Automatic prediction of TMJ disc displacement in CBCT images using machine learning

Abstract

Purpose: The purpose of this study was to develop a machine learning (ML) model to predict temporomandibular joint (TMJ) disc displacement using radiomics features extracted from cone-beam computed tomography (CBCT) images, without the need for magnetic resonance imaging (MRI). Methods: A total of 247 mandibular condyle datasets from CBCT images of 134 patients were analyzed in this study. Three experiments were conducted using random forest (RF) and extreme gradient boosting (XGBoost) models to classify TMJ disc displacement based on radiomics features obtained from the condylar head on CBCT. Experiment 1 classified the data into three groups—Normal, disc displacement with reduction (DDWR), and disc displacement without reduction (DDWOR)—based on the stage of TMJ disc displacement. Experiment 2 focused on differentiating the TMJ disc displacement group (DDWR and DDWOR) from the Normal group. Experiment 3 aimed to classify Normal and DDWR as a single group, distinguishing them from DDWOR. The developed models were evaluated using the area under the receiver operating characteristic curve (AUC), accuracy, precision, recall, specificity, and F1-score. Results: Across all experiments, the RF model outperformed the XGBoost model, with the highest accuracy in Experiment 3, followed by Experiments 2 and 1. In Experiment 3, the RF and XGBoost models classified Normal and DDWR as one group and DDWOR as the other, with AUC values of 0.86 and 0.85, respectively. Experiment 2 classified the Normal group from the combined group DDWR and DDWOR with AUC values of 0.76 for RF and 0.75 for XGBoost. In Experiment 1, which performed the most complex classification into three groups, the RF model achieved an accuracy of 0.63, and the XGBoost model obtained 0.59. Conclusions: The ML models developed in this study provide a non-invasive approach for predicting TMJ disc displacement using radiomics features extracted from CBCT images. These models offer valuable support as a second opinion for dentists diagnosing TMJ disc displacement and serve as an assisted diagnostic tool when MRI is unavailable.

연구목적: 본 연구의 목적은 자기공명영상 없이 콘빔전산화단층영상 내 하악과두에서 획득한 라디오믹스 데이터를 이용하여 턱관절 관절원판 변위를 예측하는 머신러닝 모델을 개발하고자 한다. 연구대상 및 방법: 2018년 12월부터 2022년 12월까지 연세대학교 치과병원을 내원하여 자기공명영상과 콘빔전산화단층영상을 모두 촬영한 134명의 환자로부터 247개의 하악과두 데이터를 수집했다. 영상치의학 전문의가 자기공명영상에서 턱관절 관절원판 변위 여부를 판독하여 그룹을 분류한 후, 콘빔전산화단층영상 내 하악과두의 해면골에서 3차원으로 관심영역을 설정하여 132개의 라디오믹스 데이터를 추출하였다. 추출된 라디오믹스 데이터를 사용하여 턱관절 관절원판 변위를 예측하기 위해 머신러닝 모델인 Random forest (RF)와 XGBoost를 구축하여 세 가지 실험을 진행하였으며, 각 실험 진행에 따라 그룹별 데이터 분포를 조정하였다. - 실험 1: 정상, 정복성 관절원판 변위, 비정복성 관절원판 변위 분류 - 실험 2: 정상 vs 정복성 관절원판 변위 및 비정복성 관절원판 변위 분류 - 실험 3: 정상 및 정복성 관절원판 변위 vs 비정복성 관절원판 변위 분류 개발된 모델의 턱관절 관절원판 변위 분류 성능 평가를 위해 수신자 조작 특성 곡선의 아래 면적 값(AUC), 정확도, 정밀도, 재현율, 특이도, F1 점수 평가지표를 이용하였다. 연구결과: 모든 실험에서 RF 모델 성능이 XGBoost 모델보다 우수했으며 실험 3에서 정확도가 가장 높았고 실험 2와 실험 1의 순으로 성능이 우수했다. 실험 3에서 RF와 XGBoost 모델은 각각 AUC 값 0.86과 0.85로 정상 및 정복성 관절원판 변위 그룹을 비정복성 관절원판 변위 그룹과 분류하였다. 실험 2에서는 RF와 XGBoost 모델이 정상 그룹과 정복성 관절원판 변위 및 비정복성 관절원판 변위 그룹을 각각 AUC 값 0.76과 0.75로 분류하였다. 분류 클래스 수가 세 그룹으로 가장 많은 실험 1에서 RF 모델은 정확도 0.63, XGBoost 모델은 정확도 0.59를 획득하였다. 결론: 본 연구에서는 콘빔전산화단층영상 내 하악과두의 해면골에서 획득한 라디오믹스 데이터 분석을 통해 턱관절 관절원판 변위를 예측할 수 있는 머신러닝 모델을 개발하고 임상적 활용 가능성을 보여주었다. 그러나 실험 1과 실험 2에서 턱관절 관절원판 변위 분류 정확도는 높지 않았다. 이는 턱관절 질환의 중, 후기 단계에서 경조직에 병리학적 변화가 발생하는 점을 고려하였을 때 하악과두 해면골에서 얻은 라디오믹스 데이터는 비정복성 관절원판 변위 단계에 이르렀을 때 특징 값의 차이가 나타났을 가능성이 있으며, 이것이 실험 3의 정확도가 가장 높은 이유로 예상할 수 있다. 본 연구에서 개발된 머신러닝 모델은 턱관절 관절원판 변위 진단 시 치과의사에게 객관적인 2차 의견을 제공할 수 있으며, 자기공명영상 촬영이 어려운 경우 비침습적인 보조 진단 수단으로 활용될 수 있다.