[Research & Insight]안저사진 AI와 사람 판독을 비교한 6,304명 녹내장 선별 외부검증 연구
안저사진 AI와 사람 판독을 비교한 6,304명 녹내장 선별 외부검증 연구 — 핵심 요약EPIC-Norfolk Eye Study 인구 기반 외부 검증 (*Ophthalmology* 2026-08-10 온라인 선출판)
안저사진 한 장으로 계산한 AI의 수직 컵-유두비는, 이번 6,304명 분석에서 사람 판독값보다 녹내장·녹내장 의심 상태를 더 잘 구분했습니다. 다만 이 결과를 그대로 받아들이기 전에 알아야 할 것이 있습니다 — 저자 17명 중 6명이 Google LLC 재직 또는 Google Health 자문 관계이며, 평가 대상 AI 모델 자체가 Google Health가 공개한 것입니다. 이 글 곳곳에서 이 이해상충을 함께 표시했습니다. 이 연구는 안저사진 한 장을 이용한 선별 성능을 평가했을 뿐, AI가 녹내장을 확진하거나 치료 결과를 개선한다는 사실을 입증하지는 않았습니다.
🔎 이 글의 성격 (소개·정보 고지): 이 글의 필자는 인용 연구의 저자가 아니며, 해당 연구와 이해관계가 없습니다. 이 글은 광고가 아닌 일반 의학 정보입니다. 진단·치료·검사 여부는 담당 안과 의료진과 상의해 판단해야 합니다.
⚠️ 이해상충 참고: 이 연구가 평가한 AI 모델(ML-VCDR)은 Google Health가 개발해 코드·가중치를 공개한 모델입니다. 저자 17명 중 4명(JK·FH·AC·CYM)은 Google LLC 재직자이고, 2명(DJF·PJF)은 별도로 Google Health 자문료를 받았습니다 — 총 6명이 Google과 직접적인 관계가 있습니다. 다만 녹내장 여부의 최종 판정은 Google과 무관한 독립적인 안과 전문의가 진행했습니다. 이 글에서 AI와 사람 판독을 비교하는 모든 서술은 이 이해상충을 함께 고려해서 읽어야 합니다.
서지정보 · Taylor TRP, Khasentino J, Luben RN 외 14명(총 17명) · *Ophthalmology* · 2026-08-10 온라인 선출판 · DOI: 10.1016/j.ophtha.2026.07.043 · PMID: 42575300 · 연구비: NIHR Moorfields Eye Hospital NHS Foundation Trust 및 UCL Institute of Ophthalmology BRC, Medical Research Council, Cancer Research UK, Research into Ageing 등 지원(Google 자금 아님) · COI: 저자 17명 중 6명이 Google LLC 재직 또는 Google Health 자문 관계(상세 아래 이해상충 박스 및 출처 참고)
핵심 요약
- 양쪽 눈 모두에서 사람과 AI가 안저사진을 판독할 수 있었던 6,304명을 분석한 결과, AI의 수직 컵-유두비 추정값이 사람 판독값보다 녹내장 또는 녹내장 의심 상태를 더 잘 구분했습니다.
- AI 수직 컵-유두비의 AUROC는 우안 90%, 좌안 88%였고, 사람 판독값은 각각 81%와 79%였습니다. AUROC는 전체적인 구분 능력을 나타내는 지표이며, 환자의 90% 또는 88%를 찾아냈다는 뜻은 아닙니다.
- AI가 계산한 전체 녹내장 의뢰 위험 점수의 AUROC는 우안 91%, 좌안 89%로 수직 컵-유두비만 사용했을 때보다 소폭 높았습니다. 그러나 실제 관찰된 녹내장 비율보다 위험을 전반적으로 낮게 예측하는 경향도 나타났습니다.
- 중등도·고도근시와 굴절상태에 영향을 줄 수 있는 안과적 처치를 제외한 분석에서도 AI의 판별력이 더 높은 결과는 유지됐습니다.
- 연구에서 말하는 양성 상태에는 확진 녹내장뿐 아니라 전문기관의 지속적인 관찰이 필요하다고 판단된 녹내장 의심 상태도 포함됐습니다.
- 이 결과만으로 AI가 안과 의료진의 진단이나 현재의 녹내장 검사를 대신할 수 있다고 해석해서는 안 됩니다.
