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.

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.

배경: 구강 내 사진 영상은 우식증(caries)의 임상적 진단에 도움이 된다. 또한 이러한 영상에 인공지능을 적용하려는 시도가 꾸준히 이루어져 왔다. 본 연구는 이들 영상을 이용하여 치아 표면을 분할(segmentation)함으로써 우식증 검출을 위한 딥러닝 알고리즘을 평가하고자 하였다. 방법: 본 전향적 연구에서 2020년 10월부터 2021년 12월까지 대학 의료센터의 치과 진료소에서 전문 구강 내 카메라를 사용하여 445명의 참여자로부터 총 2348장의 자체 촬영 구강 내 사진 영상을 수집하였다. 영상은 무작위로 훈련(1638), 검증(410), 시험(300) 데이터셋에 할당하였다. 치아 표면의 영상 분할, 우식증의 분류 및 위치추정을 위해 CNN(Convolutional Neural Networks)인 U-Net, ResNet-18, Faster R-CNN을 적용하였다. 결과: 우식증 영상의 분류 알고리즘에서, CNN을 이용한 치아 표면 분할을 통해 정확도와 수신자조작특성곡선(receiver operating characteristic, ROC) 아래 면적이 각각 0.731에서 0.837로, 0.758에서 0.813으로 향상되었다. 또한 분할 후 치아 영역에서 우식 병변을 위치추정하는 알고리즘 역시 성능이 개선되었다. 예를 들어 민감도와 평균 정밀도는 각각 0.890에서 0.889로, 0.865 및 0.868로 향상되었다. 결론: 치아 표면 분할을 포함하는 딥러닝 모델은 구강 내 카메라로 촬영한 사진 영상에서 우식증을 검출하는 데 유망하다. 이는 시간과 비용을 절감할 수 있는 장점이 있는 보조적 진단 방법이 될 수 있다.

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.

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.

배경: 구강 내 사진 영상은 우식증(caries)의 임상적 진단에 도움이 된다. 또한 이러한 영상에 인공지능을 적용하려는 시도가 꾸준히 이루어져 왔다. 본 연구는 이들 영상을 이용하여 치아 표면을 분할(segmentation)함으로써 우식증 검출을 위한 딥러닝 알고리즘을 평가하고자 하였다. 방법: 본 전향적 연구에서 2020년 10월부터 2021년 12월까지 대학 의료센터의 치과 진료소에서 전문 구강 내 카메라를 사용하여 445명의 참여자로부터 총 2348장의 자체 촬영 구강 내 사진 영상을 수집하였다. 영상은 무작위로 훈련(1638), 검증(410), 시험(300) 데이터셋에 할당하였다. 치아 표면의 영상 분할, 우식증의 분류 및 위치추정을 위해 CNN(Convolutional Neural Networks)인 U-Net, ResNet-18, Faster R-CNN을 적용하였다. 결과: 우식증 영상의 분류 알고리즘에서, CNN을 이용한 치아 표면 분할을 통해 정확도와 수신자조작특성곡선(receiver operating characteristic, ROC) 아래 면적이 각각 0.731에서 0.837로, 0.758에서 0.813으로 향상되었다. 또한 분할 후 치아 영역에서 우식 병변을 위치추정하는 알고리즘 역시 성능이 개선되었다. 예를 들어 민감도와 평균 정밀도는 각각 0.890에서 0.889로, 0.865 및 0.868로 향상되었다. 결론: 치아 표면 분할을 포함하는 딥러닝 모델은 구강 내 카메라로 촬영한 사진 영상에서 우식증을 검출하는 데 유망하다. 이는 시간과 비용을 절감할 수 있는 장점이 있는 보조적 진단 방법이 될 수 있다.

