원추각막 신규 의뢰 환자의 2년 내 진행을 AI가 예측한다 — 첫 방문 데이터 기반 멀티모달 딥러닝 연구 소개

멀티모달 딥러닝 기반 원추각막 자동 분류(triage) 연구 (PMID 42256004)

원추각막 신규 의뢰 환자 7,396안으로 학습한 멀티모달 딥러닝이 첫 방문 데이터만으로 2년 내 진행을 AUROC 0.84로 예측했고, 외부 병원 963안 검증에서도 판별력을 유지했습니다. 두 번째 방문까지 순차 데이터를 반영하면 AUROC 0.93까지 올라갔고, 환자의 최대 83%를 NPV 90% 이상의 저위험군으로 분류할 수 있었습니다. 다만 외부 검증에서 성능 하락이 확인되었고, 저자들은 현지 재검증과 장비 통합이 선행되어야 한다고 명시했습니다.

🔎 이 글의 성격 (소개·정보 고지): 필자는 이 글에서 소개한 연구의 저자가 아니며 해당 연구와 이해관계가 없습니다. 이 글은 광고가 아니라 공개된 논문을 일반인의 눈높이에서 소개하는 정보 콘텐츠입니다. 개인의 진단·치료·검사에 관한 판단은 반드시 담당 안과 의료진과 상의하세요.

서지정보 · 저자: Balal S 외 · Ophthalmology Science · 연도·권·쪽: 2026;6(7):101208 · DOI: 10.1016/j.xops.2026.101208 · PMID 42256004 · 연구비: ESCRS Digital Research Award, Frost Trust Charity, UCL, Moorfields Eye Charity, NIHR 등 지원 (PMC 원문 고지) · COI: 일부 저자가 Topcon·Zeiss 자문·사례비, 특허·주식 등 고지 (PMC 원문 고지)

핵심 요약

• 영국 Moorfields Eye Hospital의 7,396안(3,893명) 데이터로 학습한 OCT·Placido 영상과 임상 수치를 결합한 멀티모달 딥러닝 모델이, 첫 방문 정보만으로 2년 내 원추각막 진행 여부를 AUROC 0.84(95% CI 0.83–0.85)로 구분했습니다.
• 같은 모델을 Croydon University Hospital의 독립 외부 데이터 963안(519명) 에서 검증한 결과 AUROC 0.75(95% CI 0.74–0.76)로 성능이 일부 하락했지만, 판별력은 유지되었습니다.
• 두 번째 방문까지 순차 데이터를 반영하는 LSTM 계열 모델은 AUROC 0.93, AUPRC 0.88, 민감도 0.73 / 특이도 0.96을 기록했습니다.
• 실제 진료 흐름 시뮬레이션에서 첫 방문 시점에 외부 코호트의 300명(58%), 두 번째 방문까지 활용하면 437명(83%) 을 NPV ≥90% 기준의 저위험군으로 분류할 수 있었습니다.
• 고위험군(출력확률 >0.8)의 PPV는 ≥90%(95% CI 88–92%), 저위험군(출력확률 <0.4)의 NPV는 ≥90%(95% CI 89–91%)였습니다.
• 나이는 단일 인자 중 가장 강한 예측 인자였지만 단독 AUROC는 0.63에 불과해, 여러 생체신호의 조합이 진행 위험 정보를 담고 있음을 보여줍니다.
• 18세 미만 소아 별도 감수성 분석(340명, 평균 16.2±0.82세)에서도 AUROC 0.84 / 0.93으로 성능이 유지되었습니다.

연구가 해결하려던 문제 — 원추각막 추적 관찰의 딜레마

전원 고밀도 추적의 부담

현재 원추각막 지침은 환자 전원을 3–6개월 간격으로 관찰하도록 권고합니다. 그러나 실제로 진행하는 환자는 내부 코호트 기준 약 25%, 외부 코호트 기준 약 18.3%에 불과했고, 나머지 다수에게 동일한 밀도의 추적은 병원 자원과 환자 방문 부담 모두에서 비효율을 만듭니다. 이 연구는 "누가 진행하고 누가 아닌지"를 방문 초기 데이터로 가려내는 자동 분류(triage)를 목표로 했습니다.

멀티모달 접근의 선택

연구진은 각막단층촬영(AS-OCT, MS-39)과 Placido 각막지형 영상, 그리고 표 형태 임상 수치를 결합한 멀티모달 딥러닝을 채택했습니다. AI가 주목한 진행 징후는 각막 뒤쪽(후면)과 아래-중심 부위였는데, 이는 앞면 각막 변화가 보이기 전에 뒷면부터 변한다는 최근 근거와 일치하는 방향입니다.

주요 결과 — 첫 방문 0.84에서 두 번째 방문 0.93까지

첫 방문 단독 예측과 외부 검증

첫 방문 데이터만 사용한 멀티모달 모델은 내부 검증에서 AUROC 0.84를 기록했습니다. 외부 병원 데이터에서는 0.75로 0.09 하락했는데, 두 코호트 간 나이(32.5±11.6 vs 30.7±8.2세, P=0.018), 진행률(P<0.001), 각막 지표 6개(P<0.05)의 분포 차이가 PCA 상위 3성분 설명분산 74.9%로 확인된 상황에서의 값입니다. 저자들은 이를 "AI 모델은 필연적으로 일정 수준의 기관별 성능 변동을 보인다"는 맥락에서 해석하며, 배포 전 무영향 병행 운영(silent running)과 현지 재교정을 권고했습니다.

