earticle

영어

The increasing importance of machine learning in precision medicine and medical imaging interpretation has highlighted the need for large, high-quality datasets. However, legal and ethical restrictions surrounding personal medical data present ongoing challenges to data access and utilization. In response, synthetic data have emerged as a promising alternative for overcoming data scarcity in healthcare AI. This study proposes a comprehensive framework for the generation and validation of high-resolution synthetic data based on intraoral clinical images for dental diagnosis. Leveraging generative models, we developed a divide-and-conquer approach to synthesize realistic dental images while preserving anatomical characteristics. A robust multi-step validation process—including quantitative evaluations (e.g., FID, mAP) and qualitative clinical assessments such as Visual Turing Tests—was applied using data from Seoul National University Dental Hospital. The results demonstrated that the synthetic data achieved comparable quality to real-world data and significantly improved the performance of AI models for cavity classification and tooth segmentation. This research not only presents a novel and practical approach to synthetic healthcare data generation and validation but also provides policy insights into its safe use and future potential.

한국어

최근 의료 분야에서는 의료영상 판독 및 정밀 의료 분야에서 기계학습 기술이 적용되어 병리학 적 판단과 진단에 중요한 역할을 하고 있지만, 방대하고 다양한 의료 데이터를 얻기는 여전히 어려운 문제이다. 이는 정부 규제와 개인정보보호에 따른 윤리적 문제로 인한 제약 때문으로, 합성데이터는 인공지능 알고리즘으로 데이터를 생성하여 이러한 어려움을 극복할 수 있는 대안으로 주목받고 있다. 본 연구는 치과 진단을 위한 구강 내 임상 영상 기반 고해상도 합성데이터 생성 및 검증을 위한 포괄 적인 프레임워크를 제안한다. 생성 모델을 활용하여 해부학적 특성을 보존하면서 현실적인 치과 영상 을 합성하기 위한 분할 정복 접근법(divide-and-conquer)을 개발하였으며, 서울대학교 치과병원 데이 터를 활용해 FID(Frechet Inception Distance), mAP(mean Average Precision) 등의 정량적 평가 와 시각적 튜링 테스트를 포함한 다단계 검증 프로세스를 적용하였다. 연구 결과 합성데이터는 실제 데이터와 유사한 품질 수준을 달성했으며 충치 분류 및 치아 분할 AI 모델 성능을 크게 향상시켰음을 확인하였다. 이 연구는 의료 합성데이터 생성·검증을 위한 혁신적 접근법을 제시하는 동시에 안전한 활용을 위한 정책적 대안을 제공할 것이다.