BoneNet: A Multimodal Deep Learning Framework with Dual-Modality Explainability for Automated Peri-Implant Bone Loss Detection and Severity Grading

당신이 탐정이 되어 미스터리를 풀고 있다고 상상해 보십시오. 하지만 당신은 지문 대신 치아 기초의 아주 작은 균열을 찾고 있습니다. 치과 의학의 세계에서, 금속 나사(임플란트)가 인공 치아를 고정하기 위해 턱뼈에 삽입되면, 그 주변의 뼈가 때때로 수축하며 멀어질 수 있습니다. 이를 "임플란트 주위 골흡수(peri-implant bone loss)"라고 부릅니다. 만약 치과의사가 이 수축을 놓친다면, 인공 치아가 빠져버려 고통스럽고 비용이 많이 드는 수리가 필요하게 될 수 있습니다. 보통 치과의사들은 X-ray 사진을 뚫어지게 쳐다보거나 자를 사용하여 이 미세한 틈을 수동으로 측정해야 합니다. 이는 느리고, 치과의사마다 같은 틈을 측정하더라도 결과가 다를 수 있습니다.

딥러닝이라는 유형의 인공지능(AI)의 세계가 등장합니다. 이것을 인간의 눈이 놓칠 수 있는 패턴을 찾아내는, 마치 수백만 장의 X-ray를 공부한 초능력을 가진 우등생처럼 컴퓨터에게 가르치는 것이라고 생각하십시오. 목표는 컴퓨터 프로그램이 단순히 골흡수를 발견하는 것을 넘어, 그것이 얼마나 심각한지, 그리고 그 틈이 얼마나 깊은지를 정확히 말할 수 있도록 만드는 것입니다. 하지만 여기서 까다로운 점은, 컴퓨터는 무언가가 '어디에' 있는지는 잘 찾아내지만, 그것이 '얼마나 심각한지'를 이해하는 데는 어려움을 겪을 때가 있다는 것입니다. 특히 단서가 미묘할 때 더욱 그렇습니다. 이 논문은 단순히 그림을 보는 것이 아니라, 정답을 맞히기 위해 수학적 계산까지 수행하는 더 똑똑한 탐정을 만드는 것에 관한 이야기입니다.

---

논문: BoneNet, 슈퍼 탐정 치과의사

이 연구를 진행한 RV 대학교의 무랄리다르 빌라(Muralidhar Billa)와 그의 팀은 임플란트 주변의 골흡수를 포착하기 위한 궁극적인 AI 도구를 만들고자 했습니다. 그들은 단순히 "이기에 문제가 있어요!"라고 말하는 도구가 아니라, 문제를 "걱정 없음" 단계부터 "위급 상황" 단계까지 등급을 매기고, 골흡수의 깊이를 밀리미터(mm) 단위로 측정할 수 있는 도구를 원했습니다.

탐정의 훈련: 아홉 가지 의상 입어보기
자신들만의 특별한 도구를 만들기 전에, 팀은 기존의 아홉 가지 AI "의상(아키텍처)"을 테스트하여 골흡수를 찾는 데 가장 적합한 것이 무엇인지 결정하기로 했습니다. 그들은 이 과정을 균형 잡힌 519장의 X-ray 이미지 세트에 맞춰 신발을 골라 신는 과정처럼 취급했습니다. 대부분의 신발은 잘 맞았지만, 한 모델이 눈에 띄었습니다. 바로 YOLOv8m이라는 모델이었습니다. 이 모델은 골흡us를 찾는 데 가장 빠르고 정확했지만, 팀은 개선의 여지가 있다고 느꼈습니다. 그들은 골흡수가 단 하나의 크기로 존재하는 것이 아니라, 아주 미세한 질감과 넓고 큼직한 영역을 모두 가지고 있다는 점을 깨달았습니다. 표준 YOLOv8m은 마치 '원사이즈(one-size-fits-all)' 신발을 신은 것과 같았습니다. 작동은 하지만, 특정 문제의 형태에 완벽하게 맞춤 제작된 것은 아니었습니다.

