연세대학교 치과대학병원이 최근 통합치의학과 김기덕 · 양수진 교수팀이 'Generative Adversarial Network(GAN)을 이용해 생성한 제2대구치의 치근단 방사선 사진이 유의미한 시각적 퀄리티를 가지며, GAN 을 이용해 생성한 영상 데이터가 효과적인 데이터 증강(data augmentation)의 방법으로 사용될 수 있음'을 입증했다고 밝혔다. 연구결과는 국제학술지 ‘사이언티픽 리포트’ (Scientific Reports, IF 4.997) 에 개재됐다.
이 연구는 양수진 진료교수가 ‘세브란스 선도연구자 양성 프로젝트’의 일환으로 지난해 9월부터 올 8월까지 일본 나고야 소재 Aichi Gakuin University 영상치의학과에서 '치과영상에 대한 인공지능의 적용'이란 주제로 1년간 연수하는 동안 이 대학 연구팀 (Pf. Eiichiro Ariji, Dr. Yoshitaka Kise, Natsuho Takata)과의 협업연구로 진행됐다.
GAN은 최근 data augmentation, segmentation, classification, noise/artifact removal, super-resolution 및 예후 예측 작업을 포함한 다양한 의료 응용 분야에 활용되는 도구이다. GAN은 생성자와 판별자의 두 가지 구성 요소로 구성된 일종의 딥러닝 모델로, 생성기는 새로운 데이터 샘플을 생성하고, 판별기는 실제 이미지와 생성된 이미지를 구별하는 역할을 한다. 두 모델은 반복적이고 적대적인 방식으로 훈련되어 현실적인 데이터를 생성할 수 있게 하며, 결과적으로 GAN은 의료 영상에서의 진단 및 치료 모델에서 훈련 데이터 부족에 대한 문제를 효과적으로 해결할 수 있는 잠재력을 갖게 된다. 
과거 GAN은 의료 영상 생성에 제공하는 이점에도 불구하고 그 복잡성과 상대적으로 큰 데이터 요구한다는 점, 또 머신 파워와 비용이 많이 드는 점들로 인해 모델 훈련에 어려움이 따랐다. 그러나 최근 개발된 StyleGAN2-ADA 는 조건부 설정에 스타일 전달 기능을 도입하는 점진적 성장 GAN(PGGAN)의 변형 형태를 가지면서, ADA(Adaptive Discriminator Augmentation)라는 새로운 데이터 증강 기술을 도입, 상대적으로 적은 훈련 데이터 양으로도 향상된 질의 이미지를 생성할 수 있는 것으로 보고된 바 있다.

이에 연구팀은 치과 파노라마 영상에서 제2대구치에서의 C형 근관을 판별하는데 있어 최신 StyleGAN2-ADA를 이용해 생성한 이미지의 효과를 검증하는 연구를 수행했다. 생성 이미지의 질 평가를 위해 평균 Frechet inception distance (FID)를 계산하고, 2명의 영상치의학 전문의를 대상으로 visual Turing test를 시행했으며, 그 결과 GAN 합성 이미지가 만족스러운 시각적 품질을 나타냄을 확인할 수 있었다. 또한 생성 이미지 데이터셋을 C형 근관을 분류하는 CNN (Convolutional Neural Network)에 데이터 증강 목적으로 적용하였을 때 신경망의 분류 성능이 실제 데이터만 사용할 때보다 향상된 것을 확인했는데, 이는 특히 클래스 간 불균형이 있는 데이터 조건을 해결하는 데 유리할 수 있음을 확인케 해줬다.

김기덕 교수는 "세브란스 선도연구자양성 프로젝트를 통해 최신의 인공지능 기술을 치의학에 적용하는 연구를 국제, 다기관 규모로 진행할 수 있었다”면서 “앞으로 통합치의학과의 연구팀은 다른 기관들과의 다기관 연구를 통해 치과 임상영역에서 마주하는 진단과 예후예측의 문제에 인공지능을 적용함으로써 인공지능을 치과의사의 의사결정보조시스템으로 활용할 수 있는 연구를 이어 나갈 계획”이라고 밝혔다.