Deep learning for early dental caries detection in bitewing radiographs

Abstract

I. 서론 치아 우식의 조기 발견은 예방적 치료를 가능하게 하여 의료 서비스 비용을 절감하는 효과를 가져온다. 그러나 구치부의 인접면 초기 우식은 임상에서 육 안 검사만으로는 진단이 어려울 때가 많으며, 이에 있어서 교익 방사선 사진 은 인접면 초기 우식을 진단할 수 있는 좋은 도구 중 하나이다. 최근 의료계에서는 컨볼루션 신경망 (convolutional neural networks, CNNs) 을 활용한 딥 러닝 기술을 이용해 다양한 종류의 영상을 처리, 질병을 진단하 는 연구들이 활발히 이루어지고 있으며 좋은 성능과 효과를 인정받고 있다. 치과에서도 이러한 딥 러닝 기술을 적용한 많은 연구가 이루어지고 있으며, 치아 우식이나 병소의 진단에 활용하고 있다. 그러나 대부분의 연구들은 딥 러닝 모델의 성능 평가에 대한 분석만 하고 있으며, 최근 몇몇 연구들이 딥 러닝 모델과 임상가의 진단 능력을 비교하는 연구를 시행하였다. 그러나 아직 까지 딥 러닝 모델을 실제 임상적 상황에서 이용했을 때 임상가들의 진단에 어떠한 도움을 줄 수 있는지에 대한 연구는 없는 실정이다. 본 연구에서는 Ronneberger 등 (2015)에 의해 처음 제안돼 치아 구조 분석 에 사용되었던 U-shaped deep CNN (U-Net)을 활용해 교익 방사선 사진에서 치 아 우식을 진단하는 딥 러닝 모델을 개발하고, 더 나아가 실제 임상과 같은 상황에서 임상가가 교익 방사선 사진으로 우식을 진단할 시 딥 러닝 모델이 어떠한 도움을 주는지에 대해 알아보았다. II. 재료, 방법 및 결과 재료 및 방법 본 연구는 후향적 연구로, 두 명의 치과의사가 연세대학교 치과 보존과 (강 남세브란스병원 치과병원 및 연세대학교 치과대학병원)에서 2017년도 1월부터 2018년도 12월까지 치아 우식 진단 및 치료를 목적으로 촬영되었던 환자들의 교익 방사선 사진 데이터를 활용해 무작위로 영상을 수집하였다. 최대한 실제 임상과 유사하도록 다양한 경우를 골고루 포함하도록 하였으며, 영상의 질이 떨어지거나 심한 왜곡 혹은 인접면이 심하게 겹쳐진 방사선 사진은 데이터에 서 제외하였다. 총 304장의 교익 방사선 사진이 CNN 모델을 훈련하는 데 사용되었으며, 50 장의 교익 방사선 사진이 성능 평가에 사용되었다. 304장의 방사선 사진은 태 블릿으로 옮겨져 두 명의 잘 훈련된 임상가에 의해 표시된 치아 구조 및 우식 을 이용해 CNN 모델을 훈련하였다. 우식 진단의 정확도를 높이기 위해 U-Net 은 두가지 모델을 이용해 훈련하였으며, 우식 진단을 하는 U-Net과 치아 구조 를 분석하는 U-Net 모델을 이용하였다. 최종적으로 두 모델의 결과를 합쳐 법 랑질과 상아질 상에서만 치아 우식이 검출되도록 조정하였다. 딥 러닝 모델이 실제 임상가가 우식을 진단할 때 어떠한 도움을 주는지 알 아보기 위해 50장의 평가 데이터에 대해서 세 명의 치과의사가 각각 방사선 사진에 우식을 진단하도록 하였다. 그리고 몇 주 뒤 자신의 태깅과 딥 러닝 모델의 태깅이 함께 표시된 방사선 사진을 보며 본인의 태깅을 수정하도록 하 였다. 세 임상가의 전, 후 우식 진단 결과와 딥 러닝 모델의 결과를 positive predictive value (PPV, precision), sensitivity (recall) 그리고 F1-score (F1 score = (2(precision * recall))/(precision + recall)) 분석을 통해 계 산, 비교해보았다. 또한 세 임상가가 상의해 50장의 방사선 사진 상의 정답 우식을 정도에 따라 경도, 중등도, 고도 치아 우식 그룹으로 분류했으며 각각 의 그룹에 대해서 세 임상가의 전, 후 우식 진단 결과의 sensitivity 값을 다 시 비교해보았다. 결과 개발한 CNN 모델은 50장의 평가 데이터에 대해서 임상가와 비슷한 성능을 보였다: sensitivity, 83.25% (세 임상가의 전 진단 결과의 평균, 80.1%; 세 임상가의 후 진단 결과의 평균, 88.31%). 모델은 인접면 우식 이외에도 교익 방사선 사진 상에서 관찰되는 모든 종류의 우식 (치근 우식, 재발성 우식, 수 복물 하방의 틈)을 진단하였다. 그러나 방사선 사진에 제 3 대구치가 포함되 어 있거나 인접면 중첩이 심하거나 방사선 사진의 질이 떨어질 때 위 양성 진 단이 많아지는 경향성을 보였다. 세 명의 치과의사가 CNN 모델의 결과를 참고 자료 삼아 우식을 진단했을 때 더 많은 우식을 찾아냈다. 또한 모델의 도움을 받았을 때 세 명 모두 전반적 인 민감도는 유의하게 증가 (D1, 85.34%; D1', 92.15%; D2, 85.86%; D2', 93.72%; D3, 69.11%; D3', 79.06%; p<0.05) 하였으며, PPV는 유의하게 감소하 였다. 그리고 이러한 민감도의 증가는 실제 임상에서 진단을 놓치기 쉬운 경 도와 중등도 치아 우식 그룹에서 특히 유의하게 나타났다 (p<0.05). III. 결론 개발한 딥 러닝 모델은 임상가와 비슷한 정도의 치아 우식 진단 성능을 보였다. 임상가가 교익 방사선 사진에서 치아 우식을 진단할 때 딥 러닝 모델의 결과를 참고하면 보다 정확히 우식을 진단하는데 도움이 될 것이다. 그리고 특히 임상에 서 자칫 놓치기 쉬운 초기 우식 진단에 더 유의한 도움이 될 것으로 생각된다.

