使用改良的Wolters分类法对成人牙髓炎进行诊断的人工智能模型：一项诊断准确性研究

该研究通过构建包含21个临床属性的牙髓疾病诊断数据集，采用交叉验证和 bootstrap 技术训练XGBoost、SVM等AI模型，发现XGBoost在F1-score（0.80）和稳定性上最优，SVM在严重牙髓炎（SP）诊断中AUC达1.00，热刺激痛觉与自发痛是关键诊断指标。

　　

摘要

研究目的

本研究旨在评估人工智能（AI）系统在诊断成人患者牙髓疾病方面的性能，采用改进的Wolters诊断分类方法。

研究方法

本研究采用横断面研究方法，收集了200名患者的200颗牙齿的数据。对牙齿进行了临床评估，并编制了一个包含21个诊断属性的数据集。为了实现更客观、更可重复的诊断标准，采用了改进的Wolters分类方法。通过K折交叉验证法训练了多种AI模型（决策树（DT）、支持向量机（SVM）、多层感知器（MLP）和XGBoost）。对模型超参数进行了优化，并通过精确度、召回率、F1分数和接收者操作特征曲线下面积（AUC）来评估模型性能。最终指标是通过多次迭代计算得出的。为估计模型间的变异性，采用了自助法重采样。此外，还利用排列法分析了各诊断属性的重要性。

研究结果

诊断结果如下：正常牙髓（NP）占21.5%，初期牙髓炎（IP）占13%，轻度牙髓炎（MIP）占21.5%，中度牙髓炎（MP）占25%，重度牙髓炎（SP）占19%。在验证过程中，表现最好的模型是XGBoost（平均F1分数为0.85）和SVM（平均F1分数为0.85）。在ROC曲线分析中，两种模型的AUC值均超过0.93。SVM在SP诊断中的AUC值为完美值，在NP诊断中的AUC值接近完美值（0.98），而XGBoost在NP诊断中的AUC值为完美值，在其他所有类别中的AUC值均高于0.90。自助法分析表明，XGBoost的变异性最低，其精确度（0.81）、召回率（0.81）和F1分数（0.80）的平均值最佳。此外，对冷刺激的疼痛反应被认为是最重要的诊断指标。

结论

基于AI的系统在实现准确牙髓诊断方面显示出巨大潜力，有助于做出更客观的诊断决策。对热刺激的疼痛反应强度和自发性疼痛是实现正确分类的关键特征，这凸显了其在诊断过程中的重要性。

利益冲突

作者声明没有利益冲突。