치주염과 당뇨병의 연관성은 많은 단면연구들에서 평가되어 왔으며, 교란변수를 통제하는 것이 중요하다. 성향점수매칭(propensity score matching, PSM)은 이 문제를 해결하는 데 도움이 될 수 있다. 따라서 우리는 일반 한국 인구를 대표하는 개인들을 대상으로 한 (PSM) 분석에서 이 연관성을 평가하였다. 치주염은 PSM 이전에 당뇨병과 유의하게 연관되어 있었고(오즈비[OR] = 1.53; 95% 신뢰구간(CI) = 1.31-1.80), PSM 이후에도 유의하게 연관되어 있었다(OR = 1.52; 95% CI = 1.28-1.80). 이 연구는 PSM을 이용하여 치주염과 당뇨병 간의 연관성을 보여주었으며, 치주염이 당뇨병과 양의 관련이 있을 수 있음을 시사한다. 우리는 제7기 국민건강영양조사(Korea National Health and Nutrition Examination Survey VII)(2016-2018)에서 만 19세 이상 성인 9508명을 포함하고, PSM 이전 및 이후에 로지스틱 회귀분석을 수행하였다. PSM은 1:1 매칭 비율로 치주질환(예 또는 아니오)에 근거하여 시행하였으며, 5858명이 포함되었고(군당 2929명) 교란변수로는 연령, 성별, 결혼상태, 직업, 교육수준, 소득, 흡연 및 음주 습관, 비만, 고혈압, 고콜레스테롤혈증, 고중성지방혈증 등이 포함되었으며, 로지스틱 회귀분석에서 매칭 및 조정하였다.

본 연구는 CAT-PRSR(CAT-PRSR)로 명명된 신뢰도 인지(confidence-aware) 트랜스포머 기반 초해상도(super-resolution) 프레임워크를 개발하고 평가하여 파노라마 치과 방사선 사진에서 화질과 진단 신뢰성을 향상시키는 것을 목표로 하였다. 총 1078장의 익명화된 파노라마 방사선 영상을 후향적으로 수집하였으며(훈련 950장, 테스트 128장), 트랜스포머 기반 SR 백본과 신뢰도 인지 학습 전략을 통합한 CAT-PRSR 프레임워크를 개발하였다. 본 모델은 픽셀 단위 불확실성 추정(pixel-wise uncertainty estimation)을 통해 적응적 학습을 가능하게 하여 진단적으로 관련 있는 영역에 집중하되, 잡음에 민감한 영역에서의 과도한 선명화(over-enhancement)를 최소화하면서 고해상도 출력을 생성한다. 모델 성능은 6개의 정량 지표—피크 신호대잡음비(peak signal-to-noise ratio, PSNR), 구조적 유사도 지수(structural similarity index, SSIM), 공간 상관 계수(spatial correlation coefficient, SCC), 자연 영상 품질 평가(natural image quality evaluator, NIQE), 학습된 지각 이미지 패치 유사도(learned perceptual image patch similarity, LPIPS), 프레셋 이니셉션 거리(Fréchet inception distance, FID)—및 평균 의견 점수(mean opinion score, MOS) 평가를 통해 검증하였다. 정량 성능에 기반하여 4배, 6배, 8배 확대에서 비교를 위해 4개의 대표적인 최신(state-of-the-art) SR 모델을 선정하였다. CAT-PRSR은 모든 지표와 확대 수준에서 우수한 성능을 보였다. 가장 높은 PSNR(4×에서 36.41, 6×에서 36.19, 8×에서 33.73)을 달성했으며, 최저 FID(각각 1.77, 9.29, 2.09)도 나타내어 모든 비교 모델을 능가하였다. MOS 평가에서 CAT-PRSR은 P > .05 수준에서 진단 유용성 점수가 기준(ground truth) 영상과 통계적으로 유사하게 유지된 반면, 다른 모델들은 P < .001 수준에서 유의한 저하를 보였다. 제안된 CAT-PRSR 프레임워크는 픽셀 수준의 충실도와 향상된 진단 신뢰성을 통합함으로써 파노라마 방사선 영상의 해상도를 향상시킬 잠재력을 보여주었다. 또한 CAT-PRSR 모델은 저해상도 조건에서 획득된 파노라마 방사선 사진의 진단 신뢰성을 향상시킬 수 있으며, 보다 정확한 임상적 의사결정을 지원하고 AI 기반 치과 연구를 위한 신뢰할 수 있는 영상 자원으로 활용될 수 있다.

