백내장 수술을 위한 디지털 중재 도구

한눈에 보는 포인트

백내장은 전 세계적으로 약 5,260만 명에게 중등도에서 중증 시력 장애를 유발하는 치료 가능한 실명 원인입니다.
AI 기술은 백내장 진단, 안내렌즈(IOL) 도수 계산, 수술 지원의 세 영역에서 응용이 진행되고 있습니다.
세극등 사진을 이용한 딥러닝 모델은 백내장 검출 및 중증도 분류에서 95% 이상의 민감도와 특이도를 달성하고 있습니다.
Kane식이나 Hill-RBF 등 AI 기반 안내렌즈 계산식은 기존 계산식을 능가하는 예측 정확도를 보여주고 있습니다.
수술 동영상의 AI 분석을 통해 수술 중 단계 자동 인식 및 합병증 위험 예측이 가능해지고 있습니다.
임상에 본격 도입하기 위해서는 윤리적 데이터 관리, 다양한 집단 간 범용성, 무작위 대조 시험을 통한 검증이 과제입니다.

1. 백내장 수술을 위한 디지털 중재 도구란

백내장은 수정체의 일부 또는 전체가 혼탁해지는 질환의 총칭입니다. 전 세계적으로 약 5,260만 명이 중등도에서 중증 시력 장애를 앓고 있으며, 치료 가능한 실명의 주요 원인으로 꼽힙니다. 백내장 수술은 가장 비용 효율적인 의료 중재 중 하나이지만, 저소득 및 중간 소득 국가에서는 제한된 자원과 긴 대기 시간이 치료의 장벽이 되고 있습니다.

최근 인공지능(AI)을 중심으로 한 디지털 기술이 백내장 치료의 여러 단계에 적용되고 있습니다. AI 기술의 적용 영역은 주로 다음 세 가지로 구분됩니다.

진단 지원: 세극등 사진이나 안저 사진을 이용한 백내장 자동 검출 및 중증도 분류
안내렌즈 도수 계산: 기계 학습 알고리즘을 통한 수술 후 굴절 결과의 고정밀 예측
수술 지원: 수술 중 페이즈 인식, 합병증 위험 예측, VR 기반 훈련

고령화에 따라 백내장 수술 수요는 증가하는 반면, 안과 의료 공급은 따라잡지 못하고 있습니다. AI 기술은 이러한 수급 격차를 메울 수단으로 주목받고 있습니다.

Q 왜 백내장 치료에 AI가 필요한가?

고령 인구 증가로 백내장 수술 수요가 급증하는 반면, 안과 의료 공급은 충분히 확대되지 않고 있습니다. 특히 저소득·중간소득 국가나 농촌 지역에서는 진단되지 않은 백내장이 많아, AI를 활용한 원격 진단 및 선별 검사를 통해 의료 접근성 격차를 줄일 가능성이 있습니다.

2. 백내장 개요

백내장의 역학과 분류

백내장은 노화가 주된 원인이며, 초기 혼탁을 포함한 유병률은 50대 약 45%, 60대 75%, 70대 85%, 80세 이상 100%에 달합니다. 주요 혼탁 유형은 피질, 핵, 후낭하의 세 가지이며, 일본인에서는 피질 백내장이 가장 흔합니다.

백내장 중증도 분류에는 LOCS III(Lens Opacities Classification System III), WHO 분류, Emery-Little 분류 등이 사용됩니다. Emery-Little 분류는 핵의 색조를 5단계로 평가하여 수술 난이도 추정에 널리 활용됩니다.

주요 자각 증상

백내장 초기에는 자각 증상이 없는 경우가 많습니다. 진행됨에 따라 다음과 같은 증상이 나타납니다.

시력 저하(안개시): 혼탁이 중심부에 이르면 빛의 진입이 방해됩니다.
눈부심(광선과민) : 혼탁에 의한 빛 산란으로 발생
눈부심 장애 : 마주 오는 차량의 헤드라이트나 강한 태양광 아래에서 잘 보이지 않음
단안 복시 : 수정체 내 불균일한 굴절률 변화가 원인
굴절 이상 : 핵백내장 진행으로 근시화가 발생할 수 있음

현재의 표준 치료

백내장을 투명하게 만드는 약물 요법은 존재하지 않습니다. 시력이 저하된 경우 초음파 유화 흡인술(PEA) 및 인공 수정체(IOL) 삽입술이 표준 치료입니다. 수술 기기의 발전으로 약 2mm의 작은 절개로 수술이 가능하며, 수술 후 조기 사회 복귀가 가능합니다. 최근에는 펨토초 레이저를 이용한 백내장 수술도 임상에서 사용되고 있습니다.

3. 진단을 위한 디지털 도구

백내장은 현재 안과 의사가 세극등 현미경을 사용하여 임상적으로 진단하며, 대면 진료가 필수적입니다. 그러나 개발도상국이나 농촌 지역에서는 접근이 어려워 진단되지 않은 백내장이 큰 문제가 되고 있습니다.

