측두하악장애의 조기 진단은 어렵다. 특히, 관절강 내 측두하악관절(TMJ) 이상은 자기공명영상(MRI)으로만 확인할 수 있다. 본 연구는 MRI로 탐지 가능한 TMJ 병리를 포괄적으로 선별하기 위한 방법을 개발하는 것을 목표로 하였다. 우리는 개방구 및 폐구 상태의 TMJ 파노라마 방사선영상과 구조화된 임상 메타데이터를 쌍으로 활용하는 해석 가능한 딥러닝 프레임워크를 개발하였다. 해당 아키텍처는 해부학적으로 유도된 어텐션, 다중 양식 임상 특징, 그리고 진단 정확도 및 해석가능성을 향상시키기 위한 앙상블 학습을 통합하였다. 1355명의 환자(2710개 관절)에서, 최우수 성능의 앙상블 프레임워크는 곡선하 면적(area under the curve) 0.86을 달성하였으며, MRI 음성 및 양성 사례에 대해 균형 잡힌 분류 성능을 보였다. 그라디언트 가중 클래스 활성화 매핑(Gradient-weighted Class Activation Mapping) 시각화는 과두(condylar) 부위에 대한 일관된 초점을 확인했으며, 절제(ablative) 연구에서는 임상 메타데이터와 공간 어텐션의 추가적 가치가 입증되었다. 결론적으로, 본 연구의 프로토타입 워크플로우는 TMJ 환자를 MRI 의뢰 대상으로 분류(triage)하는 데 유용할 수 있으며, 따라서 TMJ 이상에 대한 조기 발견과 적시의 개입을 지원할 수 있다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.