안저사진 AI 연구를 시작한 배경
녹내장은 상당히 진행될 때까지 뚜렷한 증상을 느끼지 못할 수 있습니다. 약물·레이저·수술 같은 치료 방법이 있지만, 늦게 발견되면 돌이키기 어려운 시력 저하로 이어질 수 있어 정기적인 눈 검사가 중요합니다.
인구 전체를 대상으로 하는 녹내장 선별검사는 아직 해결해야 할 문제가 많습니다. 녹내장이 아닌 사람을 양성으로 잘못 분류하는 사례가 지나치게 많아지면 불필요한 불안과 추가 검사가 생기고, 이미 부담이 큰 의료체계에도 영향을 줄 수 있기 때문입니다.
연구진은 비교적 쉽게 촬영할 수 있는 안저사진을 AI가 분석하면 이러한 선별 과정에 도움이 될 가능성이 있는지 살펴봤습니다. 주요 대상은 수직 컵-유두비(VCDR, 안저사진에서 시신경유두 중심부의 함몰이 세로 방향으로 차지하는 비율)였습니다. 이 수치는 녹내장을 평가할 때 참고하는 여러 정보 가운데 하나입니다.
연구 설계와 참여자 구성
연구진은 영국의 인구 기반 눈 연구인 EPIC-Norfolk Eye Study 자료를 이용했습니다. 전체 눈 연구 참여자는 8,623명이었고, 이 가운데 7,411명이 적어도 한쪽 눈의 컬러 안저사진을 촬영했습니다. 최종 주분석에는 양쪽 눈 모두에서 사람과 AI가 판독 가능한 사진을 보유한 6,304명이 포함됐습니다.
주분석 참여자의 평균 연령은 67.8세였으며 범위는 48.4세부터 91.9세까지였습니다. 여성은 56.6%였고, 99.4%가 자신을 백인으로 확인했습니다.
6,304명 가운데 696명은 적어도 한쪽 눈에 녹내장이 있거나 전문기관에서 계속 관찰할 필요가 있는 녹내장 의심 상태였습니다. 눈 단위로는 우안 582안, 좌안 576안이 이에 해당했습니다. 이 숫자는 연구 표본의 구성일 뿐, 일반인 개인의 녹내장 절대위험을 뜻하지 않습니다.
녹내장 상태 판정 기준
참여자들은 시력과 안압을 비롯해 시신경과 망막 구조를 살펴보는 여러 검사를 받았습니다. 미리 정한 의뢰 기준에 해당하면 녹내장을 전문으로 진료하는 안과 전문의가 상급 안과기관에서 직접 평가했습니다.
연구진은 특징적인 시신경 구조 이상과 이에 부합하는 시야손실이 있는 경우를 녹내장으로 정의했습니다. 초기 또는 경미한 녹내장성 시신경 변화가 있으면서 시야가 정상이거나 시야검사 자료가 없는 경우에는 녹내장 의심 상태로 분류했습니다. 이 가운데 전문기관의 지속적인 관찰이 필요하다고 판단된 사례가 연구의 양성 상태에 포함됐습니다.
따라서 이번 결과는 ‘확진 녹내장만’을 찾아내는 성능이 아닙니다. 녹내장과 전문 추적이 필요한 의심 상태를 함께 구분한 성능입니다.
AI와 사람 판독자의 평가 방식
훈련받은 사람 판독자는 다른 검사 결과와 참여자의 안과 병력을 알지 못한 상태에서 안저사진의 수직 컵-유두비를 측정했습니다. AI 모델도 같은 안저사진에서 수직 컵-유두비와 녹내장 의뢰 위험 점수를 산출했습니다.
AI는 EPIC-Norfolk 사진을 미리 학습하지 않은 상태에서 평가됐습니다. 서로 독립된 인구 자료에서 성능을 확인하는 외부 검증이었다는 점이 이 연구의 강점입니다. 최종 AI 모델의 코드와 가중치는 다른 연구자들이 검증할 수 있도록 공개됐습니다.
AI와 사람의 AUROC 비교 결과
AI가 추정한 수직 컵-유두비의 AUROC는 우안 90%, 좌안 88%였습니다. 사람 판독값의 AUROC는 우안 81%, 좌안 79%였습니다. 각 차이는 통계적으로 유의했습니다.
| 평가 지표 | 우안 AI | 우안 사람 | 좌안 AI | 좌안 사람 |
|---|---|---|---|---|
| AUROC | 90% (95% 신뢰구간 88.7–91.0) | 81% (78.6–82.5) | 88% (86.3–89.1) | 79% (76.8–81.2) |
| 녹내장 상태 설명분산 | 35% (32.4–37.9) | 20% (16.9–22.6) | 31% (27.9–33.9) | 17% (14.7–20.4) |
AUROC는 여러 기준값을 적용했을 때 양성 상태와 비양성 상태를 전반적으로 얼마나 잘 구분하는지를 나타냅니다. 1에 가까울수록 구분 능력이 높지만, AUROC 90%를 ‘환자 100명 중 90명을 발견했다’는 민감도나 정확도로 읽어서는 안 됩니다.
