Development and Clinical Validation of an Enhanced Deep Learning Model for Automated Segmentation and Implant Planning in Maxillary Edentulous Regions Using CBCT Images

기술 요약: 상악 무치악 분할 및 임플란트 계획을 위한 향상된 딥러닝

문제 제논 (Problem Statement)
부분 무치악 상악 영역의 디지털 임플란트 계획은 원추선형 전산화 단층촬영(CBCT) 영상에 크게 의존한다. 그러나 현재의 워크플로우는 작업자 의존적이며, 시간이 많이 소요되고, 관찰자 간 변동성에 취약하다. 임상의는 무치악 치조부를 수동으로 묘사하고, 골 치수를 평가하며, 상악동 및 비강과 같은 복잡한 해부학적 구조를 탐색해야 한다. 기존의 인공지능(AI) 솔루션은 주로 치아 분할이나 하악 구조에 집중해 왔으며, 이는 가변적인 흡수 패턴과 복잡한 형태학적 특징으로 인해 고유한 과제를 안고 있는 상악 무치악 치조부에 대한 견고하고 자동화된 분할 기술의 공백을 남겼다. 또한, 이전 연구들은 작은 데이터셋, 이질적인 주석(annotation) 프로토콜, 그리고 숙련된 의료진을 포함한 임상적 검증의 부족으로 인해 한계를 보여왔다.

방법론 (Methodology)
본 연구는 450개의 CBCT 스캔을 활용한 회고적 데이터셋을 사용하여 진단 정확도 및 임상 검증 설계를 채택하였으며, 엄격한 선정 및 제외 기준(예: 잔존 치조 폭 $\ge$ 4mm, 심각한 아티팩트 또는 병변 부재)에 따라 320개의 부분 무치악 상악 케이스를 선택하였다.

• 데이터 준비: 3명의 구강악안면외과 전문의가 3D Slicer를 사용하여 수동 분할을 수행하였다. 필요 시 제4의 시니어 외과의가 판정하는 합의 주석 프로세스를 통해 NIfTI 형식의 그라운드 트루스(ground truth) 마스크를 생성하였다.
• 모델 개발: 네 가지 딥러닝 아키텍처를 구현하였으며, MONAI 프레임워크 상에서 PyTorch를 사용하여 학습을 진행하였다:
  1. 전통적인 3D U-Net
  2. Attention U-Net
  3. nnU-Net
  4. Swin-UNETR (트랜스포머 기반 아키텍처)
     데이터셋은 학습, 검증, 테스트를 위해 80:10:10 비율로 분할되었다. 모델은 강도 정규화(intensity normalization), 리샘플링, 그리고 광범위한 데이터 증강(회전, 플리핑, 탄성 변형)을 활용하였다. 학습에는 Dice 및 cross-entropy 손실 함수 조합이 사용되었으며 조기 종료(early stopping)를 적용하였다.
• 평가 지표: 분할 성능은 Dice 유사 계수(DSC), Intersection over Union(IoU), Hausdorff Distance(HD95), 정밀도(Precision), 재현율(Recall) 및 F1-score를 사용하여 정량화하였다.
• 임상 검증: 20명의 숙련된 임상의가 두 가지 조건(전통적인 수동 계획 및 최적 성능 모델을 사용한 AI 보조 계획) 하에서 20개의 CBCT 스캔을 대상으로 임플란트 계획을 수행하였다. 지표로는 계획 시간, 수동 수정 횟수, 관찰자 간 일치도(ICC), 시스템 사용성 척도(SUS) 점수 및 사용자 만족도가 포함되었다.

주요 기여 (Key Contributions)

• 아키텍처 비교: 본 연구는 상악 무치악 분할을 위한 CNN 기반 및 트랜스포머 기반 아키텍처의 비교 분석을 제공하며, Swin-UNETR이 가장 우수한 모델임을 확인하였다.
• 임상 워크플로우 통합: 순수 기술 중심 연구와 달리, 본 연구는 AI 모델을 임상 검증 단계에 통합하여 계획 시간, 일관성 및 사용성에 미치는 영향을 측정하였다.
• 불일치 분석: 논문은 모델 오류와 수동 주석의 한계(예: 평활화 아티팩트, 얇은 골 조직 누락)를 구분하는 상세한 실패 모드 분석을 제공한다.

결과 (Results)

• 분할 성능: 모든 모델이 대상 영역을 성공적으로 분할하였다. Swin-UNETR은 평균 DSC 92.1%로 가장 높은 성능을 기록하였으며, nnU-Net(90.4%), Attention U-Net(87.8%), U-Net(84.3%)이 그 뒤를 이었다. Swin-UNETR은 가장 낮은 Hausdorff Distance(1.8 mm)도 입증하였다.
• 임상 효율성: AI 보조 계획은 평균 계획 시간을 14.7분에서 8.3분으로 단축하여 43.5%의 감소를 나타냈다 ($p < 0.001$).
• 일관성 및 사용성: AI 사용은 임플란트 위치 및 각도에 대한 관찰자 간 일치도를 유의미하게 개선하였다 (ICC가 0.84에서 0.93으로 증가). 필요한 수동 수정 횟수는 케이스당 3.6회에서 1.2회로 감소하였다. 시스템 사용성 척도(SUS) 점수는 매우 우수하였으며(88.6), 사용자 만족도는 높았다(4.7/5).
• 불일치 사항: AI와 수동 분할이 달랐던 경우, AI는 종종 인간의 합의된 수동 라벨보다 해부학적 윤곽(예: 상악동 저)을 더 정확하게 따르는 마스크를 제공하였다. 주요 불일치 원인은 수동 평활화 절차 및 인간 주석가가 얇은 잔존 골 조직을 제외한 것이었다.

의의 및 주장 (Significance and Claims)
저자들은 제안된 딥러닝 프레임워크, 특히 트랜스포머 기반의 Swin-UNETR 아키텍처가 복잡한 해부학적 구조를 포착하는 데 있어 기존 CNN보다 우수하며, 상악 무치악 영역의 정확하고 신뢰할 수 있는 분할을 제공한다고 주장한다. 본 연구는 AI를 디지털 임플란트 계획 워크플로우에 통합하는 것이 효율성, 재현성 및 표준화를 크게 향상시켜 작업자 경험에 따른 변동성을 해결할 수 있다고 상정한다.

그러나 저자들은 임상 적용에 대해 신중한 입장을 유지한다. 본 연구가 회고적이며 단일 센터에서 수행되었음을 인정하며, 일반화 가능성을 확인하기 위해 추가적인 다기관 검증이 필요함을 명시한다. 또한, 현재 모델은 분할을 목적으로 설계되었으며 아직 최종 임플란트 치수나 위치를 자동으로 결정하지는 않는다는 점을 분명히 하며, 엔드 투 엔드(end-to-end) 방식의 완전 자동화된 보철 주도 계획 시스템에 대한 향후 연구의 필요성을 제시한다.