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.

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