[論文レビュー] Prediction of the facial growth direction with Machine Learning methods

Stanisław Kaźmierczak, Zofia Juszka+2 more|arXiv (Cornell University)|Jun 19, 2021

Orthodontics and Dentofacial Orthopedics参考文献 15被引用数 5

ひとこと要約

本研究では、9歳と12歳の患者から得られた2次元セファロメトリックレントゲン写真を用いて、顔面成長方向を予測する最初の機械学習アプローチを提示する。ロジスティック回帰、ランダムフォレスト、ニューラルネットワークを含む複数のアルゴリズムを評価し、分類精度が71–75%に達した。最も予測に寄与する特徴量は9歳から12歳への成長変化であり、発達期間ごとの相関が低く、データ制限があることから、予測の難易度が高まっていることが示された。

ABSTRACT

First attempts of prediction of the facial growth (FG) direction were made over half of a century ago. Despite numerous attempts and elapsed time, a satisfactory method has not been established yet and the problem still poses a challenge for medical experts. To our knowledge, this paper is the first Machine Learning approach to the prediction of FG direction. Conducted data analysis reveals the inherent complexity of the problem and explains the reasons of difficulty in FG direction prediction based on 2D X-ray images. To perform growth forecasting, we employ a wide range of algorithms, from logistic regression, through tree ensembles to neural networks and consider three, slightly different, problem formulations. The resulting classification accuracy varies between 71% and 75%.

研究の動機と目的

• 矯正歯科分野における顔面成長方向を予測するという長年の臨床的課題に、機械学習を用いて対処すること。
• 従来の2次元セファロメトリック分析に起因する再現性の低さと標準化された基準系の欠如という制限を、機械学習が克服できるかを検討すること。
• 9歳と12歳の患者から得た縦断的セファロメトリックデータに対して、さまざまな機械学習モデルの予測性能を評価すること。
• ランドマーク座標、プロクラステス変換、成長変化などの特徴量のうち、予測性能を最も向上させるものは何かを特定すること。
• 生画像処理と表形式の特徴量工学のどちらが、成長方向予測においてより優れた結果をもたらすかを検討すること。

提案手法

• 本研究では、202名の患者から得られた、9歳と12歳の時点での縦断的2次元セファロメトリックレントゲン写真を用い、成長方向は3つの形態的測定値（SN-MP(18-9)、FA(18-9)、PN-AN(18-9)）によって評価された。
• 入力特徴量のバリエーションに応じて、5つの異なる問題定式化が試行された：生のランドマーク座標（ceph）、プロクラステスに整えた座標（proc）、変換済み座標（trans）、および9歳と12歳の間の差分（例：SN-MP(18-9)）など。
• ロジスティック回帰、サポートベクターマシン（SVM）、ランダムフォレスト（RF）、XGBoost、マルチレイヤーパーセプトロン（MLP）を含む多様な機械学習モデルが適用され、交差検証を用いたハイパーパramータチューニングが実施された。
• 特徴量工学には正規化、データ拡張、および座標系の違いの比較が含まれ、スケールや回転の変動に対するロバストネスを評価した。
• モデルの性能は10分割交差検証を用いて評価され、正確度、標準偏差、および統計的有意性（p値）が報告された。多数クラスベースライン（MFC）がベンチマークとして用いられた。
• モデルのロバストネスを評価するため、データを3つの等しいクラスに再ラベル付けすることでバランスの取れたデータセットを作成し、33.3%のMFCベースラインと比較した。

実験結果

リサーチクエスチョン

• RQ1 顔面成長の本質的な複雑さと変動性を鑑みれば、2次元セファロメトリックレントゲン写真から機械学習モデルが顔面成長方向を効果的に予測できるか？
• RQ2 個々のランドマーク位置、プロクラステスに整えた座標、9歳から12歳への成長変化といった入力特徴量の中で、どの特徴量が最も高い予測精度をもたらすか？
• RQ3 このタスクにおいて、さまざまな機械学習アルゴリズムの性能はどのように比較されるか。特に、木のアンサンブルやニューラルネットワークといったアーキテクチャのうち、どのタイプが最も有望か？
• RQ4 クラス不均衡がモデル性能に与える影響はどの程度か。また、データ拡張や特徴選択により、予測の安定性が向上するか？
• RQ5 2次元セファログラムには根本的な情報限界があり、高精度な予測が不可能である可能性があるのか。その場合、3次元画像または生画像処理が不可欠となるのだろうか？

主な発見

• 最も優れたモデルは、SN-MP(18-9)で74.80% ± 0.30%、FA(18-9)で74.82% ± 2.05%、PN-AN(18-9)で75.25% ± 1.14%の分類精度を達成し、いずれも多数クラスベースライン（MFC）を有意に上回った。
• 予測に最も寄与する特徴量セットは、9歳と12歳の間の測定値の差分（例：SN-MP(18-9)）であり、これらの変化を用いたモデルが、単一時点での絶対値を用いたモデルよりも優れた性能を示した。
• MFCを有意に上回る性能を示したすべてのモデルは、セファロメトリックまたはプロクラステスに整えた特徴量を用いており、変換済み座標に基づくモデルは性能が悪く、おそらく画像スケーリングの不一致に起因すると考えられる。
• ロジスティック回帰、ランダムフォレスト、XGBoostが最も優れた性能を示した。深層ニューラルネットワークはいずれのモデルよりも優れておらず、訓練データが限られていることが原因とされる。
• この予測タスクは本質的に困難である：9–12歳、12–15歳、15–18歳の各年齢間での成長方向の間には非常に低い統計的相関が認められ、初期の成長パターンが後の成長を予測するのに不適切であることが示された。
• バランスの取れたデータセットでは、モデルの精度が51–55%に達し、33.3%のMFCベースラインを有意に上回った。これは、モデルがランダムな推測を超えて意味のあるパターンを学習していることを確認した。