Insights
AI가 자동으로 큐레이션·번역·정리하는 기술 동향 피드입니다.
녹내장 시야(VF) 예측 시 발생하는 불확실성을 해결하기 위해 조건부 디노이징 확산 모델을 제안합니다. 기존의 결정론적 점 추정 방식 대신 확률적 분포를 생성하여 임상적으로 유의미한 정확도와 보정된 예측을 제공합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.AI의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기시야 (Visual Fields, VFs)를 예측하는 것은 녹내장의 개인별 모니터링 및 치료 계획 수립에 있어 매우 중요합니다. 질병 진행의 이질성과 측정 가변성으로 인해 이는 본질적으로 불확실성을 내포하고 있지만, 기존의 대부분의 방법들은 이러한 불확실성을 표현하지 못하는 단일 결정론적 (deterministic) 예측을 생성합니다. 우리는 시야 (VF) 예측을 확률적 예측 문제로 정의하고, 불규칙한 추적 관찰 간격을 가진 종단적 관찰 데이터로부터 가능한 미래 시야 (VF)의 분포를 생성하기 위해 조건부 디노이징 확산 모델 (conditioned denoising diffusion models)을 사용합니다. 두 개의 독립적인 시야 (VF) 코호트에 대한 실험 결과, 확산 기반 (diffusion-based) 예측은 임상적으로 유의미한 시야 (VF) 측정 지표들에 대해 잘 보정된 (well-calibrated) 분포를 생성함을 보여줍니다. 표준 점 추정 (point-estimate) 방식으로 축소했을 때, 제안된 접근 방식은 임상적 베이스라인 및 기존의 학습 기반 방법들과 비교하여 최첨단 (state-of-the-art) 정확도를 달성합니다. 우리의 결과는 시야 (VF) 예측을 위한 분포 모델링 (distributional modeling)의 장점을 강조하며, 녹내장에서 점 추정 (point-estimate) 예측에서 불확실성을 인지하고 임상적으로 해석 가능한 위험 평가로의 전환을 뒷받침합니다.