Machine Learning-aided Glaucoma Diagnosis Models = 기계 학습을 이용한 녹내장 진단 모델

국문 초록 (Abstract)

서론
녹내장은 전 세계적으로 비가역적 실명의 주요 원인이다. 녹내장의 진단 및 관리는 전통적으로 안압(IOP) 측정, 빛간섭단층촬영(OCT)과 같은 장비를 이용한 시신경 유두(ONH) 및 망막신경섬유층(RNFL)의 구조적 평가, 그리고 표준 자동 시야 검사(SAP)를 통한 기능적 평가에 의존해 왔다. 그러나 이러한 전통적인 방법들은 내재적 한계를 가진다. SAP 결과는 검사-재검사 변동성이 클 수 있으며, 상당한 수의 망막 신경절 세포가 소실된 후에야 손상이 발견되는 경우가 많다. 더욱이, 어떤 환자에서 질병이 진행될지를 예측하는 것은, 특히 근시성 정상안압녹내장(NTG) 환자와 같은 특정 환자군에서 여전히 중요한 임상적 과제로 남아있다.
최근, 머신러닝(ML) 및 딥러닝(DL)을 포함한 인공지능(AI)의 출현은 복잡한 의료 데이터를 분석하기 위한 새로운 패러다임을 제시했다. 이러한 기술들은 임상 측정치, OCT 스캔, 시신경 유두 사진(ODPs) 등 다양한 출처의 고차원 데이터를 통합하여 보다 견고하고 정확하며 예측적인 모델을 생성할 잠재력을 가지며, 이를 통해 전통적인 진단 및 예후 예측 접근법의 한계를 극복할 수 있다.
목적
본 연구 시리즈의 목적은 녹내장의 탐지, 평가 및 진행 예측을 향상시키기 위해 다양한 인공지능 알고리즘을 개발하고 검증하는 것이다. 다양한 데이터 양식을 활용하여, 기존의 임상 지표와 비교하여 인공지능 기반 접근법의 실현 가능성과 우수성을 입증하고자 하였다.
본 연구는 아래의 세 가지 구체적인 목표하에 수행되었다.
1. 젊은 근시성 정상안압 녹내장과 같은 고위험군에서 미래의 녹내장 진행을 예측하는 머신러닝 모델을 개발한다.
2. SD-OCT 영상을 사용하여 녹내장성 구조 변화를 높은 정확도로 탐지하는 딥러닝 모델을 개발한다.
3. 단안 시신경 유두 사진에 담긴 구조적 정보로부터 기능적 손실(SAP 평균 편차)을 정량적으로 예측할 수 있는 딥러닝 모델을 개발한다.
방법
정상인 및 녹내장 환자를 포함한 여러 환자군을 등록하였다. 스펙트럼 영역 OCT 스캔(GCIPL 및 RNFL 두께 및 편차 맵 제공), 단안 시신경 유두 사진, 그리고 내원 초기 임상 측정치를 포함한 다양한 출처의 데이터를 수집하였다. 데이터는 모델 개발 및 평가를 위해 훈련, 검증, 테스트 데이터셋으로 적절히 분할되었다.
