基于深度学习的乳牙龋损分类方法：使用咬翼X光片进行评估，并与牙科专业人员的诊断结果进行比较

《European Archives of Paediatric Dentistry》：Deep learning-based caries lesion classification of primary teeth using bitewing radiographs and its comparison with dental professionals

本研究利用ResNet-152等深度学习模型对儿童乳牙龋病进行分类，并与3名牙医及3名牙学生进行对比，评估其在四类和七类分类中的表现，发现模型在准确率、特异性等指标上优于多数人类评估者，尤其在七类分类中表现突出，AUC达0.85，表明CNN可作为临床辅助工具。

　　

摘要

目的

评估基于深度学习的卷积神经网络（CNN）算法在利用咬翼X光片对乳牙龋齿病变进行分类方面的性能，并将其与普通牙医和牙科学生的表现进行比较。

方法

共1400张咬翼X光片（4715张牙齿图像）被分为训练集、验证集和测试集，其中龋齿病变被分为四类和七类。训练完成后，选择了性能最佳的ResNet模型，并通过参考测试将其与三名普通牙医和三名牙科学生进行了比较。评估了准确性、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、宏观F1分数、曲线下面积（AUC）和混淆矩阵。

结果

在验证过程中，ResNet-152的表现优于ResNet-50和ResNet-101。在四类分类中，ResNet-152和牙科学生1的准确率超过了0.7，而大多数考官的准确率在0.62到0.67之间。只有牙科学生1和ResNet-152的特异性和NPV值达到了0.9或更高。对于初期和中等程度的病变，ResNet-152和大多数考官的敏感性较低，而对于严重病变则敏感性较高。在七类分类中，准确率在0.37到0.58之间，表现最好的比较对象——牙科学生1、ResNet-152和普通牙医3的准确率超过了0.5。敏感性、PPV和宏观F1分数的趋势相似。ResNet-152的AUC值为0.85，表现良好。

结论

ResNet-152的表现与其主要的人类对比对象——普通牙医和牙科学生相当，在龋齿病变分类方面表现优异。CNN可以作为龋齿病变分类的另一种选择，有可能有助于改进治疗决策。