치과 파노라마 AI — 연령 예측 & 매복치 분석

반지도학습(SSL)으로 라벨 비용을 줄이면서도 임상 수준 정확도 달성

TL;DR

치과 파노라마 영상을 기반으로 환자의 연령을 예측하고 매복치 발치 난이도를 판단하는 AI 모델을 개발했습니다. 핵심 인사이트는 반지도학습(SSL)으로 라벨 비용을 줄이면서도 임상 수준의 정확도를 낼 수 있다는 것을 실험으로 입증.

연구 성과는 BMC Oral Health (2023), DMFR (2023) 국제 학술지 2건에 공동저자로 게재.

4인 연구팀에서 데이터 처리 및 모델 실험 총괄. LaplaceNet 기반 SSL 모델 성능 실험을 설계·실행하고, 논문 Figure 및 결과 정리를 담당했습니다.

DenseNet, WideResNet 기반 지도학습 baseline 구축. 파노라마 영상에서 연령대별 특징을 추출하는 모델.

의료 영상은 전문가 라벨링 비용이 매우 비싸 — 충분한 라벨 데이터 없이도 임상 수준 정확도를 낼 수 있는지가 핵심 질문이었습니다.

LaplaceNet 기반 SSL 모델 실험을 설계하고, 지도학습과 성능 비교. 결과적으로 SSL이 지도학습 수준의 정확도를 훨씬 적은 라벨로 달성할 수 있음을 입증.

연령 예측에서 ±3년 편차의 휴리스틱 그룹화를 적용해 모든 모델에서 예측 정확도가 개선되는 것을 확인. 단순 정확도 metric을 넘어 임상적으로 의미 있는 범위의 예측 평가.

PyTorch 기반 모델 구현 + Ray 라이브러리로 Grid Search 자동화. 수작업으로 돌리면 끝나지 않을 실험을 자동화 인프라로 효율화.

결과	상세
SSL 정확도	80%+ — 지도학습 수준 정확도를 훨씬 적은 라벨로 달성
국제 학술지 게재	2건 — BMC Oral Health (2023), DMFR (2023) 공동저자
연구 기여	데이터 처리·실험 설계·Figure 정리 총괄
임상적 의미	Heuristic grouping(±3년)으로 임상적으로 활용 가능한 정확도 범위 입증

"Application of entire dental panorama image data in artificial intelligence model for age estimation" BMC Oral Health, 2023-12-15 · Springer Link

WideResNet + DenseNet 지도학습 + 휴리스틱 그룹화(±3년 편차)로 예측 정확도 향상. 전체 영상 활용 방식이 기존 대비 더 효과적인 연령 추정 성능을 보임을 입증.
"The efficacy of supervised learning and semi-supervised learning in diagnosis of impacted third molar on panoramic radiographs through artificial intelligence model" DMFR, 2023-05-16 · DOI

WideResNet(SL) vs LaplaceNet(SSL) 비교 — SSL이 소량의 라벨링 데이터만으로 SL과 유사한 80%+ 정확도를 유지함을 입증. 의료 영상 분석에서 SSL의 실용 가능성 제시.