양안 안저사진·임상 정보, 처리 시간 중앙값 30.6 ± 6.0초 — 6개 전신질환 선별 AI 프레임워크 Reti-Pioneer 연구 리뷰

Nature Medicine 게재 논문 (PMID 42050182)

양안 색안저사진과 임상 정보를 결합해 제2형 당뇨병, 통풍, 골다공증, 고혈압, 고지혈증, 갑상선질환 등 6개 질환을 선별하는 AI 프레임워크가 Nature Medicine에 보고되었습니다. 1차 의료기관 사일런트 시험에서 촬영부터 보고서 생성까지 걸린 시간의 중앙값은 30.6 ± 6.0초였습니다. 이 모델은 107,730장의 안저사진으로 학습되어 의료 자원이 취약한 지역과 다인종 코호트에서 성능이 일부 유지되었고, 현재 질환이 없는 사람의 향후 5~10년 발병도 어느 정도 예측했습니다. 다만 저자들 스스로 현재의 정확도는 광범위한 임상 도입 기준에는 미달한다고 밝혔으며, 대규모 무작위대조시험을 통한 검증이 아직 남아 있습니다.

🔎 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: Zhang X, Li Q, Liang Y, et al. · Nature Medicine 32, 2494–2503 (2026) · DOI: 10.1038/s41591-026-04359-w · PMID 42050182 · 연구비: Acknowledgements에 NSFC(U24A20707 등), Guangdong 재단, NMRC Singapore, NHMRC 등 다수 기관 연구비 지원 명시 · COI: C.-Y. Cheng은 Eye.AI 공동창업자이며 MediWhale 컨설턴트임. 그 외 저자는 이해상충 없음을 선언

핵심 요약

• Reti-Pioneer라는 멀티태스크 AI 프레임워크는 양안 색안저사진(CFP)과 임상 정보를 결합해 제2형 당뇨병, 통풍, 골다공증, 고혈압, 고지혈증, 갑상선질환 등 6개 질환을 동시에 선별했습니다.
• 학습 데이터는 107,730장의 안저사진 / 53,865명(영국 바이오뱅크 + 중국 3차 병원) 규모였습니다.
• 내부 검증 AUROC는 제2형 당뇨병 0.833, 통풍 0.832, 골다공증 0.787, 고혈압 0.740, 고지혈증 0.736, 갑상선질환 0.699였습니다.
• 의료 자원 취약 지역(티베트·신장·광시) 외부검증에서 골다공증 0.904, 제2형 당뇨병 0.821까지 유지됐으나, 고지혈증은 0.628로 뚜렷하게 하락했습니다.
• 싱가포르 다인종 코호트(SEED)에서는 제2형 당뇨병과 고지혈증 AUROC가 내부 검증보다 낮았고, 고혈압은 0.749로 내부 검증(0.740)보다 높았습니다. 저자들은 데이터셋의 균형과 대표성 개선이 필요하다고 인정했습니다.
• 1차 의료기관 사일런트 시험에서 촬영부터 보고서 생성까지 걸린 시간의 중앙값은 케이스당 30.6 ± 6.0초였습니다. 별도의 파일럿에서 제2형 당뇨병 선별 AUROC 0.776은 기존 FINDRISC 점수(0.565)보다 유의하게 높았습니다.
• 저자들은 현재 정확도가 광범위한 임상 도입 기준에는 미달하며, 예방 전략으로서의 유효성 검증을 위한 대규모 무작위대조시험이 필요하다고 명시했습니다.

양안 안저사진과 임상 정보로 여러 전신질환을 훑는 '오큘로믹스' 접근

연구가 풀려는 문제

당뇨병, 고혈압, 고지혈증 같은 만성 대사질환은 조기에 발견할수록 관리 성적이 좋지만, 선별에는 혈액검사 인프라와 시간이 필요합니다. 이 연구는 이미 안과 검진에서 널리 찍히는 양안 색안저사진(망막 사진)과 임상 정보를 결합해, 주사바늘과 채혈 없이 여러 전신질환의 위험을 동시에 훑는 방법을 제안합니다. 이런 접근은 흔히 '오큘로믹스(oculomics)'라고 불립니다.

