AI 기반 홍채 심장영역 디지털 점수와 심장질환의 연관성 및 진단 보조 가능성

다국어 초록 (Multilingual Abstract)

The purpose of this study was to investigate the association between AI-based digital scoring of the iris heart region and heart disease, and to evaluate its potential as a non-invasive diagnostic aid. A retrospective case-control study was conducted with 366 participants, consisting of 161 clinically diagnosed heart disease patients and 205 age- and sex-matched controls. The ASKeye IRIS-Pro AI system was utilized to extract quantitative markers from the iris, specifically focusing on the heart and vessel regions. To validate diagnostic performance, three machine learning models—Logistic Regression, Support Vector Machine (SVM), and Random Forest—were trained and tested.
The results demonstrated that digital scores for the iris heart region were significantly higher in the heart disease group compared to the control group (p < 0.001). Crucially, ANCOVA analysis confirmed that the iris heart markers remained significant independent diagnostic factors even after controlling for age and sex, whereas vessel markers lost statistical significance. Among the classification models, the SVM achieved the highest accuracy of 86.4% (AUC 0.887), while the Random Forest model demonstrated the highest discriminative power with an AUC of 0.890 (Accuracy 84.5%) on the independent test set. Furthermore, feature importance analysis revealed that the heart region markers were the most critical predictors, accounting for 55.1% of the model's predictive power. These findings suggest that AI-based iris analysis provides an objective and reproducible method for heart disease screening, offering a valuable tool for early detection and preventive healthcare.

목차 (Table of Contents)

• 목 차 ⅰ
• 표 목 차 ⅴ
• 그림목차 ⅵ
• Ⅰ. 서 론 07
• 1. 심혈관 질환의 역학 및 임상적 중요성 07
• 2. 기존 심혈관질환 진단 기술 07
• 3. 홍채학의 이론적 배경 및 타당성 09
• 4. 인공지능 기술의 발전과 의료 영상 분석 10
• 5. 연구 필요성 및 연구 목표 12
• Ⅱ. 연구 방법 13
• 1. 연구 설계 및 대상 13
• 2. 연구 도구 13
• 3. 홍채 이미지 획득 및 전처리 14
• 4. 인공지능 알고리즘 및 홍채 분석 15
• 1) 데이터셋 구축 및 전문가 라벨링 15
• 2) 신경망 구조 15
• (1) 백본 15
• (2) 준지도 학습 15
• (3) 다중 작업 학습 15
• 3) 데이터 전처리 및 모델 학습 16
• 5. 변수 정의 16
• 1) 독립 변수 16
• 2) 홍채 변수 17
• (1) 개별 지표 17
• (2) 파생 지표 17
• 3) 인구학적 변수 17
• 4) 분석 방법별 변수 선정 17
• (1) 통계적 비교 분석 17
• (2) 머신러닝 예측 모델링 17
• 6. 머신러닝 모델 18
• 1) 로지스틱 회귀 19
• 2) 서포트 벡터 머신 20
• 3) 랜덤 포레스트 21
• 7. 머신러닝 모델 데이터 분할 22
• 8. 머신러닝 모델 훈련 및 검증 22
• 1) 5폴드 교차검증 22
• 2) 하이퍼파라미터 최적화 23
• (1) 서포트 벡터 머신 24
• ① kernel 24
• ② C 24
• ③ gamma 24
• (2) 랜덤 포레스트 24
• ① n_estimators 24
• ② max_depth 25
• (3) 로지스틱 회귀 25
• 9. 모델 성능 평가 25
• 1) 평가 지표 25
• (1) 정확도 25
• (2) 민감도 26
• (3) 특이도 26
• (4) 곡선 하 면적 26
• 2) 학습 세트 검증 26
• 3) ROC 곡선 분석 26
• 10. 통계 분석 27
• 1) 연구 대상자 인구학적 특성 비교 27
• 2) 연구 대상자 홍채지표 특성 비교 27
• 3) 공분산분석 28
• 4) 머신러닝 모델 성능 비교 28
• 5) 피처 중요도 분석 28
• Ⅲ. 연구 결과 29
• 1. 대상자의 기본 특성 29
• 2. 홍채 지표의 그룹 간 비교 30
• 1) 심장 관련 지표 30
• 2) 혈관 관련 지표 31
• 3) 실험군 내 하위 그룹 간 동질성 검증 32
• 3. 교란 변수 통제 후 홍채 지표의 독립적 효과 검증 33
• 1) 심장 관련 지표 33
• 2) 혈관 관련 지표 34
• 4. 학습 데이터셋 성능 평가 35
• 1) 로지스틱 회귀 35
• 2) 서포트 벡터 머신 36
• 3) 랜덤 포레스트 36
• 5. 평가 데이터셋 성능 평가 36
• 1) 로지스틱 회귀 36
• 2) 서포트 벡터 머신 36
• 3) 랜덤 포레스트 37
• 4) 종합 평가 37
• 6. 피처 중요도 분석 39
• 7. 모델 성능 비교 40
• Ⅳ. 고찰 42
• 1. 주요 연구 결과의 의미 42
• 1) 심장질환의 병태생리학적 다양성과 홍채 42
• 2. 심장질환의 성별, 연령 영향과 홍채 지표의 연관성 43
• 3. AI기반 홍채 분석과 홍채학의 객관화 44
• 4. 머신러닝 모델 간 비교 및 임상적 적용 가능성 45
• 5. 심장 영역의 특이성과 혈관 지표의 한계 46
• 6. AI모델의 일반화 능력과 임상 적용 가능성 47
• 7. 연구의 제약 및 한계 48
• Ⅴ. 결 론 50
• 참 고 문 헌 51
• 영 문 초 록 60
• 감 사 의 글 62