김은경 연구실
경북대학교 치의학과
김은경 교수
치아우식 인공지능 진단
QLF 영상 분석
인트라오럴 카메라 이미지
김은경 교수 연구실
홈
김은경 연구실
경북대학교 치의학과 김은경 교수
김은경 연구실은 예방치의학과 공중구강보건학을 기반으로 치아우식과 치태를 정량화하고, 구강 위생 중재의 효과를 임상·미생물 지표로 검증하는 연구를 수행합니다. 인트라오럴 카메라와 QLF 영상에서 치면을 분할한 뒤 CNN과 앙상블 기법으로 치아우식을 분류·병소 위치추정을 지원하는 자동 진단 파이프라인을 구축합니다. 아울러 HEW 기반 구강세정, 방문 구강관리 등 예방중재의 생물막 관련 기전을 해석하고 임상 지표 변화를 평가합니다. 더불어 성향점수매칭을 활용한 역학 분석과 치과 유닛 물라인 위생 관리 요인 평가로 예방 전략의 근거를 축적하고 있습니다.
치아우식 인공지능 진단QLF 영상 분석인트라오럴 카메라 이미지CNN 기반 세그멘테이션엔SEMBLE 딥러닝
대표 연구 분야
연구 영역 전체보기
인트라오럴 영상 기반 치아우식(카리에스) 자동 진단 및 병소 위치추정 연구
AI-based dental caries detection and lesion localization using intraoral imaging
연구 분야 상세보기
인트라오럴 영상 기반 치아우식(카리에스) 자동 진단 및 병소 위치추정 연구
AI-based dental caries detection and lesion localization using intraoral imaging
연구 분야 상세보기
치주질환과 전신질환 연관 및 구강보건 정책 근거 생성 연구
Epidemiologic evidence on the association between periodontal disease and systemic conditions
연구 분야 상세보기
구강 위생 중재의 효과 검증 및 구강미생물·플라그 정량평가 연구
Validation of oral hygiene interventions and quantitative assessment of dental plaque
연구 분야 상세보기
연구 성과 추이
표시된 성과는 수집된 데이터 기준으로 산출되며, 일부 차이가 있을 수 있습니다.
5개년 연도별 논문 게재 수
31총합
5개년 연도별 피인용 수
337총합
주요 논문
5
논문 전체보기
1
Article
|
·
인용수 0
·
2025Clinical validation of a deep learning based application for quantitative assessment of dental plaque in fluorescence imaging
Hang‐Nga Mai, Sohee Kang, Hyeonjeong Go, Youn‐Hee Choi, Eun Young Park, Eun‐Kyong Kim
IF 3.1 (2025)
Clinical Oral Investigations
https://doi.org/10.1007/s00784-025-06550-8
Quantitative assessment
Workflow
Deep learning
Dental plaque
Dental hygiene
Competency assessment
Clinical Practice
2
Article
|
인용수 12
·
2024Diagnostic accuracy of dental caries detection using ensemble techniques in deep learning with intraoral camera images
Sohee Kang, Byungeun Shon, Eun Young Park, Sungmoon Jeong, Eun‐Kyong Kim
IF 2.6 (2024)
PLoS ONE
카메라 영상 기반 심층학습(DL) 기법은 치아우식증(caries) 스크리닝에서 유망한 결과를 보였다. 치아우식증 검출을 위해 구강 내(intraoral) 카메라 영상 기반 DL 기법을 적용하고 진단 성능을 평가하기 위해, 영상 분류 작업(image classification task)에서 앙상블(ensemble) 기법을 사용하였다. 진단 연구 설계에 따라 치아우식증 유무 및 우식 병소(caries-lesion) 위치를 기준으로 DL 모델인 ResNet-50, Inception-v3, Inception-ResNet-v2, Faster R-convolutional neural network를 적용한 영상 분류를 위해 총 2,682장의 구강 내 카메라 영상이 데이터셋으로 사용되었다. 평균 연령[표준편차]가 47.67[±13.94]세인 534명의 참가자가 등록되었다. 데이터셋은 치아우식증 검출 및 병소 위치에 관한 기준 표준(reference standard)으로서 숙련된 1인의 치과의사가 주석을 달아, 학습(training, 56.0%), 검증(validation, 14.0%), 테스트 부분(test subset, 30.0%)으로 나누었다. 성능 분석을 위해 혼동 행렬(confusion matrix), 수신자조작특성 곡선(Receiver operating characteristic curve)의 면적(AUROC), 평균정밀도(AP)를 평가하였다. 종단 간(end-to-end) 치아우식증 영상 분류에서 앙상블 DL 모델은 일관되게 성능을 향상시켰으며, 가장 좋은 결과로 Inception-ResNet-v2의 앙상블 모델이 AUROC 0.94와 AP 0.97을 달성하였다. 반면, 설명가능한(explainable) 모델은 앙상블 적용 후 AUROC 0.91 및 AP 0.96을 보였다. 구강 내 카메라 영상을 이용한 치아우식증 분류에서 앙상블 기법의 적용은 DL 모델과 무관하게 일관되게 향상된 성능을 나타냈다. 또한 우식 병소 검출을 기반으로 설명가능한 DL 모델을 구축하려는 시도는 유리한 결과를 산출하였다.
