인공 지능 보조 안과 진단 (AI-OPHTH-CR)

배경 및 근거:

안과 질환은 전 세계적으로 그리고 코스타리카에서 주요 공중보건 부담을 나타냅니다. 녹내장은 전 세계적으로 8천만 명 이상의 사람들에게 영향을 미치며 불가역적 실명의 두 번째 주요 원인입니다. 당뇨병성 망막병증은 근로 연령 성인의 실명 주요 원인입니다. 백내장은 전 세계적으로 가역적 시각 장애의 가장 흔한 원인으로 남아 있습니다. 코스타리카에서 이러한 상태들은 수십만 명의 사람들에게 영향을 미치며 삶의 질과 경제적 생산성에 상당한 영향을 미칩니다.

문제 - 검출의 어려움:

이러한 질환의 조기 발견은 중요하지만 몇 가지 어려움에 직면합니다:

1. 녹내장은 초기 단계에서 무증상입니다 - 환자는 상당한 불가역적 손상이 발생할 때까지 시력 손실을 알아차리지 못합니다
2. 당뇨병성 망막병증은 모든 당뇨병 환자의 연간 검진이 필요하며, 이용 가능한 안과 용량을 압도합니다
3. 안과 영상 해석은 시간이 많이 소요되며 관찰자 간 변동성이 있습니다
4. 자원이 제한된 환경에서는 전문 안과 의사에 대한 접근이 모든 위험 인구를 검진하기에 불충분합니다

기회 - 인공 지능:

딥러닝, 특히 합성곱 신경망(CNN)의 최근 발전은 의료 영상 분석에서 놀라운 능력을 보여주었습니다. JAMA, Nature, The Lancet에 발표된 연구들은 인공 지능 시스템이 당뇨병성 망막병증(Gulshan 외, 2016), 연령 관련 황반변성(De Fauw 외, 2018), 녹내장(Li 외, 2018)에 대해 전문 안과 의사에 필적하거나 우수한 진단 정확도를 달성함을 보여주었습니다.

중요한 격차 - 인구 특이적 검증:

그러나 근본적인 문제가 존재합니다: 대부분의 인공 지능 시스템은 아시아, 유럽 또는 북미 인구에서 개발되고 검증되었습니다. 이러한 시스템은 다음과 같은 이유로 라틴 아메리카 인구에 잘 일반화되지 않을 수 있습니다:

• 다른 질병 유병률 패턴
• 다른 인구통계학적 특성(연령 분포, 민족 구성)
• 임상 실무에서 사용되는 다른 장비 및 프로토콜
• 다른 의료 시스템 구조 및 업무 흐름

현지 검증 없이 다른 곳에서 개발된 인공 지능 시스템을 적용하는 것은 과학적으로 의문스럽고 잠재적으로 위험합니다. 이 연구는 코스타리카 인구를 위해 특별히 인공 지능 시스템을 개발하고 검증함으로써 이 중요한 격차를 해결합니다.

연구 목표:

주요 목표:

코스타리카 인구에서 다중 양식 안과 영상으로부터 주요 안과 병리(녹내장, 백내장, 당뇨병성 망막병증, 기타 망막 질환)의 자동 검출 및 분류를 위한 인공 지능 시스템을 개발하고 검증합니다.

세부 목표:

1. 전문가 검증 진단이 포함된 ~15,000개의 안과 영상의 고품질 참조 데이터베이스 구축
2. 다중 영상 양식 및 임상 데이터를 통합한 딥 뉴럴 네트워크 개발
3. 훈련 중 본 적 없는 3,000개의 독립 영상에서 모델 성능 검증
4. 인구통계학적 및 임상 하위 그룹 간 알고리즘 편향 및 형평성 분석

5. 실제 안과 업무 흐름에서 임상 구현 가능성 평가

   연구 설계:

   유형: 후향적 진단 기술 검증

   환경: 코스타리카의 두 안과 센터

   • 사이트 1: Asociados de Mácula y Vítreo de Costa Rica, San José (10,000개 영상)
   • 사이트 2: Centro Ocular, Heredia (5,000개 영상)

   연구 인구: 참여 센터에서 치료를 받은 성인 환자(≥18세)의 약 15,000개 안과 영상

   영상 양식:

   • 안저 사진(컬러 및 자가형광)
   • 광간섭 단층촬영(OCT) - 후극부
   • 전안부 사진
   • 자동 시야 검사(시야)
   • 비디오-OCT

   방법론:

   1단계 - 영상 추출 (1-6개월):

   기본 포함 기준(연령 ≥18세, 적절한 양식, 일상 임상 치료 중 촬영)을 충족하는 모든 이용 가능한 안과 영상은 각 사이트의 PACS(영상 보관 및 통신 시스템)에서 자동으로 추출됩니다. 시간적 제한 없음 - 데이터 양과 대표성을 극대화하기 위해 모든 이용 가능한 과거 영상이 포함됩니다.

   2단계 - 완전한 익명화 (1-6개월):

   엄격한 익명화 프로토콜:

   • 모든 직접 식별자 제거(이름, ID 번호, 주소, 전화, 이메일, 의무기록 번호)
   • 각 영상에 무작위 익명 코드 할당
   • 잠재적으로 식별 가능한 데이터 변환: 정확한 생년월일 → 연령 그룹(18-40, 41-60, 61-75, >75); 정확한 날짜 → 연도만
   • 윤리적 비상 사태(예: 환자 통지가 필요한 우연 발견)를 위해 로컬에만 저장된 암호화된 연결 테이블 생성

   보존된 임상 데이터(비식별):

   • 연령 그룹
   • 성별
   • 진단
   • 안압(mmHg)
   • 최대 교정 시력
   • 당뇨병 병력(예/아니오)
   • 최근 안과 수술(예/아니오)

   3단계 - 품질 평가 및 라벨링 (7-12개월):

   중재가 포함된 이중 판독 시스템:

   1단계: 품질 선별

   • 각 영상이 진단 품질에 대해 검토됨
   • 초점, 조명, 시야, 주요 인공물 없음에 기반하여 수락 또는 거부
   • 거부된 영상은 영구적으로 제외됨

   2단계: 독립 판독

   • 판독자 1(Dr. Marissé Masís Solano)이 독립적으로 진단 할당
   • 판독자 2(Dr. Erick Hernández Bogantes)가 독립적으로 진단 할당
   • 판독자들은 서로의 평가에 대해 눈가림됨

   3단계: 중재

   • 판독자들이 동의하면 → 진단이 최종으로 기록됨
   • 판독자들이 동의하지 않으면 → 중재자(Dr. Marissé Masís Solano)가 최종 결정을 내림

   중재자 독립성 근거:

   Dr. Masís는 모든 독립성 요구 사항을 충족합니다:

   • 영상은 그녀 자신의 환자들의 것이 아님(사전 편향 없음)
   • 그녀는 수석 연구자가 아님(특정 결과에 대한 직접적 압력 없음)
   • 완전히 자격을 갖춘 전문 안과 의사
   • 인공 지능 의료 기기 개발을 위한 GCP 기준 및 FDA 지침 준수

   진단 범주:

   • 녹내장(개방각 및 폐쇄각)
   • 백내장(중증도 등급화)
   • 당뇨병성 망막병증(경증, 중등도, 중증, 증식성)
   • 연령 관련 황반변성(건성 대 습성)
   • 망막 혈관 폐쇄
   • 황반 부종
   • 정상/중요한 병리 없음
   • 기타 관련 소견

   4단계 - 데이터 분할 (13개월):

   진단 범주 비율을 유지하는 계층화 무작위 분할:

   • 훈련 세트: 12,000개 영상 (80%)
   • 검증 세트: 3,000개 영상 (20%)

   엄격한 분리 유지 - 검증 영상은 훈련 중 모델이 본 적 없음.

   5단계 - 모델 개발 및 훈련 (13-15개월):

   아키텍처:

   • 딥 합성곱 신경망(ResNet, EfficientNet, Vision Transformers)
   • ImageNet 사전 훈련 모델에서의 전이 학습
   • 다중 양식 융합: 영상 특징 + 임상 데이터

   훈련 과정:

   • 모델이 영상 + 임상 데이터로부터 진단을 예측하도록 반복적으로 학습
   • 과적합 방지를 위한 정규화 기술(드롭아웃, 데이터 증강, 조기 종료)
   • 최적 구성을 찾기 위한 하이퍼파라미터 최적화

   6단계 - 외부 검증 (16-18개월):

   모델이 훈련 중 본 적 없는 3,000개 검증 영상에서 테스트됨.

