Development of an artificial intelligence model for standardized evaluation of apical periodontitis

Abstract

Apical periodontitis is a common inflammatory condition of endodontic origin that requires accurate radiographic evaluation for proper treatment planning. The Periapical Index (PAI) is a widely used scoring system for assessing lesion severity; however, it is subject to interobserver variability and diagnostic inconsistency. This study aimed to develop an artificial intelligence (AI) model specifically designed for automated PAI scoring, utilizing expert-annotated periapical radiographs to classify lesions according to the standardized PAI system. A total of 8,506 annotated radiographs were used to train a ResNet50-based convolutional neural network (CNN). To improve performance and generalizability, the model incorporated contrast enhancement, dataset-specific normalization, and extensive data augmentation. A soft2-encoded cross-entropy loss function was used to account for the ordinal nature of PAI scores. Stratified five-fold cross-validation demonstrated strong agreement with expert scorings, achieving a quadratic weighted kappa (QWK) of 0.729 and consistent performance across all five PAI categories. The proposed model provides standardized and objective lesion evaluation, which may reduce diagnostic variability and support general practitioners in making more informed clinical decisions. It also has potential applications in dental education by offering visual feedback and consistent references for student training. Future work should focus on multi-institutional data expansion, clinical validation, and integration with outcome-predictive AI models to establish a comprehensive decision-support system for endodontic treatment planning.

치수 감염에 기인한 대표적인 염증성 질환인 치근단 치주염은 적절한 치료 계획 수립을 위해 정확한 방사선학적 평가가 필수적이다. Periapical Index (PAI)는 병소의 중증도를 평가하는 데 널리 사용되는 지표이나, 평가자 간 변동성과 진단의 일관성 부족이라는 한계를 지닌다. 본 연구는 치근단 방사선 영상을 기반으로 병소를 표준화된 PAI 기준에 따라 자동 분류할 수 있는 인공지능(AI) 모델을 개발하고자 하였다. 총 8,506장의 라벨링된 방사선 영상을 활용하여 ResNet50 기반의 합성곱 신경망(CNN)을 학습시켰으며, 성능 향상 및 일반화 능력 확보를 위해 CLAHE 대비 향상, 데이터셋 특이적 정규화, 다양한 형태의 데이터 증강을 적용하였다. 또한, PAI 점수의 서열적 특성을 반영하기 위해 소프트 인코딩된 교차 엔트로피 손실 함수(SCE)를 도입하였다. 교차 검증 결과, 본 모델은 전문가의 평가와 높은 일치도를 보였으며, quadratic weighted kappa (QWK) 계수는 0.729로 나타나 전 PAI 등급에서 고른 성능을 확인하였다. 본 모델은 표준화되고 객관적인 병소 평가를 제공함으로써 진단의 일관성을 높이고, 일반 치과의사의 임상적 의사결정을 지원할 수 있다. 더불어, 시각적 피드백 및 일관된 기준 제공을 통해 치과 교육 분야에서도 효과적으로 활용될 수 있는 가능성을 지닌다. 향후 연구는 외부 데이터셋을 활용한 검증, 실제 임상 환경에서의 타당성 평가, 예후 예측 AI 모델과의 통합을 통해 근관치료에 활용 가능한 포괄적인 임상 의사결정 지원 시스템으로 확장되어야 할 것이다.