인터넷 연결 없이 당뇨망막병증 단계를 정확하게 식별할 수 있는 휴대용 의료 기기는 전 세계 실명을 획기적으로 줄일 수 있습니다. 임베디드 머신러닝으로 배터리 구동 하드웨어에서 직접 실행되는 알고리즘이 이제 가능해졌습니다. 이 기사는 Edge Impulse 플랫폼을 사용하여 그러한 모델을 훈련하는 단계를 안내합니다.
당뇨망막병증은 눈 뒤쪽의 혈관을 손상시키며, 치료하지 않으면 실명으로 진행되는 경우가 많습니다. 당뇨병이 있는 미국인의 5명 중 2명 이상이 어떤 형태의 질병을 가지고 있어 조기 발견이 중요합니다. 안과 진료가 드문 농촌 지역에서는 경미한 사례조차 심각해질 때까지 자주 놓칩니다.
이를 해결하기 위해 공개 데이터셋을 활용하여 망막 카메라 이미지에서 DR 심각도를 평가하는 모델을 훈련했습니다. 데이터셋은 다섯 클래스로 나뉩니다:
이미지가 평평한 구조로 저장되어 있어, id_code 값의 Excel 목록을 읽고 각 이미지를 찾아 해당 클래스 폴더로 이동하는 VBA 스크립트를 작성했습니다. 스크립트는 여기에서 확인 가능합니다. Python이나 다른 언어를 선호한다면 유사한 자동화가 간단합니다.
Edge Impulse는 데이터 업로드 인터페이스로 수집을 단순화합니다. 클래스당 하나씩 총 5번의 별도 업로드를 수행하여 각 폴더에 적절히 라벨링했습니다. 플랫폼은 클라우드 버킷 통합과 기기 수집도 제공하지만, 우리 데이터셋에는 수동 업로드가 가장 적합했습니다.
Edge Impulse는 데이터를 자동으로 80/20으로 훈련/테스트 세트로 분할하지만, 클래스 균형을 더 잘 맞추기 위해 테스트 세트에 약 500개 이미지를 수동으로 추가했습니다.
모델로는 이미지 블록을 선택하고 5개 DR 단계를 분류하기 위해 전이 학습 아키텍처를 적용했습니다. 초기 훈련에서 약 74%의 최고 정확도를 얻었으며, 이는 준수하지만 특히 심한 DR과 경미한 DR 간의 오분류를 보여줍니다. 아래 혼란 행렬은 이 과제를 보여줍니다.
실제 배포에서는 휴대용 망막 카메라가 이미지를 캡처하고, 모델을 로컬로 실행하여 환자가 추적 관찰이 필요한지 즉시 임상의에게 알립니다. 우선순위는 모든 DR 단계를 탐지하는 것이므로 현재 정확도는 선별 도구로 허용 가능합니다.
가능한 개선 사항:
라벨링된 데이터 추가 확보로 분산 감소
인접 클래스 결합(예: 경미-중등도, 심한-증식성)으로 결정 경계 단순화
신경망 레이어 수와 드롭아웃 비율 미세 조정
최종 모델은 306KB 플래시와 236KB RAM을 차지합니다. 80MHz Cortex-M4에서 추론 시간은 0.8초~6초 범위이며, 216MHz Cortex-M7이 더 빠릅니다. 이는 이동 중 이미지를 캡처하는 휴대용 기기에 적합합니다.
요약하면, 오픈소스 데이터셋이 당뇨망막병증 감지를 위한 효과적인 엣지 모델을 훈련할 수 있음을 입증했습니다. 이러한 모델을 임베디드 마이크로컨트롤러나 경량 리눅스 기기에 배포하면 연결 장벽을 극복하여 원격 또는 소외된 커뮤니티에 신뢰할 수 있는 선별을 제공할 수 있습니다.