일련의 AI 모델들이 구축되었다. 딥러닝 분류기는 이미지 기반 데이터(OCT 및 ODPs)를 분석하기 위해 사전 훈련된 네트워크와 완전 연결 계층을 포함하는 아키텍처를 사용하여 구축되었다. 표 형식의 임상 데이터에 대해서는 랜덤 포레스트 및 엑스트라 트리를 포함한 머신러닝 분류기가 사용되었다. 이러한 모델들의 성능은 수신자 조작 특성 곡선 하 면적(AUC), 민감도, 특이도, 상관계수, 평균 절대 오차(MAE)와 같은 지표를 사용하여 엄격하게 평가되었다. 결과는 기존에 확립된 녹내장 진단 파라미터들의 성능과 체계적으로 비교되었다.
결과
1. 젊은 근시성 정상안압 녹내장에서의 녹내장 진행 예측을 위한 기계 학습 모델
젊은 근시성 정상안압 녹내장 환자에서 3년 후 진행을 예측하는 데 있어, 엑스트라 트리(Extra-Trees) 머신러닝 모델은 높은 AUC(0.881)를 달성했다. 이는 랜덤 포레스트 모델(AUC 0.811)보다 유의하게 정확했으며, 평균 황반부 GCIPL 두께(AUC 0.735)나 시신경유두 주위 RNFL 두께(AUC 0.691) 등 어떠한 단일 임상 지표 기반의 예측보다도 우수했다.
2. SD-OCT 영상 기반 딥러닝을 통한 녹내장 탐지:
GCIPL 및 RNFL 맵으로 훈련된 딥러닝 시스템은 뛰어난 진단 성능을 보였다. 테스트 데이터셋에서, 이 시스템은 94.7%의 민감도와 100.0%의 특이도로 AUC 0.990을 달성하여, 기존의 OCT 두께 파라미터와 SAP 평균 편차보다 통계적으로 유의하게 우수했다 (모든 P < 0.01).
3. 시신경 유두 사진으로부터의 기능적 손실 예측:
딥러닝 알고리즘은 시신경 유두 사진만으로 SAP 평균 편차(MD) 값을 성공적으로 예측했다. 예측된 MD는 실제 측정된 MD와 강한 상관관계(상관계수 = 0.755)와 높은 일치도(MAE = 1.94 dB)를 보였다. 또한 이 모델은 녹내장성 시야 손실의 유무를 탐지하는 데에도 탁월한 성능을 보이며 AUC 0.953의 결과를 보였다.
결론
인공지능 알고리즘은 녹내장 관리의 전반적인 스펙트럼에 걸쳐 강력한 역량을 보여준다. 본 연구들은 머신러닝 모델이 단지 내원 초기의 임상 데이터만으로 질병의 진행을 효과적으로 예측하고 위험도를 계층화할 수 있음을 보여준다. 나아가, 딥러닝 모델은 OCT 스캔을 통해 거의 완벽한 정확도로 녹내장성 변화를 탐지할 수 있으며, 간단한 시신경 유두 사진으로 기능적 손상을 추론할 수도 있다. 이러한 인공지능 모델들이 전통적인 임상 지표들보다 일관되게 우수한 성능을 보인다는 점은, 이 기술들을 임상 현장에 통합하는 것이 녹내장 환자의 더 빠른 진단, 더 정밀한 평가, 그리고 개인 맞춤형 관리를 가능하게 할 큰 잠재력을 가지고 있음을 시사한다.

