배경: 본 연구는 Google Cloud 플랫폼에서 자동화된 기계학습을 이용한 임플란트 시스템 분류의 정확도와 임상적 사용성을 평가하고자 하였다. 방법: 네 가지 치과용 임플란트 시스템을 선정하였다: Osstem TSIII, Osstem USII, Biomet 3i Os-seotite External, Dentsply Sirona Xive. 총 4,800장의 치근단 방사선 사진(각 임플란트 시스템당 1,200장)을 수집하였고 전자 의무기록에 근거하여 라벨링하였다. 관심영역을 수동으로 400×800픽셀로 크롭한 뒤, 모든 영상을 Google Cloud 저장소에 업로드하였다. 약 80%의 영상은 학습에, 10%는 검증에, 10%는 테스트에 사용하였다. Google 자동화 기계학습(AutoML) Vision은 업로드된 데이터에 적절한 알고리즘을 적용하기 위해 신경망 아키텍처 탐색(neural architecture search) 기술을 자동으로 실행하였다. AutoML을 이용하여 단일 라벨 이미지 분류 모델을 학습하였다. 모델의 성능은 정확도, 정밀도, 재현율, 특이도, F1 점수로 평가하였다. 결과: AutoML Vision 모델의 정확도, 정밀도, 재현율, 특이도 및 F1 점수는 각각 0.981, 0.963, 0.961, 0.985 및 0.962였다. Osstem TSIII는 정확도 100%를 보였다. Osstem USII와 3i Osseotite External은 오분류 행렬에서 가장 흔하게 혼동되었다. 결론: 클라우드 플랫폼에서의 딥러닝 기반 AutoML은 미세 조정된 합성곱 신경망(convolutional neural network)으로서 치과 임플란트 시스템 분류에서 높은 정확도를 보였다. 모델의 성능과 임상적 사용성을 향상시키기 위해서는 다양한 임플란트 시스템으로부터의 더 고품질 영상이 필요하다.
*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.