업그레이드: BoneNet
그래서 팀은 BoneNet이라는 이름의 자신들만의 커스텀 탐정을 만들었습니다. 그들은 YOLOv8m의 가장 좋은 부분들을 가져와 내부 엔진을 교체했습니다. 표준 블록 대신, 그들은 **확장 잔차 주의 블록(Dilated Residual Attention Blocks, DRAB)**이라고 불리는 것을 설치했습니다.

• 비유: 지도를 보고 있다고 상상해 보십시오. 일반 카메라는 한 지점에 줌을 당깁니다. 하지만 DRAB는 동시에 두 쌍의 안경을 쓰는 것과 같습니다. 하나는 뼈의 전체적인 큰 그림을 보기 위한 광각 렌즈이고, 다른 하나는 뼈의 미세하고 흐릿한 질감을 보기 위한 망원 렌즈입니다. 이 두 가지 시야를 결합함으로써, BoneNet은 골흡수를 훨씬 더 명확하게 볼 수 있습니다.
• 결과: 이 업그레이드는 BoneNet을 믿을 수 없을 정도로 정확하게 만들었습니다. BoneNet은 0.9660(골흡수를 찾고 윤곽을 그려내는 척도)의 점수를 기록했는데, 이는 가장 뛰어난 표준 모델보다 3.83포인트 향상된 수치입니다. 게다가, 실제로 더 가볍고 빨랐으며, 더 적은 컴퓨터 자원을 사용했습니다.

비밀 병기: "수학적 두뇌" 추가하기
여기서 이 논문은 정말 흥미로워집니다. 팀은 매우 정확한 탐정이 있더라도, AI가 여전히 골흡수의 '심각도'를 추측하는 데 어려움을 겪고 있다는 사실을 깨달았습니다. AI는 위치는 찾을 수 있었지만, 이것이 1단계(경미함)인지 4단계(심각함)인지 확신하지 못했습니다.

• 문제점: 사진만 보는 것으로는 충분하지 않았습니다. 이는 마치 사진만 보고 가방이 얼마나 무거운지 추측하려는 것과 같습니다. 사진만 봐서는 그 안에 깃털이 들었는지 벽돌이 들었는지 알 수 없습니다.
• 해결책: 그들은 AI에게 "수학적 두뇌"를 부여했습니다. 그들은 인간 전문가가 X-ray로부터 계산할 법한 기하학적 측정값(예: 골흡구의 면적, 둘레, 모양 등)을 추출하여 숫자로 변환한 뒤 AI에 입력했습니다.
• 융합: 그들은 사진과 숫자가 서로 대화할 수 있도록 특별한 "교차 주의(cross-attention)" 네트워크를 사용했습니다.
• 결과: 이것은 엄청난 게임 체인저였습니다. 사진과 수학적 정보를 모두 사용했을 때, AI의 심각도 등급 예측 능력은 50.79%(거의 찍는 수준)에서 **85.96%**로 급증했습니다. 이는 이 특정 작업에서 이미지에만 의존해서는 안 되며, 기하학적 숫자도 반드시 필요하다는 것을 증명합니다.

깊이 측정: 자 테스트(Ruler Test)
팀은 또한 AI가 골흡수의 깊이를 밀리미터 단위로 정확히 측정할 수 있는지 알고 싶었습니다. 그들은 이를 위해 별도의 수학 중심 AI(XGBoost)를 훈련시켰습니다.

