Automated Detection of Retained Deciduous Teeth from Real- World Smartphone Oral Photographs Using a Two-Stage Deep Learning Framework

4세에서 12세 사이, 아이의 입안은 끊임없이 변화하는 공간입니다. 첫 번째 치아 세트인 유치는 영구치가 나올 공간을 만들기 위해 빠지도록 되어 있습니다. 하지만 때때로 유치가 빠지지 않고 남아 있는 경우가 있습니다. 유치가 그대로 머물러 있으면 새로 나오려는 치아의 경로를 막게 됩니다. '유치 잔존(retained deciduous tooth)'이라고 알려진 이 상태는 아이들이 치과를 방문하는 흔한 이유 중 하나입니다. 이를 발견하지 못하고 방치하면 영구치가 삐뚤게 자라나, 나중에 복잡한 치료가 필요한 치아 밀집이나 부정교합을 유발할 수 있습니다. 특히 정기적인 치과 진료를 받기 어려운 지역에 사는 많은 가정의 경우, 이 문제를 조기에 발견하는 것이 어렵습니다. 부모들은 무엇을 살펴봐야 하는지 모를 수 있고, 전문적인 검진을 받는 것이 항상 가능한 것도 아닙니다.

최근 몇 년 동안, 표준 스마트폰으로 선명한 사진을 찍을 수 있는 능력은 건강 모니터링의 새로운 문을 열어주었습니다. 연구자들은 인공지능이 일상적인 사진을 읽고 일반인이 놓칠 수 있는 치과 문제를 찾아낼 수 있는지 탐구하고 있습니다. 이 접근 방식은 컴퓨터 프로그램이 수천 장의 이미지를 학습하여 패턴을 인식하는 컴퓨터 과학의 한 종류인 '딥러닝'에 의존합니다. 엄격한 규칙을 통해 치아의 형태를 프로그래밍하는 대신, 컴퓨터는 사례를 통해 학습하며 정상적인 상태와 그렇지 않은 상태에 대한 이해를 점진적으로 쌓아갑니다. 목표는 깨끗한 진료실의 완벽한 조명 아래가 아니라, 집이나 학교의 무질서하고 가변적인 현실 속에서도 작동하는 도구를 만드는 것입니다.

베이징 대학교의 연구팀은 스마트폰으로 찍은 실제 사진에서 유치 잔존을 자동으로 감지하도록 설계된 시스템을 개발함으로써 이 방향으로 중요한 진전을 이루었습니다. 그들의 연구는 치과 기술의 특정 공백을 해결합니다. 인공지능이 충치나 잇몸 질환을 찾는 데 사용되어 왔지만, 유치가 빠지지 않는 특정 문제를 식별하는 데 적용된 사례는 드뭅니다. 더욱이 기존의 대부분의 연구는 통제된 환경에서 전문 치과용 카메라로 촬영된 고품질 이미지에 의روض했습니다. 그러나 이 새로운 시스템은 부모나 보호자가 촬영하여 밝기, 각도, 배경의 복잡함이 제각각인 사진의 불완전함을 처리할 수 있도록 구축되었습니다.

시스템을 훈련시키기 위해 연구진은 구강 사진의 대규모 컬렉션을 수집했습니다. 주요 출처는 상담 과정에서 보호자가 촬영하여 제공한 다섯 명의 소아 치과 의사들의 이미지였습니다. 또한 공개 온라인 소스에서 가져온 더 작은 규모의 이미지 세트도 포함했습니다. 총 587장의 이미지를 사용하여 컴퓨터가 해당 상태를 인식하는 법을 가르쳤으며, 별도의 526장 이미지 그룹을 사용하여 시스템이 학습한 내용을 보지 못한 새로운 사진에 적용할 수 있는지 테스트했습니다. 모든 이미지는 치과 전문가에 의해 유치 잔존 여부를 나타내도록 정밀하게 라벨링되었습니다. 컴퓨터가 효과적으로 학습할 수 있도록, 연구팀은 데이터가 한쪽 결과로 편향되지 않도록 균형을 맞추었습니다.

그들이 구축한 시스템은 사람이 사진을 보고 특정 세부 사항에 집중하는 것과 유사하게 두 가지 뚜렷한 단계로 작동합니다. 먼저, 컴퓨터는 전체 이미지를 스캔하여 입을 찾습니다. 이 모델은 구강 영역 주위에 상자를 그려 입 주변의 나머지 부분(얼굴이나 배경)을 무시합니다. 이 단계는 관심 영역을 분리하여 시스템이 머리카락, 옷 또는 다른 특징들에 의해 방해받지 않도록 하는 데 매우 중요합니다. 입이 확인되면 시스템은 해당 섹션을 잘라내어 두 번째 단계로 전달합니다. 여기서 분류 모델은 상자 안의 치아를 조사하여 유치가 여전히 존재하는지 결정합니다. 이러한 2단계 접근 방식은 전체 얼굴 사진의 복잡성을 처리한 후, 중요한 치아 구조로 초점을 좁힐 수 있게 해줍니다.