Objectives: To develop a deep learning model with a convolutional neural networks (CNNs) using a U-shaped deep CNN (U-Net) for caries detection on bitewing radiographs and to investigate whether this model can improve clinicians’ performance. Methods: The deep learning model was trained with 304 bitewing radiographs, on which two observers drew lines to segment dental structures and caries. Each bitewing radiograph and its paired binary mask were used for training. We then explored how three dentists’ diagnoses changed before and after they referred to the dental caries predictions made by the deep learning model with the evaluation dataset containing 50 radiographs. To evaluate the validity of the model as a diagnostic support system, we analyzed the changes between first and second diagnoses of each dentist by measuring the positive predictive value (PPV) (%), sensitivity (%) and F1-score. Results: The CNN model showed similar diagnostic performance (sensitivity) to the clinicians. When three dentists detected caries using the results of the CNN model as reference data, the overall diagnostic performance of all three clinicians significantly improved, as shown by an increased sensitivity ratio (D1, 85.34%; D1', 92.15%; D2, 85.86%; D2', 93.72%; D3, 69.11%; D3', 79.06%; p<0.05). These increases were especially significant (p<0.05) in the initial and moderate caries subgroups. The deep learning model may help clinicians to diagnose dental caries more accurately. Conclusions: The deep learning model showed similar diagnostic performance to the clinicians. When the clinicians refer to the detection result of the deep learning model, clinicians may diagnose dental caries more accurately. In particular, it was more helpful in diagnosing initial dental caries, which are likely to be missed in clinical practice.