AI赋能影像诊断新突破：HC-Net+模型在多中心研究中显著提升II-IV期牙周炎检测效能

《npj Digital Medicine》：A novel AI-powered radiographic analysis surpasses specialists in stage II–IV periodontitis detection: a multicenter diagnostic study

本研究针对牙周炎临床漏诊率高、传统影像评估主观性强等难题，开发了基于临床诊断金标准训练的深度学习模型HC-Net+。该模型通过整合局部牙齿病变分析与全局影像特征，在10,881张全景片（OPG）上完成预训练与微调，并在四国多中心数据集（含10,198颗牙齿）中验证。结果显示，HC-Net+的诊断准确率（AUROC 94.2%）显著超越牙周专家（85.6%, p<0.01），且能辅助初级医师达到专家水平。该研究为牙周炎精准筛查提供了可推广的AI工具，有望改善基层医疗中的诊断公平性。

　　

牙周炎是全球范围内困扰超过10亿人的慢性炎症性疾病，预计到2050年患病人数将增加44%。它不仅导致牙齿丧失，还与全身健康问题密切相关，给社会带来沉重的疾病负担。然而，这种疾病的早期症状隐匿，患者往往直到晚期才被确诊，错过了最佳治疗时机。传统诊断依赖牙周探诊测量临床附着丧失（CAL），操作耗时且对医生经验要求高，在医疗资源匮乏地区难以普及。

临床上，全景片（OPG）因其便捷性常被用于牙周炎筛查，但二维影像存在重叠伪影、图像质量参差不齐等问题，且医生解读一致性较低（Cohen's kappa值仅0.454–0.482）。此前基于影像骨吸收（RBL）测量的AI系统受限于放射科医生标注的主观性，无法突破传统评估的生物学局限。为此，上海交通大学医学院附属第九人民医院联合上海科技大学等团队，在《npj Digital Medicine》发表研究，提出了突破性的解决方案——HC-Net+模型。

关键技术方法

研究团队利用10,400张未标注OPG影像通过自监督对比学习预训练模型，再使用临床探诊标注数据（来自香港大学牙医学院及上海九院）进行监督微调。模型架构融合牙齿级分析（自动检测单颗牙齿病变）与全局级分析（生成分类激活热力图），并引入临床知识引导的融合策略，模拟医生诊断逻辑。验证阶段采用四中心真实世界数据集（760例），以专家小组共识为金标准，评估模型泛化能力。

研究结果

网络预训练与微调

通过对比学习预训练后，HC-Net+在外部测试集Ⅰ中的诊断性能显著提升：AUROC从HC-Net的82.7%提高至94.2%，误诊数从54例降至14例。消融实验表明，预训练数据量增至10,400张时，AUROC提升2.2%，证明大规模无标注数据有效增强特征学习能力。

网络可解释性

牙齿级预测准确率达83.1%，显著高于HC-Net（68.5%）。热力图（CAM）可视化显示模型注意力区域与临床附着丧失≥3 mm的牙齿高度一致，单颗牙病变可被精准追踪。

AI与医生诊断性能对比

在382例盲法测试中，HC-Net+的AUROC（94.2%）超越牙周专家（85.6%）、全科医生（79.9%）和研究生（67.9%）。专家对II期牙周炎的漏诊率达25.4%，而HC-Net+降至20.6%。AI辅助后，专家诊断准确率提升4.9%，研究生提升5.3%，证明其可弥合不同经验水平医生的诊断差距。

多中心验证

在四中心数据集（760例）中，HC-Net+保持稳定性能：总体AUROC为96.7%，敏感度95.6%，特异度82.6%。尽管专家间判断一致性仅中等（Fleiss' κ=0.65），模型仍能可靠识别临界病例，每张影像分析仅需0.02秒。

误诊分析

模型在局限性II期病变（患牙<20%）、低质量影像及含高密度修复体（如种植冠）病例中易出现假阴性，反映了OPG二维成像对早期病变识别的固有局限。

结论与意义

HC-Net+首次实现以临床探诊为金标准的端到端AI诊断，突破传统影像标注的局限性。其多中心验证性能优于人类专家，且具备热力图可视化等可解释性设计，有望成为基层医疗中高效、公平的牙周炎筛查工具。未来需融合三维影像或口腔内照片等多模态数据，进一步提升对早期病变的敏感性。