본 연구는 심층 학습 기반 시신경유두 분류에서 시신경유두 기울기가 미치는 영향을 규명하고자 하였다. 총 1809명의 피험자(평균 연령 46세, 남성 53%)의 2236안에서 2507장의 안저 사진을 수집하였다. 전체 사진 중 1010장(40.3%)이 기울어진 시신경유두를 보였다. 영상 주석은 시신경유두의 병적 변화(정상, 녹내장성 시신경유두 변화, 시신경유두 부종, 시신경유두 창백)를 라벨링하기 위해 수행하였다. 심층 학습 기반 분류 모델링을 구현하여 전체 피험자 사진과 기울어진 시신경유두가 있는 경우 및 없는 경우의 사진을 이용해 시신경유두 외관 분류 모델을 개발하였다. 심층 학습 알고리즘과 무관하게, 분류 모델은 기울어지지 않은 시신경유두를 가진 피험자 데이터에 기초하여 개발했을 때(각각 VGG16, VGG19, DenseNet121에 대해 AUC 0.988 ± 0.002, 0.991 ± 0.003, 0.986 ± 0.003) 기울어진 시신경유두 데이터를 기반으로 개발한 경우보다 더 나은 전체 성능을 보였으며(각각 AUC 0.924 ± 0.046, 0.928 ± 0.017, 0.935 ± 0.008), 기울어진 시신경유두를 포함한 데이터에서는 성능이 저하되었다. 각 병적 변화의 분류에서 기울어지지 않은 시신경유두 모델은 기울어진 시신경유두 모델보다 더 좋은 민감도와 특이도를 나타내었다. 전체 피험자 데이터를 기반으로 개발된 시신경유두 외관 분류 모델은 기울어진 시신경유두의 외관을 보이는 환자에서 기울어지지 않은 시신경유두를 보이는 환자보다 낮은 정확도를 보였다. 본 연구의 결과는 향후 시신경유두 분류 알고리즘 개발 시 시신경유두 기울기의 영향을 식별하고 보정할 필요가 있음을 시사하였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.