https://doi.org/10.1371/journal.pone.0310004
Artificial intelligence
Receiver operating characteristic
Deep learning
Computer science
Confusion matrix
Pattern recognition (psychology)
Ensemble learning
Convolutional neural network
Dentistry
Medicine
3
Article
|
인용수 12
·
2023Tooth caries classification with quantitative light-induced fluorescence (QLF) images using convolutional neural network for permanent teeth in vivo
Eun Young Park, Sungmoon Jeong, Sohee Kang, Jungrae Cho, Ju-Yeon Cho, Eun‐Kyong Kim
IF 2.6 (2023)
BMC Oral Health
배경: 인공지능(AI) 응용 분야의 괄목할 만한 발전에 힘입어 치아우식증 검출을 위한 AI 기반 탐지는 지속적으로 향상되고 있다. 본 연구는 합성곁광유도형광(quantitative light-induced fluorescence, QLF) 영상에 대해 합성곁광유도형광(QLF) 영상과 합성곁광유도형광(QLF) 영상을 이용하여 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 합성곁광유도형광(QLF) 영상과 관련된 대두 모델인 CNN(컨볼루션 신경망, convolutional neural network, CNN) 모델을 사용하여 치아우식증 검출의 효율을 평가하였다. 방법: 2020년 10월부터 2022년 10월까지 치과 클리닉에서 Qraypen C® (QC, AIOBIO, 서울, 대한민국)를 이용하여 606명의 참가자로부터 총 2,814개의 QLF 구내 영상(intraoral images)을 수집하였다. 이 영상에는 표면이 매끈하거나 교합면(occlusal)인 모든 종류의 영구치가 포함되었다. 데이터셋은 치아우식증 분류를 위해 무작위로 학습(56.0%), 검증(14.0%), 시험(30.0%) 하위 집합에 배정하였다. 또한 분할(segmentation) 효율을 평가하기 위해 치아 영역을 마스킹한 영상은 수동으로 준비하였다. 치아 유형에 따른 치아우식증 분류의 진단 성능을 비교하기 위해, 데이터셋을 소구치(1,143장)와 대구치(1,441장) 그룹으로 추가 분류하였다. CNN 모델로는 Xception을 적용하였다. 결과: 원본 QLF 영상을 사용하였을 때 분류 알고리즘의 성능은 비교적 양호했으며 정확도 83.2%, 정밀도 85.6%, 민감도 86.9%를 보였다. 치아 영역에 대한 분할 과정을 적용한 후에는 정확도 85.6%, 정밀도 88.9%, 민감도 86.9%를 포함한 모든 성능 지표가 향상되었다. 그러나 각 치아 유형(소구치 및 대구치)의 성능 지표는 전체 치아에 대한 성능과 유사하였다. 결론: 치아 유형에 관계없이 후방 치아에서 QLF 영상을 이용한 AI의 치아우식증 분류 적용은 우수한 성능을 나타냈다. 또한 QLF 영상에서 배경을 제거하여 치아 영역을 분할하는 과정은 더 나은 성능을 보였다.
https://doi.org/10.1186/s12903-023-03669-6
Premolar
Convolutional neural network
Molar
Medicine
Dentistry
Artificial intelligence
Segmentation
Orthodontics
Pattern recognition (psychology)
Computer science
최신 정부 과제
8
과제 전체보기
1
주관|
2020년 5월-2023년 2월
|50,000,000원자가형광탐지기술 기반 치아이미지와 우식유발균에 대한 인공지능모델의 포괄적인 우식진단 효용성 평가
1) 연구절차
- 생명윤리위원회(Institutional Review Board) 승인을 득함
- 노인복지시설과 지역아동센터를 방문하여 대상자 모집 (1000명)
- 치과의사에 의한 우식치아 진단
- 큐레이펜(아이오바이오)을 이용하여 우식치아에 대해 QLF 이미지 촬영 및 타액 수집
- QLF 이미지에 대한 인공지능(딥러닝) 모델 적용
- rtPCR(real time PCR)분석을 통한 타액 내 우식유발균 정량 및 인공지능(머신러닝모델)적용
- 종합적 분석 및 모델 제시
2) 연구방법
(1) 큐레이펜(아이오바이오)을 이용하여 우식치아에 대해 QLF 이미지 촬영
(2) 이미지 데이터의 인공지능(딥러닝) 모델 적용
- 2014년 ILSVRC (ImageNet Large Scale Visual Recognition Competition)에서 가장 높은 정확성을 보임으로 여러 선행논문에서 이미지 데이터 인식에서 사용된 pre-trained GoogLeNet Inception v3 CNN network을 이용8.
