성하고 다양한 망막 질환에 대해 잘 일반화되는 것으로 나타났다. 이상 영역의 위치 지정을 시각화하기 위해 열지도도 생성되었다. 결론: 본 연구는 사전 훈련된 특징 추출기를 사용함으로써 테스트된 프레임워크들이 망막 OCT 스캔의 영역에 일반화하고 높은 이미지 수준의 ROC-AUC 점수를 달성할 수 있음을 보여준다. 이러한 프레임워크의 위치 지정 결과는 유망하며, 망막 병리를 나타내는 영역을 성공적으로 포착한다. 더 나아가, 이러한 프레임워크는 인간의 눈으로 감지하기 어려운 새로운 바이오마커를 발견할 수 있는 잠재력이 있다. 이상 탐지 및 위치 지정을 위한 프레임워크는 클리닉 결정 지원 및 자동 스크리닝 시스템에 통합될 수 있으며, 이는 안과 의사들이 환자 진단, 추적 및 치료 설계를 돕는 데 기여할 것이다. 이 작업은 임상 사용을 위한 자동화된 이상 탐지 프레임워크의 추가 개발을 위한 견고한 기초를 마련한다.