연구진이 시스템을 테스트했을 때 결과는 놀라웠습니다. 입을 찾는 첫 번째 단계는 거의 완벽하여 거의 모든 이미지에서 구강 영역을 성공적으로 식별했습니다. 유치 잔존 여부를 결정하는 두 번째 단계 역시 높은 신뢰도로 수행되었습니다. 데이터를 다섯 부분으로 나누어 반복적으로 훈련하고 테스트하는 엄격한 테스트에서, 시스템은 약 95%의 사례에서 해당 상태를 정확히 식별했습니다. 더 중요한 것은, 시스템이 한 번도 본 적 없는 완전히 별개의 이미지 그룹에 대해 테스트했을 때도 매우 높은 감지 능력을 유지했다는 점입니다. 실제 유치가 남아 있는 아이들을 놓친 비율은 극히 적었으며, 유치 잔존이 있는 아이들을 97.3%의 확률로 정확히 식별해 냈습니다. 이러한 높은 민감도는 스크리닝 도구로서 매우 중요한데, 치료가 필요한 아이를 놓치는 것보다 건강한 아이를 검진 대상으로 표시하는 것이 훨씬 낫기 때문입니다.

연구진은 또한 사진이 완벽하지 않을 때 시스템이 실패할지 알고 싶었습니다. 현실 세계에서는 이미지가 흐릿하거나, 거칠거나, 조명이 좋지 않을 수 있습니다. 이를 테스트하기 위해 연구진은 노이즈를 추가하거나 사진을 흐리게 만드는 등 다양한 유형의 이미지 저하를 의도적으로 도입하여 시스템이 어떻게 반응하는지 살펴보았습니다. 모델은 놀라울 정도로 견고함을 증명했습니다. 이미지 품질이 크게 저하되더라도 시스템의 상태 감지 능력은 안정적으로 유지되었습니다. 사진이 덜 선명해졌다고 해서 갑자기 오류를 일으키지 않았습니다. 이는 이 도구가 조명이나 카메라 품질을 제어할 수 없는 일상적인 환경에서도 효과적으로 작동할 수 있음을 시사합니다.

팀은 컴퓨터가 어떻게 결정을 내리는지 이해하기 위해 시스템이 이미지의 특정 부분을 강조하는 시각화 기법을 사용했습니다. 결과는 모델이 올바른 영역을 보고 있다는 것을 보여주었습니다. 유치 잔존이 있을 때, 시스템의 주의력은 해당 치아와 새로운 치아가 나오려고 시도하는 주변 영역에 집중되었습니다. 그림자나 배경 물체에 속지 않았던 것입니다. 이러한 투명성은 시스템이 무작한 패턴에 의존하는 것이 아니라, 치과의사처럼 임상적으로 유의미한 특징을 사용하고 있음을 보여줍니다.

연구진은 또한 이 기술이 실제로 어떻게 사용될 수 있는지 보여주는 작동 가능한 웹 애플리케이션을 구축했습니다. 사용자는 아이의 입 사진을 업로드할 수 있으며, 시스템은 즉시 분석하여 예측 결과를 돌려줍니다. 이 프로토타입은 데이터가 수집, 분석되고 시간이 지남에 따라 시스템을 개선하는 데 사용될 수 있는 폐쇄 루프를 나타냅니다. 저자들은 이 도구가 치과의사를 대체하기 위한 것이 아님을 강조합니다. 대신, 부모, 학교 또는 1차 의료 제공자를 위한 보조적인 스크리닝 방법으로 설계되었습니다. 이는 전문가를 더 빨리 만나야 하는 아이들을 식별하는 데 도움을 주어, 잠재적으로 치과 클리닉의 부담을 줄이고 소외된 지역 사회의 아이들의 치료 결과를 개선할 수 있습니다.

결과는 유망하지만, 연구진은 이 연구에 한계가 있음을 인정합니다. 사용된 이미지들은 특정 출처에서 수집되었으므로, 아이가 처할 수 있는 모든 가능한 시나리오를 대표하지 못할 수 있습니다. 현재 시스템은 유치 잔존의 존재 여부만 식별할 뿐, 얼마나 많은 치아가 영향을 받았는지 또는 정확히 어디에 위치하는지는 상세히 설명하지 못합니다. 또한, 이 연구는 회고적 연구였으므로 실시간 환자 상호작용이 있는 실제 임상 현장에서 시스템을 테스트한 것이 아니라 과거의 데이터를 살펴보는 방식이었습니다. 향후 연구에서는 더 다양한 인구를 포함하도록 데이터를 확장하고, 일상적인 진료 현장에서 어떻게 작동하는지 확인하기 위해 전향적 연구를 수행해야 할 것입니다.

이 2단계 프레임워크의 개발은 소아 치과학에 인공지능을 적용하는 데 있어 실질적인 진전을 의미합니다. 흔하지만 종종 간과되는 질환에 집중하고, 사람들이 실제로 찍는 불완전한 이미지로 작동하는 시스템을 구축함으로써, 연구진은 진정한 잠로를 가진 도구를 만들어냈습니다. 모델의 높은 정확도와 견고함은 이 도구가 스크리닝 과정의 가치 있는 부분이 되어, 아이들이 적시에 치료를 받을 수 있도록 돕는 데 기여할 수 있음을 시사합니다.