卷积神经网络助力舌部病变诊断：提升口腔检查精准度的创新探索

传统舌部病变诊断依赖主观评估，存在不足。研究人员利用卷积神经网络（CNN）对常见舌部病变分类。ResNet18 在二分类表现出色，ResNet50 在三分类有一定准确率。这为舌部病变诊断提供新工具，有望提高口腔诊断可靠性。

　　临床检查舌头对于诊断全身和局部疾病至关重要。然而，传统的诊断方法依赖于主观评估。人工智能，尤其是卷积神经网络（Convolutional Neural Networks，CNN），在提高医学成像诊断准确性方面展现出了潜力。本研究旨在利用 CNN 对常见舌部病变进行分类，以提高常规牙科检查的诊断精度。研究分析了 1038 张舌部图像的数据集，将其分为六类：健康、舌苔、裂纹舌、毛舌、地图舌和正中菱形舌炎。采用 ResNet18 模型进行二分类，ResNet50 模型进行三分类。应用了包括图像缩放和增强在内的预处理技术来优化模型性能。通过准确率、精确率、召回率和 F1 分数来评估模型性能。ResNet18 模型在区分健康舌和毛舌病变方面达到了 100% 的准确率，在二分类任务中表现出色。ResNet50 模型在健康 - 舌苔 - 毛舌分类中达到了 96% 的准确率，但在其他病变组的分类中面临挑战。基于 CNN 的模型为舌部病变分类提供了一种有效、无创的工具，ResNet18 在二分类中表现卓越。研究结果表明，将人工智能整合到颌面放射学中，可以提高常规牙科实践中的诊断可靠性。建议开展更大数据集的进一步研究以及实时临床应用，以完善人工智能驱动的诊断工具。