김재원 (서울대학교 의과대학, 서울대학교병원) | 한빛사논문 > 한빛사

한빛사논문

조회36

서울대학교 의과대학, 서울대학교병원

npj Digit. Med., Jul 04 2026, | https://doi.org/10.1038/s41746-026-02968-w Explainable foundation model for dementia screening and risk stratification using retinal fundus images

Changho Han^1†, Jaewon Kim^2†, Hyeokjong Lee², Hyunwoo Joo³, Jooyoung Chang^3*, Sang Min Park^2,3,4*

¹Medical Big Data Research Center, Seoul National University Medical Research Center, Seoul National University College of Medicine, Seoul, South Korea
²Department of Biomedical Sciences, Seoul National University Hospital, Seoul National University College of Medicine, Seoul, South Korea
³XAIMED Co. Ltd, Seoul, South Korea
⁴Department of Family Medicine, Seoul National University Hospital, Seoul National University College of Medicine, Seoul, South Korea

^†These authors contributed equally to this study and share first authorship.
^*Corresponding authors: Jooyoung Chang, Sang Min Park

Abstract

Dementia is a growing global health challenge, and early identification is essential for timely intervention. We evaluated whether foundation model-based deep learning of retinal fundus photographs can detect dementia and predict future dementia incidence. Using health checkup data from over 36,000 Korean individuals, dementia was defined by diagnosis with relevant medication. Five vision foundation models were assessed with multiple fine-tuning strategies. The best-performing model, RETFound-MAE with partial fine-tuning, achieved an AUROC of 0.750 for dementia detection and a C-index of 0.812 for future incidence prediction. Model outputs remained independent risk factors after adjustment (adjusted odds ratio, 1.155; adjusted hazard ratio, 1.045). Quantitative saliency analyses highlighted biologically plausible regions, primarily the optic disc and adjacent peripapillary areas. These findings suggest that foundation model-based analysis of routinely acquired retinal fundus images may provide a scalable and interpretable approach for opportunistic dementia risk stratification, warranting validation in ethnically diverse populations.

논문소개전체 설명

본 연구는 건강검진에서 일상적으로 촬영되는 망막 안저사진(retinal fundus photograph)을 활용하여 치매를 선별하고 향후 치매 발생 위험을 예측할 수 있는 explainable foundation model 기반 인공지능 모델을 개발·평가한 연구이다. 치매는 조기 발견과 예방적 개입이 중요하지만 기존 평가 과정은 시간과 비용이 많이 소요될 수 있어, 보다 접근성 높고 확장 가능한 선별 전략이 필요하다.

본 연구에서는 서울대학교병원 건강검진센터에서 망막 안저사진을 촬영한 36,000명 이상의 데이터를 활용하여 다양한 vision foundation model과 fine-tuning 전략을 비교하였다. 그 결과, retina-specific foundation model인 RETFound-MAE에 partial fine-tuning을 적용한 모델이 가장 우수한 성능을 보였으며, 치매 선별에서 AUROC 0.750, 향후 치매 발생 예측에서 C-index 0.812의 성능을 달성하였다. 또한 모델 출력값은 기존 임상 위험요인을 보정한 후에도 치매 유무 및 향후 치매 발생과 독립적으로 유의한 관련성을 보였다.

특히 본 연구는 대규모 사전학습을 통해 구축된 foundation model을 의료영상의 특정 임상 문제에 효과적으로 전이·적응시킬 수 있음을 보여주었다는 점에서 의의가 있다. 더 나아가, 단일 모델을 적용하는 데 그치지 않고 여러 vision foundation model과 classifier-only training, partial fine-tuning, LoRA 등 다양한 fine-tuning 전략을 체계적으로 비교함으로써, 의료영상 AI 개발에서 어떤 사전학습 모델과 적응 전략이 임상 과제에 가장 적합한지 평가할 수 있는 실질적인 framework를 제시하였다.

아울러 saliency map과 망막 해부학적 구조 segmentation을 활용한 설명가능성 분석에서, 모델은 주로 optic disc 및 peripapillary area에 높은 attention을 보였다. 이는 기존에 알려진 치매 관련 retinal nerve fiber layer 변화와도 연결될 수 있는 생물학적으로 타당한 결과로 해석된다.

본 연구는 routine health checkup에서 이미 확보되는 망막 안저사진이 치매 위험 평가를 위한 비침습적이고 scalable한 opportunistic screening 도구로 활용될 가능성을 제시하였다. 향후 다양한 인구집단과 실제 임상 환경에서의 외부검증을 통해, 망막 기반 인공지능이 치매 조기 선별 및 위험도 평가를 보완하는 도구로 발전할 수 있을 것으로 기대된다.

논문정보