다국어 초록 (Multilingual Abstract)

Introduction
Glaucoma is a progressive optic neuropathy and a leading cause of irreversible blindness worldwide. The diagnosis and management of glaucoma traditionally rely on the assessment of intraocular pressure (IOP), structural evaluation of the optic nerve head (ONH) and retinal nerve fiber layer (RNFL) using modalities like optical coherence tomography (OCT), and functional assessment via standard automated perimetry (SAP). However, these conventional methods have inherent limitations. SAP results can exhibit significant test-retest variability and often detect damage only after a substantial loss of retinal ganglion cells has occurred. Furthermore, predicting which patients will experience disease progression remains a major clinical challenge, particularly in specific subgroups like myopic normal-tension glaucoma (NTG) patients.
Recently, the advent of artificial intelligence (AI), including machine learning (ML) and deep learning (DL), has offered new paradigms for analyzing complex medical data. These technologies have the potential to integrate high-dimensional data from various sources—such as clinical measurements, OCT scans, and optic disc photographs (ODPs)—to create more robust, accurate, and predictive models, thereby overcoming the limitations of traditional diagnostic and prognostic approaches.
Purpose
The purpose of this series of studies was to develop and validate various artificial intelligence algorithms to enhance the detection, assessment, and prediction of progression in glaucoma. By leveraging different data modalities, this work aimed to demonstrate the feasibility and superiority of AI-based approaches compared to conventional clinical parameters.
This study was performed under three specific aims:
1. To develop a machine learning model to predict future glaucomatous progression in the high-risk subgroup of young, myopic patients with normal-tension glaucoma.
2. To develop a deep learning model for the highly accurate detection of glaucomatous structural changes using SD-OCT images.
3. To develop a deep learning model capable of quantitatively predicting functional loss (SAP Mean Deviation) from structural information captured in monoscopic optic disc photographs.
Methods
Multiple patient cohorts, including healthy participants and glaucoma patients, were enrolled. Data from various sources were collected, including spectral-domain OCT scans (providing GCIPL and RNFL thickness and deviation maps), monoscopic optic disc photographs, and baseline clinical measurements. The data were appropriately partitioned into training, validation, and testing sets for model development and evaluation.
A suite of AI models was constructed. Deep learning classifiers were built using architectures that included pre-trained networks and fully connected layers to analyze image-based data (OCT and ODPs). For tabular clinical data, machine learning classifiers, including Random Forest and Extremely Randomized Trees (Extra-Trees), were employed. The performance of these models was rigorously evaluated using metrics such as the area under the receiver operating characteristic curve (AUC), sensitivity, specificity, correlation coefficients, and mean absolute error (MAE). The results were systematically compared against the performance of established glaucoma diagnostic parameters.
Results
1. Machine Learning-based Prediction of Glaucoma Progression in Young Myopic NTG:
In predicting future progression in young myopic NTG patients, the Extra-Trees machine learning model achieved a high AUC of 0.881. This was significantly more accurate than the Random Forest model (AUC 0.811) and superior to predictions based on any single clinical parameter, including average macular GCIPL thickness (AUC 0.735) and circumpapillary RNFL thickness (AUC 0.691).
2. Deep Learning-based Glaucoma Detection from SD-OCT Images:
The deep learning system, trained on GCIPL and RNFL maps, demonstrated outstanding diagnostic performance. In the test dataset, it achieved an AUC of 0.990 with a sensitivity of 94.7% and a specificity of 100.0%, significantly outperforming conventional OCT thickness parameters and SAP mean deviation (all P < 0.01).
3. Prediction of Functional Loss from Optic Disc Photographs:
The deep learning algorithm successfully predicted the SAP mean deviation (MD) value solely from optic disc photographs. The predicted MD showed a strong correlation (correlation coefficient = 0.755) and good agreement (MAE = 1.94 dB) with the actual measured MD. The model also showed excellent capability in detecting the presence of glaucomatous visual field loss, achieving an AUC of 0.953.
Conclusions
Artificial intelligence algorithms demonstrate powerful capabilities across the full spectrum of glaucoma management. The studies show that deep learning models can detect glaucomatous change from OCT scans with near-perfect accuracy and can also infer functional damage from simple optic disc photographs. Furthermore, machine learning models can effectively stratify risk and predict future disease progression using only baseline clinical data. The consistent outperformance of these AI models compared to traditional clinical parameters suggests that their integration into clinical workflows holds great promise for enabling earlier diagnosis, more precise assessment, and personalized management of glaucoma patients.

목차 (Table of Contents)

• General Abstract i
• Table of Contents iv
• List of Tables and Figures vi
• General Introduction 1
• Chapter 1. Machine learning classifiers‑based prediction of normal‑tension glaucoma progression in young myopic patients 4
• Abstract 5
• Abstract in Korean 6
• Introduction 7
• Methods 8
• Results 15
• Discussion 21
• References 26
• Chapter 2. Diagnosing Glaucoma with Spectral-Domain Optical Coherence Tomography using Deep Learning Classifier 29
• Abstract 30
• Abstract in Korean 31
• Introduction 32
• Methods 33
• Results 38
• Discussion 47
• References 50
• Chapter 3. Estimating visual field loss from monoscopic optic disc photography using deep learning model 52
• Abstract 53
• Abstract in Korean 54
• Introduction 55
• Methods 56
• Results 60
• Discussion 67
• References 72
• General Discussion 74
• Abstract in Korean 78