AI 지원 원격 진단 플랫폼은 이러한 접근 장벽을 줄일 수 있습니다. 특히 소아 백내장에서는 회복 불가능한 약시를 예방하기 위해 신속한 진단이 매우 중요합니다.

심층 학습을 통한 백내장 자동 검출

세극등 사진 기반

Wu 등의 모델: 약 38,000안의 세극등 사진으로 학습. 백내장 검출 및 중증도 분류에서 95% 이상의 민감도·특이도 달성. 핵 경도 3단계 판정에서도 약 80%의 민감도·특이도 보고.

Li 등 (Visionome) : 세극등 사진에서 백내장을 포함한 전안부 질환을 진단합니다. 정확도 79.47~99.22%로 임상 경험 1년의 안과 의사를 능가하는 성능을 보였습니다.

안저 사진 기반

Xu 등의 모델 : 안저 사진을 입력으로 하는 CNN 앙상블 알고리즘(AlexNet+VisualDN)입니다. 백내장 검출 및 분류에서 86.2%의 정확도를 달성했습니다.

ResNet 기반 모델 (Wu 등) : 백내장 수정체, 인공수정체안, 정상안의 3단계 식별에서 AUC 0.99 초과를 보고했습니다.

Wu 등은 (1) 스마트폰을 이용한 자가 모니터링, (2) 전안부 사진을 통한 AI 진단, (3) 클라우드 플랫폼을 활용한 안과 전문의의 원격 진료라는 3단계 모델을 제안하고 있습니다. 이 체계를 통해 안과 의사 한 명이 담당하는 인구를 10배로 늘릴 수 있다고 합니다. 안과에서의 AI 진단은 2016년 당뇨망막병증 선별 논문이 발표된 이후 안저 사진이나 후안부 OCT를 이용한 망막 질환·녹내장에서 먼저 진행되었지만, 최근에는 전안부 세극등 사진으로의 응용이 진행되고 있습니다.

Q 스마트폰으로 백내장 진단이 가능한가?

연구 단계이지만, 스마트폰으로 촬영한 전안부 이미지를 AI가 분석하여 백내장 유무와 중증도를 판단하는 시스템이 제안되고 있습니다. 임상 적용을 위해서는 추가 검증이 필요하지만, 원격지에서의 선별 검사에 유용할 가능성이 있습니다.

4. 안내렌즈 도수 계산을 위한 디지털 도구

백내장 수술에서는 정확한 수술 후 굴절 결과가 요구됩니다. 기존의 안내렌즈 계산식은 굴절 교정 수술 후의 눈이나 극단적인 생체 계측값을 가진 환자에서 예측 정확도가 충분하지 않았습니다. AI를 활용한 새로운 세대의 계산식이 이 과제에 접근하고 있습니다.

기존식의 AI 개선

Sramka 등: SVM 회귀 모델과 다층 신경망 앙상블 모델(MLNN-EM)을 평가했으며, 모두 기존 임상 방법보다 우수한 예측 정확도를 보고함
Ladas 등: 기존 안내렌즈 계산식(SRK, Holladay I, Ladas Super formula)에 지도 학습 알고리즘(SVR, XGB, ANN)을 결합하여 예측을 정밀화

AI 기반의 새로운 세대 안내렌즈 계산식

계산식	특징	비고
Kane 공식	이론 + AI 회귀 분석	비교 시험에서 일관되게 상위 3위 성능
Hill-RBF	ANN 기반 패턴 인식	대규모 굴절 데이터 세트 분석
PEARL-DGS	ML + 출력의 선형화	극단적인 생체 측정값에 조정

Kane 공식은 이론 기반 모델에 회귀 분석과 AI 구성 요소를 결합한 것입니다. 비교 시험에서 Barrett Universal II, Haigis, Olsen 등 3세대 계산식을 능가했으며, 신세대 계산식 중에서도 일관되게 상위 3위 성능을 유지하고 있습니다. 안축장의 양극단 사례에서도 타당한 결과를 보여줍니다.

**Hill-RBF(방사 기저 함수)**는 인공 신경망 기반의 안내렌즈 계산기로, 방대한 굴절 결과 데이터 세트를 패턴 인식과 데이터 보간으로 분석합니다.

PEARL-DGS 공식은 기계 학습 모델링과 출력의 선형화를 사용하여 유효 렌즈 위치 예측과 극단적인 생체 측정값 조정을 수행합니다.

Karmona는 데이터 기반의 안내렌즈 도수 계산 접근법으로, K-최근접 이웃, ANN, SVM, 랜덤 포레스트 등 여러 기계 학습 모델을 사용하여 도수를 예측합니다.

Q 안내렌즈 계산에 AI를 사용하는 이점은 무엇인가?

기존의 안내렌즈 계산식은 특정 이론 모델에 기반하기 때문에 굴절교정수술 후의 눈이나 극단적으로 길거나 짧은 안축장의 증례에서 오차가 커지는 경우가 있었습니다. AI 기반 계산식은 대규모 데이터에서 패턴을 학습하므로 이러한 특수 증례에서도 높은 예측 정확도를 유지할 수 있습니다.