모델 구조와 학습 규모

Reti-Pioneer는 멀티태스크 구조로 설계되어 양안 안저사진과 임상 정보를 결합해 6개 질환을 동시에 추정합니다. 특히 현실의 1차 의료 환경에서 흔한 산동 없는 촬영이나 백내장으로 인한 저품질 사진을 버리지 않고 '품질 인식 모듈'로 활용하는 점이 특징입니다. 학습에는 영국 바이오뱅크(커뮤니티 기반)와 중국 3차 병원(병원 기반) 데이터를 합쳐 107,730장 / 53,865명이 사용되었습니다.

내부 검증 성능

AUROC는 0.5가 무작위 추측, 1.0이 완벽한 판별입니다. 여섯 질환 모두 무작위보다는 확실히 나았지만, 갑상선질환(0.699)은 임상 적용에는 아직 부족한 수준입니다.

외부 검증: 취약 지역과 다인종 코호트

학습에 쓰이지 않은 데이터에서의 성능은 환경에 따라 달랐습니다.

• 중국 자원취약 지역(티베트·신장·광시): 골다공증 0.904, 제2형 당뇨병 0.821, 갑상선질환 0.821, 고혈압 0.805, 통풍 0.731, 고지혈증 0.628
• 싱가포르 SEED(다인종): 제2형 당뇨병 0.686, 고혈압 0.749, 고지혈증 0.615

의료 인프라가 열악한 지역에서도 일부 질환의 판별력은 잘 유지되었지만, 고지혈증은 눈에 띄게 하락했고 인종 구성이 다른 집단에서는 제2형 당뇨병과 고지혈증 AUROC가 내부 검증보다 낮았으나 고혈압은 높았습니다. 저자들은 이 격차를 스스로 한계로 명시했습니다.

미래 발병 예측: 5년, 10년

현재 해당 질환이 없는 사람에게서 향후 발생을 어느 정도 예측할 수 있었습니다.

• 제2형 당뇨병: 5년 내 발생 AUROC 0.755 (0.702–0.809), 10년 0.736
• 고혈압: 5년 0.755, 10년 0.719
• 고지혈증: 5년 0.748, 10년 0.735

망막 변화가 임상 진단에 앞선다는 가설을 수치로 뒷받침한 결과이지만, 예측 기간이 길어질수록 성능은 소폭 하락했습니다. 또한 이 분석은 고정 시점의 이분형 분류였을 뿐 정식 생존분석(time-to-event)은 아니었다고 저자들이 밝혔습니다.

실제 진료 현장 사일런트 시험과 파일럿: 처리 시간과 FINDRISC 비교

전향적 사일런트 시험(무공개 시험)과 1차 의료기관 파일럿(606명)에서 다음과 같은 결과가 나왔습니다.

• 처리 속도(사일런트 시험): 촬영부터 보고서 생성까지 걸린 시간의 중앙값은 케이스당 30.6 ± 6.0초로, 실험실 워크플로우 약 7.97–8.11시간보다 짧았습니다(P < 0.001). FINDRISC 설문(126.6 ± 48.1초)보다도 빨랐습니다. 이미지 획득 성공률은 98.7%, AI 추론 성공률은 100%였습니다.
• 제2형 당뇨병 선별: AUROC 0.776 (0.710–0.842) vs FINDRISC 0.565 (0.459–0.670), P < 0.001
• 음성예측도(NPV): 0.966 (0.946–0.983) — AI가 '음성'이라고 판정한 경우의 통계적 신뢰도입니다. 단, 이는 실험실 검사·신체검진·자기보고를 결합한 기준과 비교한 값일 뿐 확정 진단이 아닙니다.
• 수용도: 참여자 80% 이상이 '매우 만족', 지불의향 52.0%, 거부 4.9%, 임상의 만족도 평균 4.4/5 이상

생물학적 근거를 찾는 시도

연구팀은 망막 잠재특징과 혈장 단백질체(SCARA5, PLA2G7, PTPRF, APOM 등)의 연관성을 제시했습니다. 열거된 주요 단백질의 연관성은 교란요인 및 다중검정 보정 뒤에도 유의했지만, 잔여 교란을 완전히 배제할 수 없어 독립적 연관을 확립한 결과라기보다 모델 예측이 단백질 서명의 대리(proxy) 역할을 한다고 저자들은 설명했습니다.

저자들이 명시한 한계

이 연구의 해석에는 다음 제약이 따릅니다. 모두 원문 Discussion에서 저자들이 직접 밝힌 내용입니다.