- 딥러닝 모델의 예측치를 치과의사에 의한 진단을 기준으로 오차행렬 (Confusion Matrix),
정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1 스코어, ROC AUC 등의 지표로 측정
(3) rtPCR을 이용한 타액 내 우식유발균 및 머신러닝 기반 분석
1] rtPCR을 이용한 타액내 우식유발균 정량
- 수집된 타액을 이용해 rtPCR을 진행하여 우식유발균 정량 데이터를 산출할 계획
- 우식유발균의 대표적 균주인 streptococcus mutans, Streptococcus sobrinus의 일반적인
rtPCR target으로 gtfB, gtfC, gbpC, 16s rRNA가 있으며, 해당 마커를 포함하여 추가적인 조사를
통해 후보 타겟을 선별할 계획
2] 머신러닝 분석
- 예측정확도가 높은 서포트 벡터 머신(Support Vector machine), 랜덤포레스트(Random Forest)
등의 머신러닝 알고리즘으로 진단정확도를 산출
치아우식
인공지능
딥러닝
머신러닝
자가형광탐지기술
우식유발균
2
주관|
2020년 5월-2023년 2월
|50,000,000원자가형광탐지기술 기반 치아이미지와 우식유발균에 대한 인공지능모델의 포괄적인 우식진단 효용성 평가
1) 연구절차
- 생명윤리위원회(Institutional Review Board) 승인을 득함
- 노인복지시설과 지역아동센터를 방문하여 대상자 모집 (1000명)
- 치과의사에 의한 우식치아 진단
- 큐레이펜(아이오바이오)을 이용하여 우식치아에 대해 QLF 이미지 촬영 및 타액 수집
- QLF 이미지에 대한 인공지능(딥러닝) 모델 적용
- rtPCR(real time PCR)분석을 통한 타액 내 우식유발균 정량 및 인공지능(머신러닝모델)적용
- 종합적 분석 및 모델 제시
2) 연구방법
(1) 큐레이펜(아이오바이오)을 이용하여 우식치아에 대해 QLF 이미지 촬영
(2) 이미지 데이터의 인공지능(딥러닝) 모델 적용
- 2014년 ILSVRC (ImageNet Large Scale Visual Recognition Competition)에서 가장 높은 정확성을 보임으로 여러 선행논문에서 이미지 데이터 인식에서 사용된 pre-trained GoogLeNet Inception v3 CNN network을 이용8.
- 딥러닝 모델의 예측치를 치과의사에 의한 진단을 기준으로 오차행렬 (Confusion Matrix),
정확도 (Accuracy), 정밀도 (Precision), 재현율 (Recall), F1 스코어, ROC AUC 등의 지표로 측정
(3) rtPCR을 이용한 타액 내 우식유발균 및 머신러닝 기반 분석
1] rtPCR을 이용한 타액내 우식유발균 정량
- 수집된 타액을 이용해 rtPCR을 진행하여 우식유발균 정량 데이터를 산출할 계획
- 우식유발균의 대표적 균주인 streptococcus mutans, Streptococcus sobrinus의 일반적인
rtPCR target으로 gtfB, gtfC, gbpC, 16s rRNA가 있으며, 해당 마커를 포함하여 추가적인 조사를
통해 후보 타겟을 선별할 계획
2] 머신러닝 분석
- 예측정확도가 높은 서포트 벡터 머신(Support Vector machine), 랜덤포레스트(Random Forest)
등의 머신러닝 알고리즘으로 진단정확도를 산출
치아우식
인공지능
딥러닝
머신러닝
자가형광탐지기술
우식유발균
3
협동|
2019년 12월-2022년 6월
|90,000,000원빅데이터를 활용한 구강건강 보장성 강화정책의 경제학적 접근
본 과제는 구강 건강보장성 강화정책이 실제로 어떤 변화를 만드는지 경제학적 방법으로 분석해 향후 정책 방향을 제시하는 연구임.
연구 목표는 치과 보장성 강화 정책 효과를 의료이용·본인부담 변화만으로 보기 어려운 한계를 보완하는 것임. 이를 위해 2007년–2018년 개인단위 시계열 자료를 구축하고, 구강병 질병부담은 Disability Adjusted Life Year(DALY) 기반 GBD 2010 방법론으로 산출함. 사회경제적 비용은 유병률 접근법 및 인적자본접근법으로 직접비·간접비를 구분해 추정함. 구강병 예방 실천행위의 장기효과는 GEE 회귀분석 및 descriptive 분석으로 평가함. 기대효과는 치과보장성 정책의 실효성 실증근거 제공 및 후속 구강건강보험 확대정책 합의도출에 기여함.
질병부담
사회경제적 비용 산출
구강병 예방
건강생활 실천행위