YOLO-Based Multiclass Classification of Peri-Implant Bone Loss Severity on Panoramic Radiographs Using Expert-Defined Reference Labels: A Retrospective Study

기술 요약: YOLO 기반의 임플란트 주위 골 소실 중증도 다중 클래스 분류

문제 제기
파노라마 영상에서 임플란트 주위 골 소실을 방사선학적으로 평가하는 것은 표준적인 임상 관행이지만, 특히 초기 단계의 병변을 식별하는 데 있어 관찰자 간 변동성에 취약할 수 있다. 인공지능(AI)과 딥러닝(DL)이 치과 안면 방사선학 분야에서 유망한 성과를 보여왔으나, 기존 연구들은 주로 이진 질환 탐지나 임플란트 식별에 집중되어 왔다. 임플란트 주위 골 소실의 다중 클래스 중증도 계층화에 객체 탐지 프레임워크를 적용한 연구는 부족한 실정이다. 또한, 기존의 많은 분류 체계는 임상적 파라미터(예: 탐침 깊이)에 의존하는데, 이는 이미지 전용 데이터셋에서는 사용할 수 없으므로 자동화된 분석을 위한 재현 가능한 비율 기반의 방사선학적 프레임워크가 필요하다.

연구 방법론
본 연구는 자동화된 다중 클래스 분류를 위해 개발 및 검증된 YOLO 기반 딥러닝 프레임워크를 활용한 회고적 단일 센터 연구이다.

• 데이터셋: 본 연구는 3,051개의 주석이 달린 치과 임플란트를 포함하는 1,020장의 파노라마 방사선 사진을 활용하였다. 데이터는 층화된 70:20:10 비율을 사용하여 훈련(693장), 검증(228장), 테스트(99장) 세트로 분할되었다.
• 주석 및 참조 표준: 세 명의 전문가(구강악안면 방사선 전문의, 치주 전문의, 보철 전문의)가 오직 방사선학적 소견만을 바탕으로 임플란트를 독립적으로 평가하였다. 의견 불일치는 다수결로 해결하였다. 임플크란트는 makesense.ai 플랫폼을 사용하여 직사각형 경계 상자(bounding box)로 주석을 달았다.
• 분류 프레임워크: Hwang 등의 연구에서 유래된 비율 기반 접근 방식을 채택하여, 전체 골 내 임플란트 길이에 대한 골 소실을 다음 네 가지 클래스로 분류하였다:
  • Healthy (건강): 감지 가능한 골 소실 없음.
  • Grade S: 골 소실 ≤ 25%.
  • Grade M: 골 소실 25% 초과 50% 미만.
  • Grade A: 골 소실 ≥ 50%.
• 모델 아키텍처: 두 가지 객체 탐지 아키텍처인 YOLOv8과 YOLOv12를 동일한 조건(300 에포크, 배치 크기 16, Adam 옵티마이저) 하에서 전이 학습(transfer learning)을 통해 훈련하였다.
• 전처리: 훈련 파이프라인에는 클래스 불균형을 해결하고 일반화 성능을 높이기 위해 실시간 데이터 증강(회전, 스케일링, 이동, 전단, 투영 변환, 수평 뒤집기)과 모자이크(mosaic), 믹스업(mixup), 카피-페이스트(copy-paste) 증강과 같은 고급 기술이 포함되었다.
• 평가 지표: 성능은 정밀도(Precision), 재현율(Recall), F1-score, mAP@0.5, mAP@0.5:0.95를 사용하여 평가되었다.

