编辑推荐：
在口腔医学领域，即刻种植（immediate implant placement）对提升治疗效率、改善患者体验意义重大，但术前精准评估困难重重。研究人员借助深度学习技术，利用全景 X 光片预测即刻种植可能性。结果显示，多种模型预测性能优异，为临床应用奠定基础，有望革新口腔种植术前评估模式。
在口腔种植领域，即刻种植一直是备受关注的技术。它能够减少治疗时间和手术次数，帮助保存牙槽嵴，凭借新鲜牙槽窝的愈合潜力促进骨整合，从而大幅提升患者的满意度。然而，这项技术的实施却面临诸多挑战。在决定是否进行即刻种植时，医生需要综合考量众多因素，如骨质量、牙槽窝宽度、软组织厚度、根尖和腭侧骨的可用性以及种植部位是否存在感染等。传统的术前评估方式，往往依赖医生的经验和有限的影像学检查，难以做到精准判断，这就可能导致种植手术的失败风险增加，给患者带来额外的痛苦和经济负担。
随着人工智能（AI）技术的蓬勃发展，其在医学领域的应用越来越广泛。在口腔医学和颌面外科中，深度学习技术已经在诸如下颌第三磨牙拔除难度预测、拔牙后感觉异常预测以及垂直根折病例识别等方面取得了显著成果。但令人意外的是，在即刻种植可能性的预测方面，基于深度学习的研究却一直处于空白状态。为了填补这一重要的研究空白，来自韩国加图立大学（Gachon University）、圆光大学（Wonkwang University）等机构的研究人员开展了一项具有开创性的研究。
研究人员收集了 2019 年 1 月至 2023 年 12 月期间，前往医院就诊的 201 名患者的全景 X 光片，这些患者共有 874 颗牙齿（其中 440 颗牙齿在拔牙后难以即刻种植，归为 Group 1；434 颗牙齿在拔牙后可即刻种植，归为 Group 2 ）。在数据预处理阶段，研究人员采用了两种方法。第一种方法是将数据裁剪以适应牙齿边界，在裁剪后将数据归一化到 0 - 1 之间，并进行 1:1 的零填充以平衡宽高比；第二种方法是按照牙齿较宽或较高的一边，以 1:1 的比例将牙齿裁剪为正方形，同样归一化到 0 - 1 之间，最后将数据重采样到 256×256 像素。这样做的目的是为模型训练提供一致的输入形状。
研究人员选用了 DenseNet121、ResNet18、ResNet101、ResNeXt101、InceptionNetV3 和 InceptionResNetV2 这六种不同的深度学习模型架构。由于数据量有限，研究采用了 5 折交叉验证的方式，将所有数据划分为训练集、验证集和测试集，以评估模型的性能。训练过程中，通过实验确定了每个模型的超参数，如采用小批量大小为 4，初始学习率设为 0.001 ，并运用 ReduceLROnPlateau 算法在学习无进展时降低学习率，同时使用 Adam 优化算法，训练 300 个 epoch，并采用早停法防止过拟合，损失函数则基于二元交叉熵。
一、AI 模型性能评估
研究人员使用两种预处理方法对每个 AI 模型进行性能评估，比较了灵敏度（SEN）、精度（PRE）、准确度（ACC）、平衡准确度（BA）和 F1 分数（F1）等指标。在 Method 1 中，InceptionResNetV2 模型表现最为出色，灵敏度达到 0.9724，准确度为 0.9462，F1 分数高达 0.9473；而 ResNet101 模型相对表现较差，灵敏度和准确度分别为 0.9355 和 0.9188 。在 Method 2 中，ResNet18 模型表现最佳，灵敏度为 0.9770，准确度为 0.9542，F1 分数为 0.9550；相比之下，ResNeXt101 模型在该方法下表现不佳，灵敏度和准确度分别为 0.9309 和 0.9325。总体而言，Method 2 下所有模型的各项性能指标均更高，表现更优。
二、利用 ROC 曲线和 AUC 评估诊断准确性
研究人员还通过受试者工作特征曲线（ROC 曲线）和曲线下面积（AUC）来评估网络的诊断准确性。结果显示，在 Method 1 中，InceptionResNetV2 模型具有最高的灵敏度和准确度；在 Method 2 中，ResNet18 模型表现最佳。并且，Method 2 的整体性能更优，再次证明了预处理方法对模型性能的重要影响。
三、模型决策过程可视化
研究人员运用梯度加权类激活映射（Gradient - weighted Class Activation Mapping，Grad - CAM）技术对模型的决策过程进行可视化分析。结果发现，不同模型和预处理方法下，模型关注的焦点区域有所不同。在 Method 1 中，ResNet18 和 InceptionResNetV2 等模型主要聚焦在牙齿的根部区域，这些区域对于判断种植可行性至关重要；而 ResNet101 模型则更多地关注牙齿的牙冠部分，这可能是其性能相对较低的原因。在 Method 2 中，大多数模型更精确地聚焦在牙齿根部等具有诊断意义的区域，其中 ResNet18 模型表现最为突出，这与它在该方法下的优异性能指标相契合。
综上所述，这项研究表明基于深度学习的模型在预测即刻种植可行性方面表现出色，并且预处理方法对模型性能和决策透明度有着显著影响。Method 2 能够使模型更精准地聚焦于临床重要特征，提升性能指标，增强诊断决策的可解释性，为深度学习模型在临床环境中的可靠应用奠定了坚实基础。不过，该研究也存在一定的局限性，例如未考虑与即刻种植相关的多种变量，样本量相对较小且仅来自单一中心。未来，研究人员需要纳入更多变量，如三维计算机断层扫描（CT）和表面扫描数据等，并通过多中心合作收集更丰富多样的数据，进一步训练模型，以提高模型的泛化能力和临床适用性。这项研究成果发表在《Scientific Reports》上，为口腔种植领域的术前评估带来了新的思路和方法，有望推动口腔医学的发展。
研究中主要用到的关键技术方法包括：数据收集与预处理，收集 201 名患者 874 颗牙齿的全景 X 光片数据，并采用两种裁剪和归一化方法进行预处理；模型构建与训练，运用 DenseNet121 等六种深度学习模型架构进行训练；性能评估，通过灵敏度、准确度等多种指标，结合 ROC 曲线和 AUC 评估模型性能；可视化分析，利用 Grad - CAM 技术对模型决策过程进行可视化。