• 결과: 평균적으로 AI의 오차는 단 0.638 mm였습니다. 치과 의학의 세계에서 ±1 mm 이내면 허용 가능한 범위로 간주되므로, 이는 성공적입니다!
• 함정: 이 논문은 한 가지 결함에 대해 매우 솔직합니다. 평균값은 좋았지만, 골흡수가 심해질수록 AI의 성능은 크게 떨어졌습니다. 경미한 경우에는 완벽했습니다. 하지만 가장 심각한 경우(4단계)에는 오차가 커졌으며, 예측값이 안전 범위인 1 mm 이내에 들어온 경우는 **42.9%**에 불과했습니다. 저자들은 학습 데이터에 가장 심각한 사례에 대한 예시가 충분하지 않아, AI가 최악의 시나리오를 처리하도록 가르치는 데 한계가 있었다고 설명합니다.

탐정 훈련 데이터에 대한 비판적 노트
팀이 탐정을 훈련시키고 테스트할 때 고려해야 할 중요한 세부 사항이 하나 있습니다. 이 연구에는 135장의 X-ray 이미지가 포함되어 있는데, 일부 이미지는 여러 개의 임플란트를 포함하고 있었습니다. 데이터를 테스트용으로 분리할 때, 팀은 '환자'가 아닌 '임플란트'를 기준으로 분리했습니다. 이는 동일한 X-ray 이미지의 일부가 훈련 그룹과 테스트 그룹 양쪽에 모두 들어갈 수 있음을 의미합니다.

• 이것이 중요한 이유: 이는 마치 탐정에게 공부 가이드에 이미 나와 있는 질문들이 포함된 연습 시험을 주는 것과 같습니다. 왜냐하면 두 질문이 같은 출처에서 왔기 때문입니다. 이는 "데이터 누수(data leakage)" 위험을 초-래하며, 즉 AI가 실제 세상에서 완전히 새로운 환자를 만났을 때 달성할 수 있는 성적보다 현재의 테스트 점수가 약간 더 높게 나올 수 있음을 의미합니다. 저자들은 이 점을 투명하게 밝히며, 현재 보고된 정확도는 데이터를 엄격하게 환자별로 분리하여 테스트하기 전까지는 "상한선(최상의 시나리오)"일 가능성이 높다고 언급했습니다.

"왜"와 "어떻게": 투명성 확보하기
마지막으로, 팀은 AI가 단순히 무작위로 추측하는 것이 아님을 확인하고 싶었습니다. 그들은 AI의 뇌 내부를 들여다보기 위해 두 가지 도구를 사용했습니다.

1. EigenCAM: 이 도구는 AI가 X-ray의 어느 부분을 보고 있는지를 강조해 줍니다. 그 결과, 경미한 경우에는 AI가 뼈의 윗부분을 보고 있었고, 심각한 경우에는 임플란트의 옆면 깊숙한 곳을 보고 있다는 것을 발견했습니다. 이는 인간 치과의사가 하는 방식과 일치합니다.
2. SHAP: 이 도구는 숫자를 살펴보았습니다. 결과는 AI가 골흡구의 "둘레(가장자리의 길이)"에 주목하고 있다는 것을 보여주었습니다. 이는 매우 타당한데, 가장자리가 길고 울퉁불퉁할수록 보통 더 깊은 문제를 의미하기 때문입니다.

결론
논문은 BoneNet이 골흡수를 발견하고 등급을 매기는 데 매우 효과적인 도구이지만, 이미지의 "눈"과 기하학적 측정값의 "수학"을 결합할 때 가장 잘 작동한다는 결론을 내립니다. 그러나 저자들은 이 도구가 경미하거나 중간 정도의 사례에는 훌륭하지만, 가장 깊은 골흡수를 스스로 측정하기 위해서는 아직 더 많은 훈련이 필요하며, 따라서 완전히 신뢰하기 전까지는 주의가 필요하다고 신중하게 덧붙였습니다. 또한 데이터 분리 방식 때문에 현재의 결과가 다소 낙관적일 수 있음을 언급하며, 현재로서는 이 도구가 치과의사들이 환자를 분류(triage)하는 데 도움을 줄 수 있는 환상적인 조수 역할을 할 수 있지만, 가장 심각한 사례에 대해서는 항상 인간의 재검토가 필요하다고 제언합니다.