기반 모델 (foundation model) 의 등장으로 의료 인공지능 (AI) 에 새로운 시대가 열렸으며, 대규모 라벨링되지 않은 데이터셋에서 일반화 가능한 표현을 추출할 수 있게 되었습니다. 그러나 현재 안과 AI 패러다임은 단일 모달리티 추론에 주로 제한되어 있어, 진단이 보완적인 영상 모달리티의 종합에 의존하는 임상 실습과 불일치를 초래하고 있습니다. 또한, 고성능 AI 의 배포는 고급 3 차원 영상 하드웨어의 부재로 인해 자원 부족 환경에서 자주 저해됩니다. 여기서는 체적 깊이인 3 차원 광간섭 단층촬영 (OCT) 과 평면 컨텍스트인 2 차원 en face OCT 를 시너지화하도록 설계된 안과 다중 모달리티masked Autoencoder(OphMAE) 을 제시합니다. OphMAE 는 새로운 교차 모달리티 융합 구조와 고유한 적응적 추론 메커니즘을 구현하여, 32,765 명의 환자에서 유래한 183,875 쌍의 OCT 이미지로 구성된 대규모 데이터셋에서 사전 학습 (pre-trained) 되었습니다. 엄격한 벤치마크인 17 가지 다양한 진단 과제와 8,191 명의 환자에서 유래한 48,340 쌍의 OCT 이미지를 포함하여, OphMAE 는 시점 최상의 성능을 보였으며, 연령 관련 황반 변성 (AMD) 에 대해 면적 아래 곡선 (AUC) 을 96.9% 로 달성하고 당뇨병성 황반 부종 (DME) 에 대해 97.2% 를 달성하여 기존 단일 모달리티 및 다중 모달리티 기반 모델을 일관되게 상회했습니다.至关重要的是, OphMAE 는 강력한 엔지니어링 적응성을 보이며, 단일 모달리티 2 차원 입력에 제한되어 있더라도 AMD 에 대한 진단 정확도 (AUC) 를 93.7% 로 유지하고, 라벨링된 샘플이 최소 500 개일 때만 95.7% AUC 를 유지하여 탁월한 데이터 효율성을 보여줍니다. 이 작업은 다양한 과제에서 강력한 성능을 보장하는 확장 가능하고 적응적인 안과 AI 프레임워크를 확립했습니다.