순차 방문 데이터를 더했을 때

두 번째 방문까지의 데이터를 반영하는 LSTM 계열 모델은 AUROC 0.93, AUPRC 0.88로 크게 향상되었습니다. 민감도 0.73 / 특이도 0.96이라는 조합은, 이 기준에서 약 27%의 진행자는 놓칠 수 있다는 뜻이기도 합니다. 대신 특이도가 높아 비진행자를 안심 경과관찰군으로 걸러내는 데 유리했고, 시뮬레이션상 외부 코호트의 83%를 저위험군(NPV ≥90%)으로 분류할 수 있었습니다.

예측값 중심의 위험군 설계

이 연구의 위험군 설정은 민감도·특이도가 아니라 PPV/NPV 기준입니다. 고위험군(PPV ≥90%)에는 교정수술 시기 상담이나 집중 추적 같은 자원을 배분하고, 저위험군(NPV ≥90%)에는 방문 간격을 늘리는 식입니다. 환자에게 "당신 군에서 2년 내 진행 확률은 ~%"라고 직관적으로 설명할 수 있다는 점이 소통 측면의 강점입니다. 다만 저위험군에도 10% 미만의 진행 가능성이 남으며, 저자들은 "낮은 위험군에서 진행을 놓치는 것과 자원 낭비 사이의 균형"을 명시적으로 경고했습니다.

이 연구가 남긴 것과 한계

임상적 함의

저자들은 진단 → 위험도 분류 → 가상 모니터링으로 이어지는 원추각막 진료 경로 전체의 AI 자동화라는 방향을 제시합니다. 원추각막 추적에서 위험도 기반 방문 조절과 교정수술 시기 상담에 AI 판독이 활용될 수 있는 근거를 제공한 연구라 할 수 있습니다. 다만 이는 예방 치료(교차결합술 등)를 대체하는 것이 아니라, 누구에게 언제 자원을 집중할지 정하는 보조 도구입니다.

저자들이 명시한 한계

1. 평균 추적 2년이라 느리게 진행하는 경우를 놓칠 수 있습니다.
2. 눈 비빔 습관, 호르몬 변화처럼 예측 불가능한 요인은 모델이 반영하지 못합니다.
3. AS-OCT + Placido 장비 요구는 자원이 부족한 환경에서 도입을 제한합니다(다만 Placido 영상만으로도 상당한 정확도가 확인되었습니다).
4. 단일 장비(MS-39)로만 연구되어 다른 각막단층촬영 장비로의 확장은 향후 과제입니다.
5. 각막 생체역학(biomechanics) 데이터가 포함되지 않았습니다.
6. 임상 적용에는 장비 제조사와의 소프트웨어 통합 및 현지 교정 도구 개발이 아직 필요하다고 명시되었습니다.

자주 묻는 질문 (FAQ)

Q1. AUROC 0.93이면 거의 완벽하게 예측한다는 뜻인가요? 아닙니다. AUROC는 진행군과 비진행군을 구분하는 판별력 지표일 뿐입니다. 이 모델의 민감도는 0.73이라, 설정된 기준에서 약 27%의 진행자는 놓칠 수 있습니다. 고위험군의 PPV ≥90%, 저위험군의 NPV ≥90%라는 예측값과 함께 읽어야 하는 수치입니다.

Q2. 83%가 저위험군이라면 그 환자들은 안심해도 되나요? 83%는 NPV ≥90% 기준으로 분류된 비율이며, 해당 군에도 10% 미만의 진행 가능성이 남습니다. 저자들 역시 저위험군에서 진행을 놓치는 것과 자원 낭비 사이의 균형을 경고했습니다. 방문 간격 조절은 반드시 담당 의료진의 판단 아래 이루어져야 합니다.

Q3. 우리 지역 병원에서도 바로 쓸 수 있나요? 그렇지 않습니다. 외부 검증에서 성능이 하락했고(AUROC −0.09 / −0.03), 저자들은 현지 재검증·교정 없이는 임상 사용이 불가하다고 명시했습니다. 또한 MS-39 단일 장비 기반 연구라 다른 장비로의 확장은 아직 검증되지 않았습니다.

Q4. 이 AI가 원추각막을 예방하거나 치료해주나요? 아니요. 이 모델은 2년 내 진행 여부의 위험 분류를 돕는 도구일 뿐이며, 교차결합술 같은 치료를 대체하지 않습니다. 고위험군에서 진료 지연으로 피할 수 있는 시력 손실 가능성("avoidable loss of vision")을 줄이는 방향의 보조 도구로 제시된 것입니다.

더 알아보기

원추각막 추적 관찰, 각막지형 검사, 교차결합술 등 관련 주제의 해설 글은 AfterNOON Insights (afternoon.clop.ai) 시리즈에서 계속 다룹니다. 본 리뷰는 공개 논문의 일반인용 소개이며, 개인의 검사·치료 결정은 담당 안과 의료진과 상의하세요.

출처 (Sources)

• Automated Triage for New Keratoconus Referrals Using Multimodal Deep Learning. 저자·저널·연도·DOI: Balal S 외; Ophthalmology Science; 2026; 10.1016/j.xops.2026.101208. PMID: 42256004.
• 원문 연구비·이해상충 고지: 연구비는 ESCRS Digital Research Award, Frost Trust Charity, UCL, Moorfields Eye Charity, NIHR 등 지원을 받았습니다 (PMC 원문 고지). 일부 저자가 Topcon·Zeiss 자문·사례비, 특허·주식 등을 고지했습니다 (PMC 원문 고지). 윤리 승인(UK Health Research Authority, ref: 22/PR/0249)과 INSIGHT 가상연구환경 접근(HRA ref: 20/WS/0087)에 대한 기재는 본문에 있습니다.

원문: https://doi.org/10.1016/j.xops.2026.101208 · PubMed PMID 42256004

본 콘텐츠는 일반 건강정보이며, 진단과 치료는 담당 안과 전문의와 상담하세요.

가까운 안과에서 각막 검진 예약하기