A Single-Step Prediction of Inferior Alveolar Nerve Injury After Mandibular Third Molar Extraction Using Contrastive Learning and Bayesian Auto-Tuned Deep Learning Model

Abstract

In recent years, artificial intelligence (AI) and deep learning have revolutionized various scientific and technological fields, showing tremendous potential in solving complex problems. Among the numerous applications of deep learning, image classification has emerged as a powerful technique that can identify and classify objects within images with impressive accuracy. The most frequently performed oral and maxillofacial surgery is mandibular third molar extraction, and inferior alveolar nerve damage is one of the most serious postoperative complications that can occur temporarily or permanently. Therefore, many studies are being conducted to predict the occurrence of nerve damage after tooth extraction through the analysis of pre-extraction radiographs. However, there are limitations to evaluating the possibility of sensory abnormalities using images. If the clinician has little experience or lacks knowledge, risk factors may be difficult to detect and interobserver error may occur. Additionally, no matter how experienced the clinician or oral radiologist is, errors are likely to occur if the radiograph is unclear or multiple findings overlap. To overcome these limitations, research has recently been conducted using AI to evaluate the relationship between the mandibular third molars and the inferior alveolar nerve. However, studies using deep learning also have unique limitations. This is a step to detect or identify the inferior alveolar nerve and mandibular third molar, but no research has been conducted to analyze the correlation with clinical data regarding actual nerve damage after tooth extraction or to predict nerve damage using cone beam computed tomography (CBCT). This issue has arisen because most existing deep learning studies are limited to the use of panoramic images owing to the lack of CBCT data. Additionally, manually selecting the most appropriate hyperparameters for a deep learning model requires an extensive and time-consuming trial-and-error process when working with limited amounts of data, making it difficult to produce an accurate model. Therefore, in this paper, qualitative improvement of images using contrast limited adaptive histogram equalization (CLAHE) and quantitative improvement using data augmentation reduced the possibility of damage to the inferior alveolar nerve during tooth extraction using CBCT, and a model was designed using a contrastive learning method and a Siamese network. We propose creating an accurate model through high-parameter auto-tuning using transfer learning and Bayesian optimization. In contrast to previous studies which have focused on the segmentation of the mandibular third molar and the inferior alveolar nerve and evaluated the possibility of contact, post-tooth extraction was performed in a single step without a segmentation process in our study by learning the results of pre-extraction radiographs and actual clinical sensory abnormalities. A model was created to predict the possibility of sensory abnormalities using preoperative radiographs. In order to overcome the limitation that the number of patients who developed sensory abnormalities after tooth extraction was significantly lower than the number of patients who did not, the accuracy of the prediction results was secured by using contrastive learning and Bayesian optimization after image processing and amplification of the data. . We will extend our current research to find a more accurate model to evaluate the possibility of sensory abnormalities before mandibular wisdom tooth extraction by using various cuts of multiple radiographs we have collected. By determining the evaluation areas of the most accurate radiographs and incorporating AI technology in the editing process of these radiographs, we can create a model that is more accurate and practical for clinical application.

최근 몇 년 동안 인공 지능(AI)과 딥 러닝은 다양한 과학 기술 분야에 혁명을 일으키며, 복잡한 문제를 해결하는 데 엄청난 잠재력을 보여주었다. 수많은 딥 러닝 애플리케이션 중에서 이미지 분류는 인상적인 정확도로 이미지 내의 개체를 식별하고 분류할 수 있는 강력한 기술로 부상했다. 구강악안면외과에서 가장 많이 시행되는 수술은 하악 제3대구치 발치이며, 하치조신경 손상은 일시적 또는 영구적으로 발생할 수 있는 가장 심각한 합병증 중 하나이다. 따라서 발치 전 방사선 사진 분석을 통해 발치 후 신경손상 발생을 예측하기 위한 많은 연구가 진행되고 있다. 그러나 영상을 이용한 감각이상의 가능성 평가에는 한계가 존재한다. 임상의의 경험이 적거나 지식이 부족하면 위험요인을 찾기 어려워 관찰자간 오차가 발생할 수 있다. 또한 임상의나 구강 방사선과 전문의가 아무리 경험이 많더라도 방사선 사진이 불분명하거나 여러 소견이 중복되면 오류가 발생할 가능성이 있다. 이러한 한계를 극복하기 위해 최근 인공지능을 이용한 하악 제3대구치와 하치조신경의 관계를 평가하는 연구가 진행되고 있다. 지금까지 대부분의 연구는 하치조신경과 하악 제3대구치를 검출하거나 동정하는 단계로, 발치 후 실제 신경손상의 임상자료와의 상관관계를 분석하거나 CBCT를 이용하여 신경손상을 예측한 연구는 수행된 바가 없다. 또한 대부분의 딥러닝 연구는 감각이상의 환자와 그렇지 않은 환자의 CBCT 데이터 수의 불균형의 한계가 존재한다. 이러한 한계에 의해 딥 러닝 모델에 가장 적합한 하이퍼파라미터를 수동으로 선택하는 작업은 제한된 적은 양의 데이터로 작업할 때 광범위하고 시간이 많이 걸리게 되며, 과접합과 같은 시행착오가 생길 수 있어 정확한 모델을 생성하기 어렵다. 따라서 본 논문에서는 이러한 한계를 극복하여, 하악 사랑니 발치 시 하치조 신경의 손상 의 가능성을 평가하는 모델을 만들기 위해, CLAHE를 이용한 이미지의 질적 증강과 Data augmentation을 이용한 양적 증강을 시행하였으며, Siamese Network 을 이용한 대조 학습방식으로 모델을 디자인 하고, 이를 전이학습과 Bayesian Optimization을 이용한 하이파라미터의 auto-tuning을 통해 정확성을 향상시켰다. 이전까지의 연구들이 하악 제3대구치와 하치조신경의 segmentation에 집중하고 그 접촉 가능성을 평가하였던 반면, 발치 전 방사선 사진과 실제 임상의 감각이상 결과를 학습하여, segmentation의 과정 없이 단일 단계만으로 발치 술전 방사선 사진을 통한 감각 이상의 가능성을 예측 할 수 있는 모델을 제작 하였다. 우리는 현재의 연구를 확장하여, 여러가지 종류와 방법으로 수집한 다양한 방사선 사진을 이용하여 하악 사랑니 발치 전 감각이상의 가능성을 평가하는 보다 정확한 모델을 찾을 것이다. 또한 방사선 사진의 편집 과정에 인공지능의 기술을 적용하여 실제 임상에서 실용화 할 수 있는 사랑니 발치 전 하치조신경 손상의 가능성 평가 모델을 만들 수 있을 것이다.