   성능 지표(각 질병 범주에 대해 계산):

   • 민감도(진양성률)
   • 특이도(진음성률)
   • 양성 예측도(정밀도)
   • 음성 예측도
   • 전체 정확도
   • F1-점수
   • ROC 곡선 아래 면적(AUC-ROC)

   성공 기준(사전 설정):

   • 각 주요 병리에 대해 AUC ≥ 0.90
   • 민감도 ≥ 85%
   • 특이도 ≥ 85%

   하위 그룹 분석:

   모든 지표가 하위 그룹에 대해 계산됨:

   • 성별별(남성 대 여성)
   • 연령 그룹별
   • 질병 중증도별
   • 센터별(사이트 1 대 사이트 2)
   • 촬영 장치별

   형평성 분석:

   하위 그룹 간 성능 차이를 탐지하기 위한 통계적 검정. 기준: 인구통계학적 하위 그룹 간 임상적으로 유의한 차이 없음(AUC 차이 <0.05).

   오류 분석:

   안과 의사 연구자들이 모든 모델 오류를 수동으로 검토하여 다음을 식별합니다:

   • 이해 가능한 오류(진정으로 모호한 사례)
   • 심각한 오류(완전히 잘못된 진단)
   • 체계적 오류 패턴

   7단계 - 편향 분석 (19-21개월):

   포괄적 알고리즘 편향 평가:

   • 성별 편향
   • 연령 편향
   • 질병 중증도 편향
   • 장비 편향
   • 센터 편향

   8단계 - 문서화 및 확산 (22-24개월):

   • 출판을 위한 원고 준비(목표 저널: JAMA Ophthalmology, Ophthalmology, Lancet Digital Health)
   • 기술 문서화
   • 보건 당국에 대한 보고서
   • 학회 발표

   통계 분석:

   표본 크기 근거:

   3,000개 검증 영상과 주요 진단 범주당 약 750건으로 추정:

   • AUC 0.90 대 귀무 가설 0.80 탐지력 >90%
   • AUC에 대한 95% 신뢰 구간 너비 ≤0.05
   • 민감도 85%에 대한 95% CI: 82-88% (750건 양성 사례 기준)
   • 특이도 90%에 대한 95% CI: 89-91% (2,250건 음성 사례 기준)

   이러한 좁은 신뢰 구간은 실제 모델 성능에 대한 정확한 결론을 허용합니다.

   주요 분석:

   • DeLong 방법을 사용한 ROC 곡선 및 AUC 비교
   • 모든 성능 지표에 대한 95% 신뢰 구간
   • 불일치 사례에서 모델 대 인간 오류 비교를 위한 McNemar 검정

   2차 분석:

   • 센터 간 성능 비교
   • 하위 그룹 분석(성별, 연령, 중증도, 장비)
   • 모델 성능에 영향을 미치는 요인에 대한 다변량 분석

   윤리적 고려사항:

   동의서 면제 요청:

   이 연구는 다음을 기반으로 동의서 면제를 요청할 것입니다:

1. 최소 위험(중재 없음, 환자 접촉 없음, 치료 수정 없음)
2. 실질적 불가능성(수년에 걸친 수천 명의 환자로부터 15,000개 영상 - 많은 경우 연락 불가능)
3. 완전한 익명화(데이터가 국제 규정 하에서 "개인 데이터"로 분류되지 않음)
4. 상당한 사회적 이익(전체 코스타리카 인구의 실명 질환 검출 개선 가능성)
5. 과학적 선례(거의 모든 대규모 후향적 인공 지능 개발 연구가 동의서 면제 하에 운영됨)
6. 환자 권리 보존(환자는 데이터 제외를 요청할 수 있음)

데이터 보안:

• 저장: HIPAA 인증을 받은 Google Cloud Platform
• 암호화: 저장 시 AES-256, 전송 시 TLS 1.3
• 접근: 다중 인증 필수
• 감사 추적: 모든 작업의 완전한 로깅
• 보존: 출판 후 5년, 이후 안전한 파기

우연 발견 프로토콜:

