基于 3D 卷积神经网络的锥形束 CT（CBCT）图像多阶段龋齿定位与分类：AI 助力精准口腔诊疗

龋齿是全球重大健康问题。研究人员开发了一种基于人工智能（AI）的工具，利用 3D 卷积神经网络（CNN）对 CBCT 图像进行龋齿定位和分类。结果显示，CNN 在定位和分类任务上均显著优于牙医，有望提升龋齿诊断效率和精准度，助力临床决策。

　　龋齿仍是全球范围内备受关注的重大健康问题。鉴于锥形束计算机断层扫描（CBCT）在龋齿评估方面的诊断潜力，研究开发了一种由人工智能（AI）驱动的工具，用于在 CBCT 图像上准确地定位和分类龋齿，进而增强早期诊断能力并制定精确的治疗方案。研究使用包含 1778 张单颗牙齿 CBCT 图像的大型注释数据集开发了三维（3D）卷积神经网络（CNN），并将该网络在多阶段龋齿定位和分类方面的性能与三位牙医的表现进行了对比。评估指标包括精度、召回率、F1 评分、骰子相似系数（DSC）以及受试者工作特征曲线下面积（AUC）。结果显示，该 CNN 在病变定位方面的总体精度、召回率和 DSC 值分别达到 0.712、0.899 和 0.776，而牙医的平均指标值分别为 0.622、0.886 和 0.700。在龋齿分类方面，CNN 的精度、召回率和 F1 评分分别为 0.855、0.857 和 0.856，而牙医的相应值为 0.700、0.684 和 0.678。总体而言，CNN 在定位和分类任务上均显著优于牙医。本研究开发了一种用于 CBCT 图像上多阶段龋齿定位和分类的高性能 3D CNN。该 CNN 的诊断性能明显优于三位牙医，凸显了其临床应用潜力。将 AI 整合到 CBCT 图像分析中，有助于提高龋齿诊断的效率和准确性。所开发的 CNN 是一种很有前景的工具，可用于加强早期诊断和精确治疗规划，为牙科临床决策提供支持。