당뇨병성 망막병증 중증도 분류를 위한 Transformer 융합 그래프 신경망 앙상블

당뇨병성 망막병증(DR)은 일하는 연령대 당뇨병 환자들 사이에서 시력 저하의 주요 원인이지만, 초기 단계는 일반적으로 눈에 띄는 증상 없이 진행됩니다. 수동 검사 방식은 기계 기술과 달리 노동 집약적이며 주관적이고 관찰자 간 상당한 변동성이 있어, 자동화되고 신뢰할 수 있으며 확장 가능한 진단 도구의 절실한 필요성이 있습니다. 또한 DR 데이터셋은 종종 심한 클래스 불균형 문제를 겪으며, 초기 및 진행 단계가 적게 포함되어 모델의 강인성 제한과 모든 중증도 수준에서의 정확도 저하로 이어집니다. 이러한 한계를 극복하기 위해 망막 혈관 구조를 그래프로 모델링하여 임상적으로 관련된 위상학적 특징을 포착하는 새로운 그래프 기반 딥러닝 프레임워크를 제안합니다. 제안된 방법은 그래프 주의 네트워크(GAT), 그래프 합성곱 네트워크(GCN), GraphSAGE를 포함한 이질적 앙상블의 그래프 신경망(GNN)으로 각기 다른 구조적 패턴을 분석합니다. 이들의 출력은 Transformer 인코더를 통해 적응적으로 융합되어 맥락에 맞는 특징 집계를 가능하게 합니다. 클래스 불균형 문제를 해결하기 위해 프레임워크는 자기 주의 조건부 생성적 적대 신경망(SA-CGAN)을 활용하여 저대표 DR 단계의 고품질 합성 안저 영상을 생성, 모델의 강인성과 민감도를 향상시킵니다. APTOS 2019 데이터셋에서 수행한 다수의 실험은 정확도 92.4%, F1 점수 92.7%, AUC-ROC 0.96의 유망한 성능을 보여 CNN 기반 벤치마크 모델 및 단일 GNN 모델을 능가함을 명확히 나타냅니다. 이 성과는 이질적 GNN 추론과 Transformer를 통한 적응적 융합 및 저대표 데이터의 생성적 보강의 결합 사용을 검증하며, 결과적으로 모든 중증 단계에서 DR 선별을 위한 임상적으로 해석 가능하고 확장 가능한 자동화 솔루션을 만듭니다.