5. 수술을 위한 디지털 도구

AI는 백내장 수술의 훈련, 수술 중 의사 결정, 수술 후 분석에도 응용되고 있습니다.

수술 중 페이즈 자동 인식

백내장 수술은 여러 단계(전낭 절개, 수정체 핵 처리, 피질 흡인, 인공수정체 삽입 등)로 구성됩니다. AI를 이용한 수술 동영상 자동 분석을 통해 각 단계를 식별할 수 있습니다.

Yu 등: 비디오 이미지 단독보다 수술 기구의 레이블 정보를 결합하여 최고 정확도의 단계 검출을 달성
Quellec 등: 실시간 수술 작업 인식이 가능한 자율 비디오 분석 시스템 개발

단계 자동 식별은 수술 기술 능력의 단계별 평가 및 실시간 피드백의 기반이 됩니다.

수술 중 합병증 위험 예측

Lanza 등은 73건의 오류를 포함한 1,229건의 백내장 수술을 분석하여 수술 중 합병증 위험 요인 검출과 총 수술 시간 예측을 수행하는 AI 모델을 구축했습니다.

VR 기반 수술 훈련

**Eyesi(Haag-Streit社)**는 시판되는 안과 시뮬레이션 기반 훈련 시스템으로, 가상 현실(VR)과 AI를 연계한 지능형 교육을 제공합니다. 실제 환자를 접하기 전에 학습자가 수기 능력을 습득할 수 있는 환경을 구축하고 있습니다.

6. 과제와 향후 전망

AI의 백내장 치료 임상 도입이 성공하면 의료 효율성 향상, 접근성 개선, 비용 절감 등의 장기적 이점이 기대됩니다. 특히 저소득층에서 그 혜택이 큽니다.

그러나 실용화를 위해서는 다음과 같은 과제가 존재합니다.

윤리적 데이터 관리: 환자 데이터의 보안과 프라이버시 확보
범용성 검증: 인종, 지역, 장비 간 성능 안정성
임상적 검증 부족: 실제 환경에서 AI 시스템의 유효성을 평가한 임상 시험은 소수에 불과함
편향 제거: 학습 데이터에 편향이 있으면 AI 판단에 체계적 오류가 발생함
사용자 수용성: 의료진과 환자 모두의 AI에 대한 신뢰와 이해 구축

현재까지 임상 환경에서 신뢰성이 입증된 알고리즘은 극히 일부에 불과합니다. AI 시스템의 유용성을 확립하기 위해서는 추가적인 무작위 대조 시험이 필요합니다.

Q AI가 백내장 진단을 내리는 날이 가까워졌는가?

연구 수준에서는 높은 정확도가 보고되고 있지만, 임상 현장에 본격적으로 도입되기에는 아직 과제가 있습니다. 다양한 집단 간의 범용성 확인, 대규모 임상 시험을 통한 유효성 검증, 윤리적 데이터 관리의 확립이 필수적이며, 당분간은 안과 의사의 진단을 보조하는 도구로 활용하는 것이 현실적입니다.

7. 참고 문헌

Ahuja AS, Paredes AA 3rd, Eisel MLS, et al. Applications of Artificial Intelligence in Cataract Surgery: A Review. Clin Ophthalmol. 2024;18:2969-2975. PMID: 39434720.
GBD 2019 Blindness and Vision Impairment Collaborators; Vision Loss Expert Group of the Global Burden of Disease Study. Causes of blindness and vision impairment in 2020 and trends over 30 years, and prevalence of avoidable blindness in relation to VISION 2020: the Right to Sight: an analysis for the Global Burden of Disease Study. Lancet Glob Health. 2021;9(2):e144-e160. PMID: 33275949.
Wu X, Huang Y, Liu Z, et al. Universal artificial intelligence platform for collaborative management of cataracts. Br J Ophthalmol. 2019;103(11):1553-1560. PMID: 31481392.
Connell BJ, Kane JX. Comparison of the Kane formula with existing formulas for intraocular lens power selection. BMJ Open Ophthalmol. 2019;4(1):e000251. PMID: 31179396.
Roberts TV, Hodge C, Sutton G, Lawless M; Vision Eye Institute IOL outcomes registry contributors. Comparison of Hill-radial basis function, Barrett Universal and current third generation formulas for the calculation of intraocular lens power during cataract surgery. Clin Exp Ophthalmol. 2018;46(3):240-246. PMID: 28778114.
Yu F, Silva Croso G, Kim TS, et al. Assessment of Automated Identification of Phases in Videos of Cataract Surgery Using Machine Learning and Deep Learning Techniques. JAMA Netw Open. 2019;2(4):e191860. PMID: 30951163.
Thomsen ASS, Bach-Holm D, Kjærbo H, et al. Operating Room Performance Improves after Proficiency-Based Virtual Reality Cataract Surgery Training. Ophthalmology. 2017;124(4):524-531. PMID: 28017423.