본 논문은 안과 질환 진단에서 다중 모달 데이터 활용의 어려움(데이터 부족 및 개인정보 보호 문제)과 기존 잠재 공간 기반 심층 학습의 한계(중복 정보, 모달 간 특징 혼합)를 지적합니다. 이를 극복하기 위해, 자기 증류 메커니즘을 통합한 Essence-Point and Disentangle Representation Learning (EDLR) 전략을 제시합니다. EDRL은 Essence-Point Representation Learning 모듈을 통해 질병 등급 분류 성능을 향상시키는 특징을 선택하고, Disentangled Representation Learning 모듈을 통해 모달 공통 및 고유 특징을 분리하여 특징 얽힘을 줄이고, 안과 질환 진단의 강건성 및 해석성을 높입니다. 실험 결과, 제안된 EDRL 전략은 기존 최첨단 방법들을 상당히 능가하는 성능을 보였습니다.
