[논문 리뷰] Deep Learning and Computer Vision for Glaucoma Detection: A Review

Mona Ashtari-Majlan, Mohammad Mahdi Dehshibi외 1명|arXiv (Cornell University)|2023. 07. 31.

Retinal Imaging and Analysis인용 수 4

한 줄 요약

이 논문은 2017년에서 2023년까지의 자동 망막병변 진단을 위한 딥러닝 및 컴퓨터 비전 기법을 종합적으로 검토하며, 망막도자, OCT, 시야도 영상 자료를 활용하여 구조적 패러다임, 성능 기준, 그리고 열린 과제를 강조한다. 일반화 능력, 불확실성 추정, 다중 모odal 통합 측면에서의 핵심 격차를 밝히며, 데이터셋을 체계적으로 정리하고 재현 가능하고 임상적으로 적용 가능한 인공지능 기반 솔루션을 권장한다.

ABSTRACT

Glaucoma is the leading cause of irreversible blindness worldwide and poses significant diagnostic challenges due to its reliance on subjective evaluation. However, recent advances in computer vision and deep learning have demonstrated the potential for automated assessment. In this paper, we survey recent studies on AI-based glaucoma diagnosis using fundus, optical coherence tomography, and visual field images, with a particular emphasis on deep learning-based methods. We provide an updated taxonomy that organizes methods into architectural paradigms and includes links to available source code to enhance the reproducibility of the methods. Through rigorous benchmarking on widely-used public datasets, we reveal performance gaps in generalizability, uncertainty estimation, and multimodal integration. Additionally, our survey curates key datasets while highlighting limitations such as scale, labeling inconsistencies, and bias. We outline open research challenges and detail promising directions for future studies. This survey is expected to be useful for both AI researchers seeking to translate advances into practice and ophthalmologists aiming to improve clinical workflows and diagnosis using the latest AI outcomes.

연구 동기 및 목표

• 2017년부터 2023년까지의 자동 망막병변 진단을 위한 딥러닝 및 컴퓨터 비전 기법에 대한 체계적 검토를 제공하기 위해.
• 망막병변의 임상적 특성인 초기 단계에서의 무증상성 및 기존 영상 및 기능적 검사의 한계를 고려하여 진단 과제를 해결하기 위해.
• 공개 데이터셋을 기반으로 한 모델의 일반화 능력, 불확실성 추정, 다중 모달 데이터 통합 능력 측면에서의 성능 격차를 평가하기 위해.
• 주요 데이터셋을 체계적으로 정리하고, 기존 기준에서의 규모, 레이블 불일치, 편향 등의 제약 요소를 밝히기 위해.
• 임상 실무에 적용 가능한 AI 기반 망막병변 진단의 향후 연구 과제 및 방향성(예: 메타학습, 적대적 훈련, 강화 학습)을 제시하기 위해.

제안 방법

• 타겟 키워드와 불린 연산자를 활용하여 Web of Science, PubMed, IEEE Xplore, Google Scholar에서 체계적 문헌 검색을 수행하였다.
• 두 단계의 선별 절차를 적용: 제목/초록 검토 후 전문문서 평가를 통해 AI 기반 망막병변 진단과의 관련성을 확보하였다.
• 딥러닝 모델을 컨volutional 네트워크(CNNs), 오토에코더, 어텐션 네트워크, GANs, 기하학적 딥러닝 등 아키텍처 패러다임으로 분류하였다.
• 다양한 영상 모odal리티에서의 성능, 일반화 능력, 내구성 평가를 위해 널리 사용되는 공개 데이터셋을 기반으로 모델 성능을 벤치마킹하였다.
• 망막 영상에서 망막병변 생체지표를 식별하기 위해 사용된 특징 추출 기법(구조적, 통계적, 하이브리드)을 평가하였다.
• 재현 가능성을 증진하기 위해 검토된 방법을 관련 소스 코드 저장소와 연결하고, 개방형 데이터셋 및 평가 기준의 도입을 촉진하였다.

Figure 1: Anatomical structures of the human eye and optic nerve relevant to glaucoma detection. [Left] Schematic views, [Right] Fundus and OCT views [ 11 ] . This figure was created using images licensed under Creative Commons.

실험 결과

연구 질문

• RQ1 망막도자, OCT, 시야도 영상 자료에서 망막병변 진단에 사용되는 최신 딥러닝 아키텍처 및 컴퓨터 비전 기법은 무엇인가?
• RQ2 기존 모델은 공개 데이터셋에서 일반화 능력, 불확실성 추정, 다중 모달 통합 측면에서 어떻게 성능을 보이고 있는가?
• RQ3 기존 데이터셋의 주요 제약 요소(규모, 레이블 품질, 편향 등)는 무엇이며, 이는 모델 성능에 어떤 영향을 미치는가?
• RQ4 AI 기반 망막병변 진단을 실제 임상 워크플로우에 통합하는 데 있어 주요 과제는 무엇인가?
• RQ5 메타학습, 적대적 훈련, 강화 학습 등의 향후 연구 방향은 임상 적용을 가속화하는 데 어떻게 기여할 수 있는가?

주요 결과

• 특히 CNNs와 어텐션 기반 아키텍처를 활용한 딥러닝 모델은 망막도자 및 OCT 영상에서 망막병변을 분류하는 데 뛰어난 성능을 보이며, 일부 모델은 기준 데이터셋에서 AUC가 0.90 이상을 기록하였다.
• 다양한 인구 집단 및 영상 장치 간 일반화 능력에 있어 여전히 심각한 격차가 존재하여 도메인 스플리트에 대한 저항성 부족이 드러났다.
• 망막병변 진단을 위한 딥러닝 모델의 불확실성 추정은 아직 미비한 편이며, 임상 의사결정 지원을 위한 신뢰도 있는 신뢰도 추정을 제공하는 방법은 거의 존재하지 않는다.
• 망막도자, OCT, 시야도 데이터의 다중 모달 통합은 아직 초보 단계에 있으며, 이러한 데이터 유형을 효과적으로 융합하여 진단 정확도를 향상시키는 모델은 제한적으로 존재한다.
• 기존 데이터셋은 규모, 레이블 불일치, 인구 통계적 편향 등의 제약을 가지고 있어, 강력하고 공정한 AI 시스템 개발을 저해하고 있다.
• 해석 가능한 AI, 전이 학습, 의료진이 참여하는 프레임워크의 통합은 AI 기반 망막병변 진단의 임상 적용 및 신뢰도 향상에 있어 핵심적인 길로 부상하고 있다.