[논문 리뷰] Automated Process Incorporating Machine Learning Segmentation and Correlation of Oral Diseases with Systemic Health

Gregory Yauney, Aman Rana외 4명|arXiv (Cornell University)|2018. 10. 24.

Oral microbiology and periodontitis research인용 수 4

한 줄 요약

이 연구는 치주질환을 진단하고 체계적 건강 상태와 연관지어 분석하기 위해 치열 내 광학 영상과 임상 데이터를 활용하는 자동화된 머신러닝 파이프라인을 제시한다. 이 시스템은 치태성 염증 분류에서 AUC 0.677를 기록했으며, 체계적 마커와의 유의미한 연관성을 드러냈다. 특히 시신경 이상(p < 0.0001), 종아리 부종(p = 0.0422), 안과 질환 가족력(p = 0.0337)과의 연관성이 뚜렷했다.

ABSTRACT

Imaging fluorescent disease biomarkers in tissues and skin is a non-invasive method to screen for health conditions. We report an automated process that combines intraoral fluorescent porphyrin biomarker imaging, clinical examinations and machine learning for correlation of systemic health conditions with periodontal disease. 1215 intraoral fluorescent images, from 284 consenting adults aged 18-90, were analyzed using a machine learning classifier that can segment periodontal inflammation. The classifier achieved an AUC of 0.677 with precision and recall of 0.271 and 0.429, respectively, indicating a learned association between disease signatures in collected images. Periodontal diseases were more prevalent among males (p=0.0012) and older subjects (p=0.0224) in the screened population. Physicians independently examined the collected images, assigning localized modified gingival indices (MGIs). MGIs and periodontal disease were then cross-correlated with responses to a medical history questionnaire, blood pressure and body mass index measurements, and optic nerve, tympanic membrane, neurological, and cardiac rhythm imaging examinations. Gingivitis and early periodontal disease were associated with subjects diagnosed with optic nerve abnormalities (p &lt;0.0001) in their retinal scans. We also report significant co-occurrences of periodontal disease in subjects reporting swollen joints (p=0.0422) and a family history of eye disease (p=0.0337). These results indicate cross-correlation of poor periodontal health with systemic health outcomes and stress the importance of oral health screenings at the primary care level. Our screening process and analysis method, using images and machine learning, can be generalized for automated diagnoses and systemic health screenings for other diseases.

연구 동기 및 목표

• 기계학습과 광학 영상 기반으로 비침습적이고 자동화된 치주질환 진단 방법을 개발하기.
• 기본의료 스크리닝 환경에서 치구 건강 지표와 체계적 건강 상태 간의 상관관계를 조사하기.
• 임상 및 영상 데이터를 활용한 머신러닝 기반 분할 모델의 치주염증에 대한 일반화 능력을 평가하기.
• 혈압, 체질량지수(BMI), 또는 안과 또는 신경학적 이상과 같은 체계적 건강 지표와 치주질환 간의 유의미한 동시 발생 여부 규명하기.
• 기본의료에서 조기 체계적 질환 탐지 목적으로 자동 구강 스크리닝을 통합할 수 있는 가능성을 입증하기.

제안 방법

• 405–450 nm 파장의 파란 빛 조명 하에서 FDA 승인을 받은 치열 내 카메라를 사용해 284명의 성인(18–90세)으로부터 총 1,215장의 치열 내 광학 영상을 확보하였다.
• 전문가가 레이블링한 임상 영상 자료를 기반으로 희생물 발광을 이용한 포르피린 기반 픽셀 수준의 염증 치주염 분할을 수행하기 위해 머신러닝 분류기를 적용하였다.
• 기존의 치주지수(MGI) 점수를 기반으로 분할 성능를 임상적으로 검증하였다.
• MGI 점수를 자가 보고한 병력, 일반 건강 지표(BP, BMI), 기술 기반 검사(심전도, 망막 영상, 외이막 검사, 신경학적 검사)와 상관 분석하였다.
• 다양한 인구통계학적 하위군에서 치주질환과 체계적 질환 간의 유의미한 동시 발생 여부를 규명하기 위해 통계 분석(p-값)을 수행하였다.
• 분할 작업의 모델 성능을 AUC, 정밀도, 재현율 지표로 검증하였다.

실험 결과

연구 질문

• RQ1 기계학습 분류기는 치열 내 광학 영상에서 치주염증을 정확하게 분할할 수 있는가?
• RQ2 치주질환(MGI로 측정)과 시신경 이상 또는 관절 부종과 같은 체계적 건강 상태 간의 상관관계 강도는 어떠한가?
• RQ3 치주질환과 체계적 건강 지표(예: 연령, 성별, BMI, 혈압) 간에 유의미한 인구통계학적 연관성이 있는가?
• RQ4 광학 영상과 머신러닝을 활용한 자동 구강 스크리닝이 체계적 질환 지표를 통계적으로 유의미하게 탐지할 수 있는가?
• RQ5 이 자동화된 시스템은 기본의료에서 체계적 건강 스크리닝을 위한 광범위한 활용에 얼마나 일반화될 수 있는가?

주요 결과

• 기계학습 분류기는 치주염증 분할 작업에서 AUC 0.677, 정밀도 0.271, 재현율 0.429를 기록하였다.
• 치주질환이 남성(= 0.0012)과 연령이 많은 환자에서 유의미하게 더 흔하게 나타났다(= 0.0224).
• 치태 및 초기 치주질환은 망막 스캔에서 시신경 이상과 강하게 연관되어 있었다(p < 0.0001).
• 치주질환이 있는 환자는 종아리 부종을 보고할 가능성이 유의미하게 높았다(p = 0.0422) 및 안과 질환 가족력이 있는 경우(p = 0.0337).
• 높은 MGI 점수는 남성 성별, 연령이 많을수록, 그리고 망막 및 외이막 검사에서 이상 소견이 있는 경우와 유의미하게 상관관계가 있었다.
• 본 연구는 광학 영상과 머신러닝을 활용한 자동 구강 스크리닝이 임상적으로 의미 있는 체계적 건강 연관성을 탐지할 수 있음을 입증하며, 기본의료에의 통합 가능성을 뒷받침한다.