연령과 성별만 이용한 모델의 AUROC는 양쪽 눈 모두 62%였습니다. 구체적인 95% 신뢰구간은 우안 59.6–64.5, 좌안 59.8–64.7이었습니다. 이 결과는 단순한 인구학적 정보보다 수직 컵-유두비가 연구에서 정한 녹내장 상태를 구분하는 데 더 많은 정보를 제공했다는 뜻입니다.
연구진은 민감도, 특이도, 양성예측도와 음성예측도도 평가했습니다. 그러나 제공된 원문에는 해당 표의 실제 수치가 포함되지 않아 이 글에서는 제시하지 않습니다. 따라서 이번 자료만으로 AI 검사에서 양성이 나온 사람 가운데 실제로 녹내장 또는 의심 상태인 비율을 판단할 수는 없습니다.
AI와 사람의 수직 컵-유두비 수치 차이
녹내장이 아닌 눈에서 AI가 계산한 평균 수직 컵-유두비는 우안 0.35, 좌안 0.34였습니다. 사람 판독값은 양쪽 눈 모두 0.39였습니다. 반대로 녹내장 또는 의심 상태인 눈에서는 AI 평균값이 우안 0.55, 좌안 0.53으로, 사람 판독값인 우안 0.49와 좌안 0.48보다 높았습니다.
또한 녹내장 또는 의심 상태인 눈 가운데 AI가 수직 컵-유두비를 0.8 초과로 평가한 눈은 87안이었지만, 사람 판독에서는 2안이었습니다. 이는 두 방법이 수직 컵-유두비의 경계를 정하는 방식에 상당한 차이가 있었음을 보여줍니다.
하지만 AI 값이 사람 값보다 녹내장 상태와 더 잘 연관됐다는 사실만으로 AI가 해부학적으로 더 ‘참된’ 수치를 측정했다고 단정할 수는 없습니다. 저자들도 수직 컵-유두비의 경계를 정하는 과정에는 어느 방법에서든 판단의 여지가 있다고 설명했습니다.
전체 녹내장 의뢰 위험 점수의 판별력
AI가 산출한 전체 녹내장 의뢰 위험 점수의 AUROC는 우안 91%(95% 신뢰구간 90.2–92.3), 좌안 89%(88.1–90.8)였습니다. 수직 컵-유두비만 사용했을 때보다 각각 소폭 높았고, 그 차이는 통계적으로 유의했습니다.
다만 위험 점수의 예측 확률은 전반적으로 실제 관찰된 녹내장 또는 의심 상태의 비율보다 낮았습니다. 이를 보정(calibration, 예측한 확률과 실제 관찰 비율이 얼마나 일치하는지)의 문제라고 합니다. 판별 순서는 비교적 잘 정했더라도, 예측된 숫자 자체를 개인의 실제 확률로 곧바로 받아들이기는 어렵다는 뜻입니다.
따라서 AI가 높은 위험 점수를 제시하더라도 그것은 확진 결과가 아니라 추가적인 안과 평가를 고려하게 하는 의뢰 신호로 다뤄야 합니다.
근시 제외 하위분석 결과
근시가 있는 눈은 시신경유두의 모양을 평가하기 더 까다로울 수 있어 연구진은 별도의 하위분석을 시행했습니다. 굴절상태에 영향을 줄 수 있는 백내장수술·굴절수술·망막박리 처치 이력이 있는 참여자와 중등도·고도근시가 있는 참여자를 제외했습니다.
이 분석에서도 AI 수직 컵-유두비의 AUROC는 우안 90%(95% 신뢰구간 89.0–91.7), 좌안 88%(85.8–89.2)였습니다. 사람 판독값은 우안 82%(79.4–84.0), 좌안 79%(76.9–81.9)였습니다. 근시와 관련된 평가 어려움을 일부 제외해도 주분석과 비슷한 방향의 결과가 나타난 것입니다.
이는 특정 요인을 제외한 뒤에도 결과가 유지됐다는 의미이지, 모든 근시 환자에게 동일한 성능이 보장된다는 뜻은 아닙니다.