임상적 진찰은 치주질환 진단에 필수적이지만, 일관되고 신뢰할 수 있는 평가를 달성하는 데에는 여전히 어려움이 있다. 대규모 집단에서 임상적 진찰을 통해 치주질환의 유병률을 평가하는 일은 높은 비용과 전문 인력 요구로 인해 실제적인 한계에 직면한다. 이러한 문제에 대한 비용 효율적인 대안으로 선별 설문지 개발이 대두되었다. 본 연구는 한국 성인을 대상으로 치주 건강 평가를 위한 선별 설문지의 타당도를 평가하고자 하였다. 본 연구에는 19세 이상 성인 120명이 포함되었으며, Community Periodontal Index를 이용한 임상적 진찰을 시행하였다. 치주질환을 식별하기 위한 영어 버전 선별 설문지(10문항)를 한국어로 각색 및 번역하였다. 치주질환에 대한 이 한국어 버전의 타당도와 신뢰도를 다변량 로지스틱 회귀분석, 수신자 조작 특성 곡선(ROC) 아래 면적(area under the receiver operating characteristic curve, AUC) 분석, 민감도 및 특이도 평가를 통해 검증하였다. 모든 교란변수를 보정한 후, 3번 문항(스케일링 또는 치근활택술과 같은 치주치료 병력)에 대한 보정 오즈비(adjusted odds ratio, OR)는 4.649 (95% 신뢰구간 1.223–17.670)였으며, 진단 성능은 AUC = 0.82, 민감도 = 93%, 특이도 = 42%였다. 1번 문항(잇몸질환에 대한 자기 인지), 3번 문항, 10번 문항(치주수술 병력)의 조합은 모든 문항을 포함한 모형에 비해 최적의 예측력을 보였으며(AUC = 0.86, 민감도 = 86%, 특이도 = 26%), 치주질환 선별 설문지의 핵심 구성요소를 확인하였다. 이는 국가 구강건강 선별조사에서 치주질환이 있는 개인을 식별할 수 있는 잠재력을 보여준다.

목적: 치과 유니트 워터라인(DUWLs)은 환자와 의료진에게 감염 위험을 초래할 수 있는 바이오필름을 은폐할 수 있음에도 불구하고, 한국에서 DUWL의 미생물 오염과 관련된 감염 관리 요인에 대한 데이터는 제한적이다. 따라서 본 연구에서는 설문을 통해 감염 관리 요인에 따른 DUWL의 미생물 부하를 분석하고자 하였다. 방법: 본 단면 연구에서는 58개 치과 기관을 대상으로 특성(진료 의자 수, 일일 환자 내원량, 인증 상태)과 감염 관리 상태(서면 지침, 지정 관리자, 모니터링, 직원 교육)를 설문하였다. 동시에 수수(手術)용 고속 핸드피스와 3-way 공기-물 시린지의 미생물 오염 수준을 수(水) 채수로 조사하였으며, 오염도는 산술평균 및 기하평균(GM)으로, GM±기하표준편차(GSD)로 표시하였다. 기관의 특성과 감염 관리 요인에 따른 세균 오염도를 비교하기 위해 Mann-Whitney U 검정을 사용하였고, 유의수준은 p<0.05로 하였다. 결과: 전반적인 GM 오염은 고속 핸드피스에서 1,141 CFU/mL, 시린지에서 411 CFU/mL로 나타났으며, 이는 CDC의 권고 기준(≤500 CFU/mL)을 초과하였다. 또한 기관 유형, 유니트 의자 수, 평균 환자 수에 따라 미생물 부하에 유의한 차이가 관찰되었다. 더불어 감염 관리 지침의 존재 여부는 유의한 영향을 나타내었다. 결론: DUWL의 미생물 품질은 진료소 규모와 감염 관리 프로그램의 질에 따라 달랐다. 상세한 지침, 정기적인 감시, 기술 기반 교육을 갖춘 기관일수록 더 나은 미생물 관리 성과를 보였다. 표준화된 지침과 인센티브가 결합된 교육은 특히 소규모 개인 치과에서 감염 관리의 격차를 줄이는 데 도움이 될 수 있다.