목적: 당뇨병성 망막병증(DR)은 수년간 당뇨병을 앓고 있는 환자에게서 나타나는 망막 병변을 특징으로 하며, 세계적으로 시력 장애의 주요 원인 중 하나이다. 이 질환을 진단하기 위해 안과 전문의들은 망막 기저 이미지를 수동으로 분석해야 한다. 컴퓨터 보조 진단 시스템은 망막 이미지에서 DR을 자동으로 탐지함으로써 의사의 시간을 절약하고 비용을 감소시킬 수 있다. 본 연구의 목적은 망막 기저 이미지에서 DR을 탐지할 수 있는 딥 러닝 알고리즘을 개발하는 것이다. 제안된 기술의 효율성을 평가하기 위해 9개의 공개 데이터셋과 9만 장 이상의 이미지가 사용되었다. 또한, 딥 모델이 탐지한 DR 징후를 시각적으로 보여주기 위한 설명 가능성(algorithm)도 개발되었다.방법: 제안된 딥 러닝 알고리즘은 사전 훈련된 딥 컨볼루션 신경망을 조정하여 DR 탐지를 위한 모델로 활용하였다. 이 모델은 학습률을 감소시키기 위한 코사인 안내(annealing) 전략과 함께 웜업(warm-up) 기법을 사용하여 EyePACS 데이터셋의 일부를 기반으로 훈련되었으며, 이는 훈련 정확도를 향상시켰다. 9개의 데이터셋에 대해 실험을 수행하였고, 기울기 가중 클래스 활성화 맵(gradient-weighted class activation mapping, Grad-CAM) 기반의 설명 가능성 알고리즘을 개발하여 모델이 망막 이미지를 DR로 분류하기 위해 선택한 징후를 시각적으로 시현하였다.결과: 제안된 네트워크는 EyePACS에 대해 AUC 0.986, 민감도(sensitivity) = 0.958, 특이도(specificity) = 0.971의 높은 분류 성능을 보였다. MESSIDOR, MESSIDOR-2, DIARETDB0, DIARETDB1, STARE, IDRID, E-ophtha, UoA-DR 각각에 대해 AUC는 0.963, 0.979, 0.986, 0.988, 0.964, 0.957, 0.984, 0.990을 기록하였다.결론: 도출된 결과는 최신 기술 수준의 성능을 달성하였으며, 공개 데이터셋만을 사용하여 훈련된 이전의 연구들을 능가하였다. 제안된 접근법은 망막 기저 이미지를 안정적으로 분류하고 DR을 효과적으로 탐지할 수 있다. 또한 설명 가능성 모델을 개발하여, 본 모델이 DR의 다양한 징후를 효율적으로 식별하고 건강 문제를 탐지할 수 있음을 입증하였다.