[논문 리뷰] Prediction of the facial growth direction with Machine Learning methods

Stanisław Kaźmierczak, Zofia Juszka외 2명|arXiv (Cornell University)|2021. 06. 19.

Orthodontics and Dentofacial Orthopedics참고 문헌 15인용 수 5

한 줄 요약

이 연구는 9세와 12세 환자에서 취득한 2차원 시상각 X선을 사용하여 얼굴 성장 방향을 예측하는 데 있어 최초의 기계학습 접근법을 제시한다. 로지스틱 회귀, 랜덤 포레스트, 신경망 등 다양한 알고리즘을 평가하여 71–75%의 분류 정확도를 달성하였으며, 가장 유의미한 특징은 9세에서 12세 사이의 성장 변화였으며, 이는 발달 기간 간 상관관계가 낮고 데이터 제한이 존재하는 문제를 강조한다.

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%.

연구 동기 및 목표

• 기구치과에서 얼굴 성장 방향을 예측하는 데 있어 오랫동안 지속된 임상적 과제를 기계학습을 통해 해결하고자 한다.
• 기계학습이 전통적인 2차원 시상각 분석의 한계를 극복할 수 있는지 조사하고자 하며, 이는 재현성 낮고 표준화된 기준 체계가 부족하기 때문이다.
• 9세와 12세 환자에서 확보한 종단적 시상각 데이터에 대해 다양한 기계학습 모델의 예측 능력을 평가하고자 한다.
• 예측 성능 향상에 가장 기여하는 특징들—예를 들어, 고정점 좌표, 프로크루스테스 변환 좌표, 또는 성장 변화—를 규명하고자 한다.
• 원시 이미지 처리 방식과 표준화된 특징 공학 방식 중 어느 것이 성장 방향 예측에 더 효과적인지 탐색하고자 한다.

제안 방법

• 연구는 202명의 환자로부터 9세와 12세에 촬영한 종단적 2차원 시상각 X선 영상을 사용하였으며, 성장 방향은 세 가지 형태학적 측정값—SN-MP(18-9), FA(18-9), PN-AN(18-9)—을 통해 평가되었다.
• 다섯 가지의 서로 다른 문제 설정을 시험하였으며, 입력 특징으로는 원시 고정점 좌표(ceph), 프로크루스테스 정렬된 좌표(proc), 변환된 좌표(trans), 그리고 9세와 12세 사이의 차이(예: SN-MP(18-9))를 포함한다.
• 로지스틱 회귀, 서포트 벡터 머신(SVM), 랜덤 포레스트(RF), XGBoost, 다층 퍼셉트론(MLP) 등 다양한 기계학습 모델을 적용하였으며, 교차 검증을 통한 초모수 최적화를 실시하였다.
• 특징 공학에는 정규화, 데이터 증강, 다양한 좌표계 간 비교를 포함하여 척도 및 방향 변화에 대한 강건성을 평가하였다.
• 모델 성능 평가는 10겹 교차 검증을 통해 평가되었으며, 정확도, 표준편차, 통계적 유의성(p-value)을 보고하였다. 다수 클래스 기준선(MFC)은 기준으로 사용되었다.
• 모델 강건성을 평가하기 위해 데이터를 세 개의 동일한 클래스로 재할당하여 균형 잡힌 데이터 설정을 구축하였으며, 이는 33.3% MFC 기준선과의 비교를 가능하게 하였다.

실험 결과

연구 질문

• RQ1 두개골성 성장의 본질적인 복잡성과 변동성에도 불구하고, 기계학습 모델이 2차원 시상각 레이저에서 얼굴 성장 방향을 효과적으로 예측할 수 있는가?
• RQ2 개별 고정점 위치, 프로크루스테스 정렬된 좌표, 또는 9세에서 12세 사이의 성장 변화 중 어떤 입력 특징이 가장 높은 예측 정확도를 제공하는가?
• RQ3 이 작업에 대해 다양한 기계학습 알고리즘이 어떻게 성능을 보이며, 트리 앙상블나 신경망과 같은 아키텍처 중 어떤 것이 가장 유망한가?
• RQ4 클래스 불균형이 모델 성능에 미치는 영향은 어느 정도이며, 데이터 증강이나 특징 선택을 통해 예측 안정성을 향상시킬 수 있는가?
• RQ5 2차원 시상각에는 본질적인 정보 한계가 존재하여 고정밀도 예측이 불가능한가? 이는 3차원 영상 촬영이나 원시 이미지 처리가 필요하다는 것을 시사하는가?

주요 결과

• 최고의 성능을 보인 모델은 SN-MP(18-9)에 대해 74.80% ± 0.30%, FA(18-9)에 대해 74.82% ± 2.05%, PN-AN(18-9)에 대해 75.25% ± 1.14%의 분류 정확도를 기록하였으며, 이는 모두 다수 클래스 기준선(MFC)을 유의미하게 초월하였다.
• 가장 예측력 있는 특징 세트는 9세와 12세 사이의 측정값 차이(예: SN-MP(18-9))였으며, 이러한 변화를 사용한 모델가 단일 시점의 절대값을 사용한 모델보다 성능이 뛰어났다.
• 모든 MFC를 통계적으로 뛰어넘는 성능을 보인 모델은 시상각 또는 프로크루스테스 정렬된 특징을 사용하였으며, 변환된 좌표 기반 모델은 성능이 열 劣하였는데, 이는 일관되지 않은 이미지 스케일링 때문일 가능성이 높다.
• 로지스틱 회귀, 랜덤 포레스트, XGBoost가 최고의 성능을 보였으며, 딥 네트워크는 이들을 뛰어넘지 못하였다. 이는 훈련 데이터가 제한되어 있기 때문일 수 있다.
• 이 예측 작업은 본질적으로 어려운 편이다: 9–12세, 12–15세, 15–18세 간의 성장 방향 간 통계적 상관관계가 매우 낮아, 초기 성장 패tern이 후속 단계의 성장을 잘 예측하지 못한다는 것을 시사한다.
• 균형 잡힌 데이터 설정에서 모델은 51–55%의 정확도를 기록하였으며, 이는 33.3%의 MFC 기준선을 뛰어넘었으며, 이는 모델이 무작위 추측을 넘어서 의미 있는 패턴을 학습하고 있음을 확인한다.