Feature Space Translation Framework for Cross-Device Alignment and Derivation of Clinically Relevant Retinal Biomarkers from Foundation Model Embeddings

Motivation

• Known: Retinal fundus imaging을 통한 oculomics는 vessel tortuosity, fractal dimension, AVR 등 retinal biomarker를 이용해 만성 신장질환, 당뇨, 심혈관질환 등 전신질환을 비침습적으로 평가할 수 있음이 알려져 있으며, RETFound 등 retinal foundation model이 다양한 downstream task에서 강력한 성능을 보이고 있다.
• Gap: 그러나 camera/device heterogeneity로 인한 OOD shift가 이미지 특성과 추출 feature에 systematic variability를 유발해 모델의 cross-device robustness를 저해하며, foundation model의 고차원 latent embedding은 임상적으로 해석 가능한 biomarker와 직접 대응되지 않아 해석 가능성과 임상 적용이 제한된다.
• Why: Device-induced variability와 embedding의 해석 불가능성은 oculomics 파이프라인의 실제 임상 배포를 가로막는 핵심 장벽이므로, 아키텍처 변경 없이 이를 완화할 수 있는 프레임워크는 foundation model의 실질적 임상 활용 가능성을 크게 높일 수 있다.
• Approach: 본 연구는 tabular neural network 기반의 통합된 feature-space translation framework를 제안하여, cross-device biomarker translation, embedding-to-biomarker translation, cross-device biomarker estimation from embeddings라는 세 가지 과제를 하나의 공식화(formulation) 안에서 학습한다.

Achievement

1. Cross-device biomarker translation: AutoMorph로 추출한 Triton-Maestro2 paired biomarker 간 매핑을 학습하여 최대 78.5% R2의 정확한 cross-device 정렬을 달성하였다.
2. Embedding-to-biomarker recovery: RETFound embedding으로부터 clinically meaningful biomarker를 복원하는 task에서 최대 87.5% R2를 달성하여 foundation model latent space의 해석 가능성을 입증하였다.
3. Cross-device biomarker estimation from embeddings: 한 device의 embedding으로부터 다른 device 기준의 biomarker를 추정하는 가장 어려운 task에서도 최대 76.0% R2의 견고한 성능을 보였다.
4. 모델 비교 벤치마크: 다양한 최신 tabular neural network와 classical machine learning 방법을 비교 평가하여 feature-space translation에 효과적인 모델을 폭넓게 검증하였다.

How

• AI-READI 데이터셋에서 1,067명 참가자의 Topcon Triton, Topcon Maestro2 등 다중 non-mydriatic fundus camera로 촬영된 paired 이미지를 사용
• AutoMorph를 이용해 CRAE, CRVE, AVR, fractal dimension, vessel density, tortuosity 등 12개의 clinically relevant retinal vascular biomarker를 추출
• Pretrained RETFound 모델로 고차원 latent embedding을 추출하여 구조화된 biomarker vector와 짝지음
• 세 가지 매핑 f_{di→dj}, g_d, h_{di→dj}를 tabular predictive model로 학습하며, supervised reconstruction 목적함수(MSE에 상응하는 negative log-likelihood)와 Wasserstein-distance 기반 분포 정렬 목적함수를 결합해 최적화
• Prediction accuracy(R2)와 distributional alignment metric을 함께 이용해 평가

Originality

• 기존 연구들이 주로 population-level distribution shift에 집중한 것과 달리, device/acquisition protocol에 의한 distribution shift라는 상대적으로 덜 다뤄진 문제를 직접 겨냥함
• Retinal foundation model의 아키텍처 변경 없이, feature-space translation이라는 후처리(post-hoc) 방식으로 device variability 완화와 embedding 해석 가능성 향상을 동시에 달성하는 model-agnostic 프레임워크 제안
• Cross-device biomarker translation, embedding-to-biomarker translation, cross-device biomarker estimation from embeddings라는 세 과제를 하나의 통합 수식(Eq.1-7)으로 정식화

Limitation & Further Study

• 평가가 AI-READI 데이터셋의 두 특정 device(Triton, Maestro2) 쌍에 국한되어 있어, 더 많은 다양한 camera 제조사·모델로의 일반화 가능성이 검증되지 않음
• RETFound 단일 foundation model에 대해서만 실험이 이루어져 RETFound Green, VisionFM, EyeCLIP 등 다른 foundation model에 대한 일반화 여부가 불분명함
• 발췌된 본문에서는 실제 실험 결과(Fig. 2-4)와 상세 벤치마크 수치, ablation이 충분히 제시되지 않아 방법론의 견고성을 완전히 판단하기 어려움
• 후속 연구로는 더 많은 device 종류와 foundation model에 대한 확장, 그리고 임상 downstream task(질병 예측 등)에서의 실제 효용 검증이 필요함

Evaluation

총평: Device heterogeneity와 foundation model embedding의 해석 불가능성이라는 oculomics 임상 배포의 핵심 걸림돌을 architecture 수정 없이 tabular learning 기반 feature-space translation으로 해결하려는 실용적이고 의미 있는 시도이나, 제한된 device/foundation model 조합에서의 검증이라는 한계가 있어 추가적인 일반화 검증이 필요하다.