이 연구가 보여준 것과 보여주지 못한 것
이번 연구의 중요한 강점은 AI가 학습 과정에서 접하지 않은 인구 기반 자료로 성능을 검증했다는 점입니다. 녹내장 상태도 안저사진의 모양만으로 정하지 않고, 녹내장 전문 안과의사가 여러 검사 결과와 직접 진찰을 바탕으로 판단했습니다.
그러나 다음과 같은 한계가 있습니다.
첫째, 모든 컬러 안저사진은 입체감이 없는 2차원 사진이었습니다. 입체 사진을 사용했다면 AI와 사람 모두의 성능이 달라졌을 가능성이 있습니다.
둘째, 주분석 참여자의 99.4%가 자신을 백인으로 확인했습니다. 따라서 다른 조상 배경을 지닌 인구집단에서도 같은 성능이 나타날지는 알 수 없습니다.
셋째, 분석 결과는 사진 품질이 사람과 AI의 기준을 모두 충족한 참여자에게 적용됩니다. 별도 비교 모델인 AutoMorph까지 판독할 수 있었던 참여자는 3,446명으로 줄었고, 이 가운데 343명이 녹내장 또는 의심 상태였습니다. 더 높은 영상 품질이 필요한 환경에서는 실제 적용 대상이 달라질 수 있습니다.
넷째, AI의 양성 결과는 확진 녹내장과 녹내장 의심 상태를 구분하지 않습니다. 또한 제공된 원문만으로는 실제 선별 환경에서 중요한 양성예측도와 음성예측도의 구체적인 수치를 확인할 수 없습니다.
마지막으로 이 연구는 AI 선별검사를 도입했을 때의 비용효과, 불필요한 의뢰 규모, 시야손실 예방 또는 치료 결과를 평가하지 않았습니다. 연구진도 추가 개발과 평가가 이뤄진다면 인구 수준의 선별에 활용될 가능성이 있다고 제안했을 뿐, 지금 바로 선별검사로 도입할 수 있다고 결론내리지는 않았습니다.
결과 해석과 남은 과제
이번 결과는 안저사진 한 장에서 AI가 계산한 수직 컵-유두비가 훈련받은 사람의 판독값보다 전문의 확인 상태와 더 잘 연관될 수 있음을 보여줍니다. 촬영 접근성이 높아지고 다른 인구집단에서도 성능과 안전성이 충분히 검증된다면, 향후 추가 검사가 필요한 사람을 가려내는 과정에 도움을 줄 가능성이 있습니다.
그러나 녹내장 진단은 안저사진 한 장이나 하나의 비율만으로 끝나지 않습니다. 시신경 구조, 안압, 시야검사와 여러 임상 정보를 함께 살펴야 하며, AI 결과가 정상이라고 해서 녹내장이 없다고 단정할 수도 없습니다. 검사 결과가 걱정되거나 녹내장 위험을 안내받았다면 담당 안과 의료진과 상의하고 정기적으로 눈 검진을 받으세요.
자주 묻는 질문 (FAQ)
Q1. AUROC 90%는 녹내장 환자 100명 중 90명을 찾아냈다는 뜻인가요?
아닙니다. AUROC는 여러 기준값에서 양성 상태와 비양성 상태를 전반적으로 구분하는 능력을 요약한 지표입니다. 실제 환자를 얼마나 찾아냈는지는 민감도로, 양성이 아닌 사람을 얼마나 잘 제외했는지는 특이도로 따로 확인해야 합니다. 제공된 원문에는 해당 수치가 들어 있는 표의 실제 값이 제시되지 않았습니다.
Q2. AI가 양성으로 판단하면 녹내장이 확진된 것인가요?
아닙니다. 연구의 양성 상태에는 확진 녹내장과 전문 추적이 필요한 녹내장 의심 상태가 함께 포함됐습니다. AI 결과는 추가적인 종합검사를 고려하게 하는 신호이지 확진 결과가 아닙니다.
Q3. 사람보다 AUROC가 높았다면 AI가 측정한 수치가 더 정확한가요?
녹내장 상태를 구분하는 데 더 유용하게 작동했지만, AI의 수직 컵-유두비가 해부학적으로 더 참된 값이라고 단정할 수는 없습니다. 저자들도 경계를 정하는 방식에는 판단의 여지가 있다고 밝혔습니다.
Q4. 근시가 있어도 같은 결과를 기대할 수 있나요?