1. 싱가포르 SEED 다인종 코호트에서 성능 격차가 관찰되었고, 데이터셋의 균형과 대표성 개선이 필요합니다.
2. 현재의 진단·예측 정확도는 광범위한 임상 도입에 요구되는 기준에는 미달한다고 저자들이 스스로 서술합니다.
3. 종단 분석이 고정 시점의 이분형 분류였을 뿐 정식 생존분석이 아니었습니다.
4. 전자건강기록 기반 발병 시점 정의의 부정확성으로 사례-대조 오분류 가능성이 있습니다.
5. 관상동맥질환, 뇌졸중, 사망 등 드물거나 생명을 위협하는 질환은 현재 범위에 포함되지 않았습니다.
6. 단백질체 연관 분석에서 잔여 교란을 완전히 배제할 수 없습니다.
7. 예방 전략으로서의 유효성 검증을 위한 대규모 무작위대조시험이 아직 필요합니다.

즉, 이 연구가 보여준 것은 "추가 검사가 필요한 사람을 골라내는 보조 선별 도구로서의 가능성"이지, 확정 진단이나 확정 예언 도구가 아닙니다.

자주 묻는 질문 (FAQ)

Q1. 양안 안저사진과 임상 정보로 당뇨병을 진단할 수 있게 된 것입니까?

아니요. 이 AI는 진단 도구가 아니라 선별(스크리닝) 보조 도구입니다. 추가 검사가 필요한 사람을 골라내는 목적으로 가능성을 보였으며, 저자들 스스로 현재 정확도가 광범위한 임상 도입 기준에는 미달한다고 밝혔습니다. 확정 진단은 여전히 혈액검사 등 표준 검사와 의료진 판단에 따릅니다.

Q2. AI가 '음성'이라고 하면 안심해도 됩니까?

파일럿에서 음성예측도(NPV)는 0.966이었지만, 이는 통계적 신뢰도일 뿐 100% 배제 보장이 아닙니다. 또한 이 수치는 실험실 검사·신체검진·자기보고를 결합한 기준과 비교한 값입니다. 증상이나 위험 인자가 있다면 음성 판정과 무관하게 담당 의료진과 상의하세요.

Q3. 30.6초면 완벽한 건강검진이 가능하다는 뜻입니까?

30.6 ± 6.0초는 사일런트 시험에서 촬영부터 보고서 생성까지 걸린 시간의 중앙값일 뿐입니다. 여섯 질환 모두에서 고성능이었던 것도 아닙니다. 갑상선질환은 내부 검증 AUROC 0.699, 고지혈증은 자원취약 지역 외부검증에서 0.628로, 질환에 따라 성능 편차가 컸습니다.

Q4. 10년 뒤 당뇨병 발생을 확정적으로 예측할 수 있습니까?

아니요. 10년 예측 AUROC 0.736은 집단 차원의 위험층화 성능이지 개인 단위의 확정 예언이 아닙니다. 이 분석은 정식 생존분석이 아니었고, 전자건강기록 기반 발병 시점 정의의 부정확성도 지적되었습니다.

Q5. 지금 한국에서 이 검사를 받을 수 있습니까?

원문은 연구 단계의 결과를 보고한 것이며 국내 허가·도입 여부에 대한 정보는 포함되어 있지 않습니다. 안저사진 촬영 자체는 안과 검진에서 널리 시행되지만, 이 AI 기반 다질환 선별의 임상 적용 가능성은 담당 의료진과 상의하시기 바랍니다.

더 알아보기

안저사진 기반 AI 연구와 망막영상 분석의 최신 흐름은 AfterNOON Insights의 연구리뷰 시리즈에서 계속 다룹니다. 개인의 검사·진단·치료 판단은 언제나 담당 안과 의료진과 상의하고, 정기적인 안과 검진을 받으세요.

출처 (Sources)

• Zhang X, Li Q, Liang Y, et al. AI framework for multidisease detection via retinal imaging. Nature Medicine. 2026;32:2494–2503. DOI: 10.1038/s41591-026-04359-w. PMID: 42050182.
• 이해상충 고지: C.-Y. Cheng은 Eye.AI 공동창업자이며 MediWhale 컨설턴트임. 그 외 저자는 이해상충 없음을 선언했습니다.
• 연구비 고지: Acknowledgements에 NSFC(U24A20707 등), Guangdong 재단, NMRC Singapore, NHMRC 등 다수 기관 연구비 지원이 명시되어 있습니다.

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

가까운 안과에서 안저검사 예약하기