编辑推荐：
为解决传统口腔疾病诊断方法的不足及现有 AI 诊断模型的缺陷，研究人员开展了基于 RGB 彩色摄影的非线性模糊排序集成深度学习（NFR-EDL）模型诊断口腔疾病的研究。结果显示该模型在多个数据集上表现出色，能提高诊断准确性与可靠性，意义重大。
在我们的日常生活中，口腔健康至关重要，它不仅影响着吃饭、说话和微笑这些基本活动，还与全身健康息息相关。然而，牙周炎、龋齿等口腔疾病却如同隐藏在口腔里的 “小恶魔”，时刻威胁着人们的健康。牙周炎作为一种慢性炎症性疾病，会悄无声息地破坏牙龈和牙齿周围的组织，甚至可能与心血管疾病等全身性疾病存在关联；龋齿则主要由酸侵蚀引发，会逐渐损坏牙齿结构。据了解，这两种疾病在全球范围内广泛流行，严重影响着人们的生活质量。
目前，临床和放射检查是检测口腔疾病的主要手段。传统的诊断方法虽然准确性较高，但存在不少问题。比如，它们具有侵入性，患者在检查过程中可能会感到不适，而且还需要频繁就诊。近年来，人工智能（AI）技术的发展为口腔医疗带来了新的希望，许多研究尝试利用 AI 驱动的口腔医疗系统进行疾病诊断。但现有的 AI 研究大多依赖牙科全景 X 线摄影（DPR），这种方式不仅需要专业设备、让患者暴露在辐射下，而且对软组织和早期疾病的检测效果不佳。同时，多数 AI 模型在处理预测的不确定性方面表现欠佳，而在临床诊断中，哪怕是微小的误差都可能造成严重后果。
为了攻克这些难题，来自未知研究机构的研究人员开展了一项极具意义的研究，相关成果发表在《Computers in Biology and Medicine》上。研究人员提出了一种基于非线性模糊排序集成深度学习（NFR-EDL）的模型，利用 RGB 彩色摄影技术来诊断口腔和牙齿疾病。
研究人员在开展研究时，采用了多种关键技术方法。首先，他们选用了四个深度卷积神经网络（CNN）基础模型，分别是 VGG16、DenseNet169、ResNet50 和 SqueezeNet。这些基础模型的第一层权重通过 ImageNet 数据集进行预训练，然后进行微调。其次，利用这些基础模型对口腔的高分辨率彩色图像进行分析，生成置信度分数。接着，将这些分数映射到不同凹度的函数上，得到非线性模糊等级。最后，将这些等级结合起来得到最终分数，以此来减少与预期结果的偏差。研究中使用了公开的数据集，包括 Kaggle、MOD、ODSI-DB 和 OaDD 数据集 。
下面来看看具体的研究结果：
- Kaggle 数据集结果：研究人员通过 5 折交叉验证，将 NFR-EDL 模型与其没有模糊分支的基础模型（VGG16、DenseNet169、ResNet50 和 SqueezeNet）进行对比。结果表明，NFR-EDL 模型在特征提取和分类方面展现出了更高的效率。在基础模型中，DenseNet169 表现相对突出，但 NFR-EDL 模型整体表现更优。
- 多数据集综合结果：NFR-EDL 模型在 Kaggle、MOD、ODSI-DB 和 OaDD 数据集上的准确率分别达到了 97.08%、84.00%、89.86% 和 94.66%。这一结果充分证明了该模型在诊断口腔和牙齿疾病方面具有极高的准确性和有效性，明显优于现有的诊断技术。
研究结论和讨论部分指出，NFR-EDL 模型集成了多种深度学习架构、集成学习和模糊技术的优势，显著提高了诊断的准确性和可靠性。通过生成置信度分数并转化为非线性模糊等级，最终得到全面的诊断分数。该模型为临床诊断提供了一种高精度、高可靠性的工具，有助于提高口腔疾病的早期检测能力，实现个性化医疗，减少诊断错误，从而改善患者的治疗效果，提升牙科医疗服务的效率。此外，该模型还在处理不确定性方面表现出色，为 AI 辅助诊断在口腔医疗领域的应用奠定了更坚实的基础。这一研究成果为口腔疾病的诊断开辟了新的道路，有望在未来的临床实践中得到广泛应用，为全球众多受口腔疾病困扰的患者带来福音。