중등도·고도근시와 굴절상태에 영향을 줄 수 있는 처치를 제외한 하위분석에서도 AI의 판별력이 더 높은 결과는 유지됐습니다. 그러나 이 분석은 해당 참여자들을 제외한 결과이므로, 모든 근시 환자에게 같은 성능이 보장된다는 의미는 아닙니다.
Q5. 안저사진 AI 결과를 받았다면 어떻게 해야 하나요?
결과가 높거나 의심스럽다고 안내받아도 스스로 녹내장으로 단정하지 마세요. 반대로 정상 결과만으로 녹내장이 없다고 단정해서도 안 됩니다. 담당 안과 의료진과 결과를 함께 확인하고 필요한 종합검사와 정기적인 눈 검진을 받으세요.
Q6. 이 연구는 Google과 관련이 있나요?
네, 관련이 있습니다. 평가 대상 AI 모델(ML-VCDR)은 Google Health가 개발해 코드와 가중치를 공개한 모델이며, 저자 17명 중 4명이 Google LLC 재직자이고 2명이 별도로 Google Health 자문료를 받아 총 6명이 Google과 직접적인 관계를 공개했습니다. 다만 녹내장 여부를 최종 판정한 안과 전문의는 Google과 무관한 독립적인 인력이었습니다. 이 연구비는 NIHR·Medical Research Council 등에서 지원했으며 Google 자금이 아닙니다.
더 알아보기
안저검사와 녹내장, 의료 AI 연구를 일반인의 눈높이에서 설명한 글은 AfterNOON Insights에서 더 살펴볼 수 있습니다. AI 결과만으로 진료 결정을 내리지 말고, 눈 상태와 검사 주기는 담당 안과 의료진과 상의하세요.
출처 (Sources)
- 연구 원문: Taylor TRP, Khasentino J, Luben RN 외. "A Comparison of Machine Learning and Human Graders for Glaucoma Diagnosis from Fundus Images for Population Screening." *Ophthalmology*. 2026-08-10 온라인 선출판. DOI: 10.1016/j.ophtha.2026.07.043 · PMID: 42575300. 총 저자 17명 중 6명이 Google LLC 재직 또는 Google Health 자문 관계입니다(아래 이해상충 참고). EPIC-Norfolk Eye Study 코호트 자체의 DOI는 10.22025/2019.10.105.00004이며, 이는 코호트 인프라의 DOI로 이번 리뷰 대상 논문의 DOI와는 별개입니다.
- 공개 모델: 연구진은 ML-VCDR의 코드와 가중치를 Google Health 공개 저장소에 제공했습니다.
- 연구비: NIHR의 Moorfields Eye Hospital NHS Foundation Trust 및 UCL Institute of Ophthalmology BRC 지원금이 제공됐습니다. EPIC-Norfolk은 Medical Research Council, Cancer Research UK와 Research into Ageing 등의 지원을 받았습니다. 원문에 따르면 이 연구비 지원기관들은 Google과 무관하며, 연구의 설계나 수행에 관여하지 않았습니다.
- 이해상충(COI) — 상세: JK, FH, AC, CYM은 Google LLC 직원입니다. DJF, PJF는 Google Health에서 자문료를 받아 총 6명이 Google과 직접적인 관계를 공개했습니다. DJF는 이 외에도 Abbvie, Allergan, Apellis, Boehringer Ingelheim, Galimedix, Roche에서 자문료 및 연구지원을 받았습니다. LAM은 Santen에서 원고작성료를 받았습니다. PAK는 Cascader Ltd. 공동창업자이며 여러 기업의 자문, 지분, 강연료, 연구비, 여행지원 및 자문위원회 참여를 공개했습니다. PJF는 이 외에도 Alphasights, GLG, Guidepoint, PwC, Santen, Viatris, Abbvie 관련 이해관계를 공개했습니다. APK는 Abbvie, Aerie, Allergan, Glaucore, Heidelberg, Novartis, Regeneron, Reichert, Santen, Seonix Bio, Thea, Topcon의 자문료를 받았습니다. 평가 대상 AI 모델(ML-VCDR)이 Google Health의 공개 모델이라는 점과 함께 고려해서 읽어야 합니다.
함께 보면 좋은 글
참고 자료
이 글은 안과 전문의 박상준(분당서울대학교병원 안과)의 감수를 받았습니다.
본 콘텐츠는 일반 건강정보이며, 진단과 치료는 담당 안과 전문의와 상담하세요.
