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.

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