3D 교정에서 치아를 어떤 순서와 궤적으로 옮길지 정하는 일은 여전히 사람 손에 크게 의존한다. arXiv 프리프린트로 공개된 이 연구는 이를 마코프 결정과정으로 보고, 딥강화학습으로 자동 생성하는 계획기를 제안했다. 대상은 상·하악을 합쳐 최대 28개 치아의 기하학적 정렬 경로이며, 실험은 임상 데이터에 기반한 전문가 설계 치료계획 1만 건으로 수행됐다.
핵심은 DDPG를 바탕으로 한 에이전트에 세 가지 장치를 더한 점이다. 먼저 트랜스포머 구조로 치아 간 복잡한 공간 상호작용을 다루고, 매 단계 일부 치아만 이동하도록 동적 마스킹을 적용해 임상적 순차 이동 방식을 반영했다. 여기에 두 단계 커리큘럼 학습을 붙여, 느슨한 제약에서 시작해 더 엄격한 조건으로 넘어가며 학습 안정성과 경로 탐색 효율을 높이려 했다.
논문은 상태를 28×144 텐서로, 행동을 28×9 공간으로 정의한다. 각 치아의 상태에는 현재 자세, 목표 자세, 현재-목표 차이, 이전 행동, 108차원 치아 형상 임베딩이 포함된다. 행동은 각 치아의 이동과 회전을 담고, 값은 [-1, 1]로 정규화했다. 보상은 병진과 회전을 분리해 계산한 뒤 가중합으로 합치며, 이동 중 충돌을 피하고 경로를 매끄럽게 만드는 방향으로 설계했다.
평가는 1만 건 중 9천 건을 학습, 1천 건을 홀드아웃 테스트로 나눠 이뤄졌다. 표 I의 테스트 결과에서 제안법은 sumT 59.91, sumR 7.01, Nviolate 0.52, fcollision 0.237, ∆N 9.8 mm를 기록했다. 비교군은 Expert 57.72, 6.72, 2.77, 0.194; IGWO 68.72, 8.67, 1.12, 0.331; NeuralOrtho 56.12, 5.93, 1.62, 0.267; TMDM 63.93, 49.87, 331.90, 0.249였다. 논문은 안전성과 기하학적 효율성에서 기존 방법보다 낫다고 본다.
구성요소를 뺀 소거 실험도 실렸다. 표 II에서 전체 모델의 SR은 99.9%였고, Stage 1은 200만 step, Stage 2도 200만 step으로 훈련했다. 또 한 단계짜리 기준선은 총 400만 step으로 학습했다고 적었다. 후반부 제한 사항 절에서는 이 작업이 자동화된 3D 정렬 계획에 대한 강화학습의 가능성을 보이지만, 추가 개선이 필요하다고 밝혔다.
| 구분 | 값 | 근거 |
|---|---|---|
| 데이터셋 | 임상 데이터 기반 전문가 설계 치료계획 10K | p.1 / p.6 | source_excerpt |
| 분할 | 학습 9K, 홀드아웃 테스트 1K | p.6 | source_excerpt |
| 테스트 성능(Ours) | sumT 59.91, sumR 7.01, Nviolate 0.52, fcollision 0.237, ∆N 9.8 mm | p.6 | TABLE I |
| 훈련 구성 | Stage 1 2M steps + Stage 2 2M steps; 단일 단계 기준선 4M steps | p.7 | source_excerpt |
자료: STORIUM 정리
첫 저자 Yong Li와 Jianwen Lou의 소속은 Zhejiang University School of Software Technology로 표시돼 있으며, 본 논문은 동료심사 전 버전이다. 학습용 데이터는 Choho Technology가 제공했으며, 논문은 임상 데이터 기반 계획을 사용했다고만 적고 세부 생성 절차는 카드 범위에서 더 드러나지 않는다.
저작권자 © STORIUM 무단전재 및 재배포 금지
