Multi-model machine learning frameworks for quantitative assessment of intraoral free flaps

Abstract

Reconstruction with free flap is essential for repairing intraoral defects but can lead to catastrophic outcomes if it fails. The significantly low incidence of failure cases in clinical settings and subjective assessment methods pose challenges for artificial intelligence applications. The study examined 1,870 clinical images from 131 free flap reconstruction patients. Researchers developed two AI approaches: a ViT model for binary detection of vascular compromise and an ordinal classification model categorizing flap status as "Normal," "Suspicious," or "Compromised." Both models use specialized strategies to address data imbalance challenges. The binary classification model achieved an overall accuracy of 0.987 and an F1 score of 0.986. For the minority class, the proposed model demonstrated a precision of 0.95 and recall of 0.83. The ordinal classification model achieved an overall accuracy of 0.957 with F1 scores of 0.98, 0.85 and 0.73 for normal, suspicious and compromised classes respectively, and AUC values exceeding 0.97 for all classes. In conclusion, this study presents the first deep-learning based system for intraoral free flap monitoring that effectively combines binary and ordinal classification approaches to provide quantifiable measurements of flap viability, enabling timely intervention decisions under challenging clinical conditions.

유리 피판을 이용한 재건술은 구강 내 결손 부위를 복원하는데 필수적이나, 실패 시 치명적인 결과를 초래할 수 있다. 또한, 또한, 임상 환경에서의 낮은 실패율과 피판에 대한 주관적인 평가 방법은 인공지능을 적용하는 것에 어려움을 제시한다. 본 연구는 131명 환자에서 얻은 1870장의 이미지를 분석해 이진 및 서수 분류가 가능한 인공지능 모델을 제시한다. 이진 분류 모델은 전체 정확도 0.987, F1 점수 0.986을 보였으며, 소수 등급에 대해 정밀도 0.95, 재현율 0.83을 기록했다. 서수 분류에서는 정확도 0.957, 각각의 등급에 대한 F1 점수 0.98, 0.85, 0.73 를 기록했다. 이는 구강 내 유리 피판 상태 평가를 위한 최초의 딥러닝 기반 시스템으로, 임상에서 정량적 지표 제공과 중재 판단에 기여할 수 있다.