编辑推荐：
龋齿（Dental caries）是常见慢性病，传统检测方法受多种因素影响准确性。研究人员基于 YOLOv8 算法开发深度学习 AI 模型检测翼片 X 光片中邻面龋齿。结果显示模型检测效果良好，能提高诊断准确性，为牙科医生提供可靠工具。
在口腔健康领域，龋齿是一种极为常见的慢性疾病。想象一下，在我们的牙齿上，细菌如同一个个小 “破坏分子”，悄无声息地侵蚀着牙齿的结构。若早期未能及时发现龋齿，它就会像隐藏的 “敌人”，逐渐引发疼痛、感染，严重时甚至导致牙齿脱落。这不仅给个人带来身体上的痛苦，还会在社会和经济层面造成负担。
目前，传统的龋齿检测方法主要是触觉 - 视觉检查和翼片 X 光摄影（bitewing radiography）。然而，这些方法存在着不少问题。就像不同的医生有着不同的经验水平，这就如同不同的工匠手艺有高有低一样，经验丰富的医生可能更容易发现龋齿，但经验不足的医生则可能会遗漏。而且，图像质量也会影响检测结果，模糊不清的 X 光片就像被雾气笼罩的窗户，让医生难以看清牙齿的真实情况。因此，这些方法的准确性差异很大，导致诊断结果不够稳定。
为了解决这些问题，来自德黑兰医科大学（Tehran University of Medical Sciences）的研究人员开展了一项重要研究。他们旨在开发一种基于深度学习的人工智能（AI）模型，利用 YOLOv8 算法来提高翼片 X 光片中邻面龋齿的检测能力。
研究人员为开展这项研究，采用了多种关键技术方法。首先，他们收集了 552 张翼片 X 光片作为原始数据集，这些数据来自德黑兰医科大学口腔颌面放射科的档案库。接着，由专家放射科医生对数据集中所有可见的邻面龋齿进行标注，利用多边形和智能多边形工具精确界定每个病变的边界。同时，借助 Roboflow 进行数据管理和增强，通过旋转、缩放、亮度变化等操作，将数据集扩充到 1506 张图像。最后，选择 YOLOv8 模型进行训练，设置合适的训练参数，如训练 200 个 epoch，批次大小为 16，初始学习率为 0.005 等，并使用标准指标评估模型性能。
研究结果
- 诊断性能：训练后的模型在龋齿检测方面表现出色。整体龋齿检测的精度达到 84.83%，召回率为 79.77%，F1 分数为 82.22%，假阴性率为 20.22%。对于局限于牙釉质区域的龋齿，精度、召回率和 F1 分数均达到 96.03%，假阴性率仅为 3.96%。而对于延伸至牙本质的龋齿，精度为 80.06%，召回率为 73.46%，F1 分数为 76.62%，假阴性率为 26.53%。
- 评估指标和曲线：通过多种评估指标和曲线全面展示了模型的性能。例如，精度 - 置信度曲线表明模型在不同置信水平下都能保持较高精度；精度 - 召回曲线显示模型在平衡精度和召回率方面表现良好；召回 - 置信度曲线体现了模型在不同置信水平下检测相关实例的能力；F1 - 置信度曲线则综合反映了模型的整体性能。
- 一般骰子系数（Dice coefficient）：整体一般骰子系数达到 0.7949，反映出预测区域与真实区域有较高的重叠度。牙釉质龋齿的骰子系数为 0.6854，表明有中等程度的重叠。而无论是否考虑牙釉质区域，龋齿区域的骰子系数与整体一般骰子系数相同，均为 0.7949，说明重叠质量不受牙釉质约束的影响。
- 分割结果可视化：通过可视化牙釉质和龋齿的分割结果，能清晰看到原始图像与分割结果的差异，直观地展示了模型识别和区分牙釉质与龋齿区域的能力。
研究结论和讨论
这项研究成功开发了基于 YOLOv8 的 AI 模型用于检测翼片 X 光片中的邻面龋齿，尤其在牙釉质龋齿检测方面表现出高灵敏度。与以往研究相比，该模型在精度、召回率和 F1 分数等指标上都有显著提升，有效克服了传统诊断方法的变异性，提高了早期龋齿诊断的准确性。然而，在检测牙本质龋齿时，模型仍需进一步优化，因为牙本质龋齿的结构更为复杂，检测难度较大。
此外，研究也存在一定局限性。数据仅来自单一机构和特定设备，缺乏数据多样性，可能影响模型在不同临床环境下的通用性。未来研究应纳入多机构、多种成像系统的数据，综合考虑更多临床变量，探索更多预处理和增强技术，以进一步提高模型的准确性和可靠性。
总的来说，该研究为人工智能在牙科诊断中的应用提供了重要进展，YOLOv8 模型有望成为牙科医生临床实践中的有力工具，帮助他们更准确、高效地检测龋齿，为患者提供更好的口腔健康服务。这一研究成果发表在《Scientific Reports》上，为该领域的后续研究奠定了坚实基础，也为改善全球口腔健康状况带来了新的希望 。