연구자가 이전에 진단되지 않은 심각한 병리를 식별하는 경우:

1. 연구자가 사이트 수석 연구자에게 통보
2. 사이트 수석 연구자가 로컬 암호화된 연결 테이블을 사용하여 환자 식별
3. 사이트 수석 연구자가 원래 치료 의사에게 연락
4. 치료 의사가 환자에게 연락할지 여부 결정
5. 발견 및 조치 문서화

제한사항:

인정된 제한사항:

1. 후향적 설계 - 역사적 문서화 품질에 의존, 영상 촬영 표준화 불가능
2. 두 센터만 - 결과가 다른 장비나 인구를 가진 다른 센터에 완벽하게 일반화되지 않을 수 있음
3. 코스타리카 인구 특이적 - 결과가 지역 인구통계 및 유병률에 특정적(하지만 이것이 정확히 목표입니다!)
4. 잘못될 수 있는 인간 전문가의 기준 진실 - 이중 판독 + 중재 시스템으로 완화

위험 완화:

잠재적 위험에 대한 계획:

• 불충분한 영상 양 → 품질 기준 보정을 위한 파일럿 단계; 필요한 경우 추가 센터 고려
• 과도한 판독자 불일치 → 기준 조정을 위한 보정 세션
• 불충분한 모델 성능 → 고급 아키텍처, 더 공격적인 증강으로 반복
• 탐지되지 않은 편향 → 포괄적 형평성 분석 사전 프로그래밍
• 데이터 보안 침해 → HIPAA 준수 인프라, 분기별 보안 감사, 사고 대응 계획

미래 구현:

이는 개발 및 검증만이며 임상 구현이 아닙니다.

검증이 성공적이라면, 2단계는 다음과 같을 것입니다:

• 전향적 통제 연구
• 실제 임상 영향 평가: 인공 지능 지원이 검출율을 향상시키는가? 환자 관리 변경? 결과 개선?
• 임상의 및 환자 수용도 측정
• 비용 효과성 평가

제안된 임상 사용 시나리오(미래):

1. 일상 안과 방문에서 환자 평가
2. 표준 진단 영상 촬영(안저 사진, OCT, 시야)
3. 영상이 인공 지능 시스템으로 자동 전송
4. 시스템이 몇 초 내에 영상을 분석하고 보고서 생성
5. 안과 의사가 영상 + 인공 지능 보고서 검토

6. 안과 의사가 최종 임상 결정 내림(인공 지능은 보조자, 대체자가 아님)

   안전장치:

   - 인간 의사가 항상 최종 결정 내림

   • 시스템이 각 예측에 대해 신뢰도 표시
   • 낮은 신뢰도 경고는 인간 제2의견 권장 유발
   • 성능 모니터링을 위한 인간-인공 지능 일치 추적

   지속적 모니터링(구현 시):

   - 분기별 성능 평가

   • 새 데이터로 연간 재훈련
   • 새 장비나 영상 양식 등장 시 업데이트

   기대되는 기여:

   과학적:

   - 코스타리카 인구에서 특별히 검증된 첫 인공 지능 안과 모델

   - 다른 라틴 아메리카 국가들이 복제할 수 있는 엄격한 방법론

   • 고품질 참조 데이터베이스(15,000개 전문가 검증 영상)
   • 고영향 저널 출판물

   임상적:

   - 잠재적 진단 지원 도구(검증 성공 시)

   - 표준화된 진단 기준

   • 교육 자료

   보건 정책:

   - 인공 지능 의료 소프트웨어에 대한 규제 결정을 위한 증거

   • "현지 검증 우선" 접근법 모델
   • 공공-민간 협력 사례

   교육적:

   • 의료 인공 지능 분야의 현지 인재 훈련
   • 의료 기술에서의 알고리즘 편향 인식

   참고문헌:

   안과에서 인공 지능 능력을 입증한 주요 연구:

   • Gulshan V, 외. Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA. 2016;316(22):2402-2410.
   • De Fauw J, 외. Clinically applicable deep learning for diagnosis and referral in retinal disease. Nat Med. 2018;24(9):1342-1350.
   • Li Z, 외. Efficacy of a deep learning system for detecting glaucomatous optic neuropathy based on color fundus photographs. Ophthalmology. 2018;125(8):1199-1206.