Pattern of Mean Error Value Change in Artificial Intelligence–assisted Hard Tissue Landmark Identification of Lateral Cephalogram Images of Class III Patients Treated with Two–jaw Orthognathic Surgery and Surgical Orthodontic Treatment

Abstract

Objective: Recently, auto digitization of hard tissue landmarks on lateral cephalograms (Lat-cephs) has reported, with regard to artificial intelligence models using cascade convolutional neural network (CNN). The aim of this study was to investigate the pattern of accuracy change in artificial intelligence (AI)-assisted hard tissue landmark identification in serial Lat-cephs of Class III patients who underwent two-jaw orthognathic surgery and orthodontic treatment using a cascade CNN algorithm. Materials and Methods: A total of 3,188 Lat-cephs of 797 Class III patients were allocated into the training and validation sets (3,004 Lat-cephs of 751 patients) and test set (184 Lat-cephs of 46 patients; subdivided into the genioplasty and non-genioplasty groups, n=23 per group) for landmark identification using a cascade CNN model. Each Class III patient in the test set had four Lat-cephs: initial (T0), pre-surgery [T1, presence of orthodontic brackets (OBs)], post-surgery [T2, presence of OBs and surgical plates and screws (SPS)], and debonding [T3, presence of SPS and fixed retainers (FR)]. After mean errors of 20 hard tissue landmarks between human gold standard and the cascade CNN model were calculated, statistical analysis was performed. Results: Results are as follows. (1) The total mean error was 1.17 mm without significant difference among the four time-points (T0, 1.20 mm; T1, 1.14 mm; T2, 1.18 mm; T3, 1.15 mm). (2) In comparison of two time-points [(T0, T1) vs. (T2, T3)], ANS, A point, and B point showed an increase in error (P<0.01; P<0.05; P<0.01), while distal contact point of the maxillary first molar (Mx6D) and distal contact point of the mandibular first molar (Md6D) showed a decrease in error (P<0.01; P<0.01). (3) No difference in errors existed at B point, Pogonion, Menton, crown tip of the mandibular central incisor (Md1C), and root apex of the mandibular central incisor (Md1R) between the genioplasty and non-genioplasty groups. Conclusion: The cascade CNN model can be used for auto-digitization of hard tissue landmark in serial Lat-cephs including initial, pre-and post-surgery, and debonding time points despite presence of OB, SPS, FR, genioplasty, and bone remodeling.

연구목적: 최근 직렬 합성곱 신경망 (cascade TJneural network) 인공지능 모델을 사용하여 측모두부계측방사선사진 영상에서 경조직 계측점을 자동 식별(auto-digitization)하는 연구들이 발표되고 있다. 본 연구의 목적은 양악 악교정수술과 술전 및 술후 교정치료를 받은 환자들의 연속적인 측모두부계측방사선사진 영상에서 경조직 계측점을 자동 식별하는 정확도가 촬영 시점에 따라 어떠한 양상으로 변화하는 지 평가하는 것이었다. 연구재료 및 방법: 연구 대상은 양악 악교정 수술을 받은 골격성 III급 부정교합 환자 797명의 측모두부계측방사선사진 영상 3,188장이었다. 751명으로부터 확보한 3,004장의 영상을 training set과 validation set으로 활용하였고, 46명 환자 [이부성형술(genioplasty) 시행 군 (n=23), 이부성형술(genioplasty) 비시행군 (n=23)]로부터 확보한 184장의 영상을 test set으로 하였다. Test set은 초진(T0), 교정용 브라켓 영상이 포함된 술전(T1), 수술용 고정판과 나사 (surgical plate and screw) 영상이 나타난 술후(T2), 수술용 고정판과 나사 및 고정식 유지장치가 영상으로 보이는 종료(T3)의 4가지 시점별로 촬영된 측모두부계측방사선사진 영상으로 구성되었다. 인공지능과 치과교정과 전문의1인(human gold standard)이 각각 20개의 경조직 계측점을 digitization 한 후, 이에 따른 오차를 통계적으로 검증하였다. 연구 결과: 그 결과는 다음과 같았다. (1) 전체 평균 오차는 1.17 mm, T0의 평균 오차는 1.20 mm, T1의 평균 오차는 1.14 mm, T2의 평균 오차는 1.18 mm, T3의 평균 오차는 1.15 mm로 나타났다. (2) 술전(T0, T1)과 술후(T2, T3)의 비교에서는, ANS, A point, B point 의 오차가 통계학적으로는 증가하였으나 임상적으로는 유의미하지 않았고 (P<0.01; P<0.05; P<0.01), Mx6D와 Md6D는 오차가 감소하였다 (P<0.01; P<0.01). (3) genioplasty 실행군과 genioplasty 비실행군 간의 비교에서 B point, Pogonion, Menton, Md1C, Md1R의 오차는 통계적인 차이가 나타나지 않았다. 결론: 직렬 인공지능 합성곱 신경망 모델은 교정 브라켓, 수술용 고정판과 나사, 고정식 유지장치, 이부성형술 그리고 수술 후 골 개조에도 불구하고, 초진, 술전 교정 치료, 술후 교정치료, 종료 시 촬영된 측모두부계측방사선사진 영상에서 경조직 계측점들을 자동식별 하는데 사용될 수 있다는 결론을 도출하였다.