[기술 요약] OMNI-Dent: 접근성 및 설명 가능성을 갖춘 자동 치과 진단 AI 프레임워크

1. 문제 정의 (Problem Statement)

현재 치과 진단 분야의 AI 기술은 다음과 같은 세 가지 주요 한계점을 가지고 있습니다:

• 데이터 의존성 및 확장성 문제: 기존 AI 모델은 전문가가 정밀하게 라벨링한 대규모 데이터셋(방사선 사진, 전문 장비로 촬영된 구강 사진 등)을 필요로 하며, 이는 비용이 많이 들고 데이터 확보가 어렵습니다.
• 임상적 추론의 부재: 기존 모델은 진단을 단순히 '시각적 패턴 인식' 작업으로 처리합니다. 반면, 실제 치과의사는 인접 치아와의 비교, 대칭성 확인, 형태학적 변화 분석 등 구조화된 임상적 추론(Clinical Reasoning) 과정을 거치는데, 기존 AI는 이를 반영하지 못해 설명 가능성이 떨어집니다.
• 접근성 제한: 전문 의료 장비가 없는 환경(농어촌, 저소득층 등)에서는 적시에 진단을 받기 어려우며, 스마트폰 사진과 같은 일반적인 이미지를 활용한 진단 도구가 부족합니다.

2. 제안 방법론 (Methodology)

본 논문은 일반적인 **시각-언어 모델(Vision-Language Model, VLM)**을 활용하여, 별도의 치과 특화 미세 조정(Fine-tuning) 없이도 전문가의 추론 과정을 모사하는 OMNI-Dent 프레임워크를 제안합니다. 이 시스템은 스마트폰으로 촬영한 다각도(정면, 상악 교합면, 하악 교합면) 사진을 입력으로 사용합니다.

프레임워크는 세 가지 핵심 모듈로 구성됩니다:

1. 치아 탐지 모듈 (Tooth Detection Module): YOLOv11 기반 모델을 사용하여 입력 이미지에서 각 치아의 위치를 찾고, 국제 표준 번호 체계(Universal Numbering System)에 따라 치아 ID를 할당합니다. 이를 통해 VLM이 특정 치아에 집중할 수 있도록 시각적 가이드를 제공합니다.
2. 임상 추론 모듈 (Clinical Reasoning Module): 본 연구의 핵심으로, 치과의사의 진단 워크플로우를 3단계의 구조화된 프롬프트로 설계하여 VLM(InternVL2 사용)에 전달합니다.
   • 1단계 (역할 할당 및 1차 평가): 치아의 해부학적 영역과 초기 징후 식별.
   • 2단계 (구조 및 패턴 검증): 인접 치아와의 비교, 대칭성 확인, 다각도 일관성 체크.
   • 3단계 (최종 진단 생성): 앞선 단계의 추론을 통합하여 최종 진단 및 근거 도출.
3. 진단 통합 모듈 (Diagnosis Integration Module): 여러 각도에서 얻은 개별 치아의 예측 결과를 종합하여 환자 개인별 최종 진단 요약본을 생성합니다.

3. 주요 기여 (Key Contributions)

• 데이터 효율성: 치과 특화 데이터로 VLM을 미세 조정하지 않고도, 전문가의 지식(Heuristics)을 프롬프트 엔지니어링으로 주입하여 높은 성능을 구현했습니다.
• 설명 가능성 (Explainability): 단순히 "질환 있음/없음"을 출력하는 것이 아니라, 치과의사의 논리에 기반한 텍스트 형태의 추론 과정을 함께 제공하여 진단의 근거를 명시합니다.
• 접근성 극대화: 전문 의료 장비 대신 일반 스마트폰 사진을 활용함으로써, 의료 소외 지역에서도 초기 스크리닝이 가능한 도구의 가능성을 제시했습니다.

4. 실험 결과 (Results)

실험은 치아 마모(Wear), 치관 파절(Crown Fracture), 치아 우식(Caries) 세 가지 카테고리를 대상으로 진행되었습니다.

• 전체 이상 징후 탐지 (Overall Abnormality): OMNI-Dent는 F1-score 0.88을 기록하며, 모든 베이스라인 모델(단일 치아 크롭 이미지, 전체 이미지 사용 등)을 압도적으로 상회했습니다.
• 카테고리별 성능:
  • 치아 마모(Wear): 임상 추론 가이드가 포함된 OMNI-Dent가 베이스라인 대비 F1-score를 약 0.26~0.29p 향상시켰습니다.
  • 치관 파절(Crown Fracture): 매우 미세한 징후를 포착해야 하는 이 항목에서, 베이스라인은 거의 0에 가까운 성능을 보였으나 OMNI-Dent는 유의미한 성능 향상을 보였습니다.
• In-Context Learning (ICL): 몇 가지 예시(Few-shot)를 제공했을 때, 치관 파절 진단 성능이 향상됨을 확인했습니다.
• 치아 탐지 성능: 스마트폰 이미지에 맞춘 미세 조정을 통해 치아 탐지 F1-score를 0.80에서 0.92로 크게 높였습니다.

5. 의의 및 결론 (Significance & Conclusion)

OMNI-Dent는 **"AI가 어떻게 치과의사처럼 생각할 수 있는가"**에 대한 해답을 제시합니다. 이 프레임워크는 대규모 라벨링 데이터 없이도 전문가의 지식을 모델에 이식할 수 있음을 증명하였으며, 특히 **높은 재현율(Recall)**을 통해 질환을 놓치지 않고 조기에 발견하여 전문 의료기관으로 연결하는 **'1차 스크리닝 도구'**로서의 높은 가치를 가집니다. 이는 의료 접근성이 낮은 지역의 구강 건강 관리에 혁신적인 기여를 할 수 있습니다.