주요 결과
두 모델 모두 네 가지 중증도 범주를 성공적으로 탐지하였으나, 클래스 및 지표에 따라 성능 차이를 보였다:

• 전반적인 성능:
  • YOLOv8은 대부분의 클래스, 특히 "Healthy"(0.83)와 "Grade S"(0.92)에서 높은 **재현율(Recall)**을 보여, 지배적이고 초기 단계인 범주에 대한 강한 민감도를 나타냈다. 또한 Grade A 클래스에서 가장 높은 mAP@0.5(0.52)를 달성하였다.
  • YOLOv12는 Healthy(0.46), Grade S(0.64), Grade M(0.37) 클래스에서 더 높은 mAP@0.5 값을 기록하여, 해당 범주들에 대한 정밀도와 국소화(localization)의 더 나은 균형을 시사하였다.
• 클래스별 특징:
  • Grade S는 두 모델 모두에서 가장 일관되게 탐지된 범주였으며, 혼동 행렬(confusion matrix)에서 가장 많은 진양성(true-positive) 예측을 기록하였다.
  • 오분류: 오류는 주로 인접한 중증도 그룹 간(예: Healthy를 Grade S로 오분류, 또는 Grade M을 Grade S나 A로 오분류)에 발생하였다.
  • 정밀도: 정밀도 값은 두 모델 모두 모든 클래스에서 일반적으로 낮게 나타난 반면(0.21 ~ 0.57 범위), 재현율은 상대적으로 높게 유지되었다.
• 훈련 역학: 두 모델 모두 점진적인 손실 감소와 지표 안정화를 보였다. 훈련과 검증 추이 사이의 유의미한 괴리는 관찰되지 않았으며, 이는 심각한 과적합 없이 수렴했음을 나타낸다.

의의 및 주장
저자들은 제안된 YOLO 기반 프레임워크가 파노라마 방사선 사진상 임플란트 주위 골 소실 중증도의 자동화된 다중 클래스 분류의 타당성을 입증한다고 주장한다.

• 임상적 유용성: Grade S에 대한 강력한 탐지 성능은 임상의들이 흔히 간과하거나 일관되지 않게 해석할 수 있는 미세한 변화가 나타나는 초기 방사선학적 스크리닝에서 잠재적 가치를 지님을 시사한다.
• AI의 역할: 본 연구는 이러한 모델들을 독립적인 진단 시스템이 아닌 의사 결정 지원 도구로 포지셔닝한다. YOLOv8(높은 재현율)과 YOLOv12(특정 클래스에서의 높은 mAP)의 상호 보완적인 강점은 워크플로우의 일관성을 높이고 전문가 검토가 필요한 사례의 우선순위를 정하는 데 유용하다.
• 방법론적 기여: 비율 기반의 방사선학적 프레임워크를 활용함으로써, 본 연구는 파노라마 확대 및 왜곡의 영향을 완화하는 재현 가능한 레이블링 전략을 제공하며, 이는 임상 변수 없이 이미지 전용 AI 학습에 적합하게 만든다.

인정된 한계점
저자들은 다음과 같은 제약 사항을 명시적으로 언급하였다:

1. 영상 양식: 2D 파노라마 방사선 사진의 사용은 CBCT에 비해 협측/설측 골 소실을 과소평가할 수 있어 3D 평가를 제한한다.
2. 참조 표준: 레이블은 방사선학적 해석에만 기초하였으며, 확정적인 임플란트 주위염 진단의 핵심인 임상 변수(탐침 깊이, 출혈 등)가 결여되어 있다.
3. 일반화 가능성: 본 연구는 단일 센터 및 단일 영상 시스템을 대상으로 수행되었으며, 독립적인 외부 검증 데이터셋을 사용하지 않았다.
4. 클래스 불균형: 데이터셋이 불균형하여 Grade S가 지배적이고 Grade A/M은 과소 표현되었으며, 이는 모델 최적화에 영향을 미칠 수 있다.

결론적으로, 본 논문은 YOLO 기반 모델이 임플란트 주위 골 소실 중증도를 효과적으로 분류할 수 있음을 주장하지만, 루틴한 임상 적용을 위해서는 다기관 검증, 임상 데이터와의 통합, 그리고 전향적 평가가 선행되어야 한다고 밝히고 있다.