编辑推荐：
上颌窦病变术前精准诊断对治疗至关重要。本研究针对传统影像手段的局限，采用卷积神经网络（CNN）结合锥束计算机断层扫描（CBCT），对 1000 例上颌窦 CBCT 影像进行自动分割。模型以 Dice 系数 0.923、IoU 0.887 等指标，证实 AI 在病变检测中的高效性，为临床精准诊疗提供新工具。
在口腔颌面医学领域，上颌窦病变的精准诊断一直是临床难题。作为鼻腔旁窦的重要组成部分，上颌窦与后牙解剖位置邻近，易受牙源性感染波及，其病变情况直接影响种植牙手术、根尖手术等关键操作的成败。传统二维 X 光片因解剖结构重叠，难以清晰显示病变；而计算机断层扫描（CT）虽为金标准，却面临辐射剂量高、空间分辨率不足的局限。锥束计算机断层扫描（CBCT）虽凭借高分辨率、低辐射及三维成像优势成为首选，但人工分割依赖医师经验，易受伪影干扰，导致漏诊或误诊。如何突破人工判读的效率瓶颈与主观性偏差，成为亟待解决的临床痛点。
为此，近东大学（Near East University）与哈塔伊穆斯塔法?凯末尔大学（Hatay Mustafa Kemal University）等机构的研究团队，开展了基于深度学习的上颌窦病变自动检测研究。其成果发表于《European Archives of Oto-Rhino-Laryngology》，为该领域提供了突破性的 AI 解决方案。
关键技术方法
研究纳入 2009-2016 年 500 例患者的 1000 例上颌窦 CBCT 影像（Newtom 3G 设备，体素大小 0.300 mm），排除术后、创伤及肿瘤病例后，分为 443 例无病变与 557 例病变组（含黏膜增厚、潴留囊肿、鼻窦炎等）。通过 ITK-SNAP 软件手动绘制分割掩码作为金标准，采用 U2-Net 架构的卷积神经网络（CNN）进行自动分割。以 Dice 相似系数（DSC）、交集并集比（IoU）、召回率、精确率等指标，对比 AI 与人工分割结果。模型基于 Python 实现，使用 NVIDIA? GeForce? RTX 3090 GPU 训练，以 Adam 优化器、稀疏 categorical cross-entropy 损失函数迭代 40 个周期。
研究结果
模型性能验证
自动分割模型展现优异性能：DSC 达 0.923，接近 1 的理想值，表明 AI 与人工分割高度吻合；IoU 为 0.887，显示病变定位精准；召回率（灵敏度）0.979，漏诊率极低；精确率 0.963，误判率少；F1 分数 0.970，综合性能稳健。验证过程中，模型在黏膜增厚、潴留囊肿、鼻窦炎等典型病变的三维重建中（图 1），均能清晰勾勒边界，与人工标注结果重叠度高。
与现有技术的对比
研究结果与 Hung 等学者的 3D CNN 模型（DSC 0.90-0.98）、Bayrakdar 的 U-Net 模型（高 DC 与 IoU）等成果一致，证实深度学习在 CBCT 影像分析中的普适性。相较于传统人工分割需逐层面调整阈值（-520 至 - 52 HU）并手动修正，AI 系统可实现全流程自动化，大幅提升诊断效率。
结论与讨论
本研究成功构建基于 U2-Net 的 AI 分割模型，为上颌窦病变的 CBCT 影像分析提供了可靠工具。其核心价值体现在：①突破人工判读的经验依赖性，通过标准化流程提升诊断一致性；②缩短术前评估时间，尤其适用于高负荷临床场景；③为种植牙手术、鼻窦扩容等操作提供精准的病变定位，降低术中感染风险。
然而，研究亦存在局限：训练数据来自单一设备，可能受扫描参数影响模型泛化性；解剖变异与伪影对分割精度的潜在干扰，仍需更大样本量验证。未来可探索结合多模态影像（如 MRI）、迁移学习优化跨设备性能，或开发实时集成于 CBCT 设备的 AI 模块，实现 “扫描 - 分析” 一体化。此外，将 AI 应用扩展至下颌骨骨折、龋齿等其他颌面疾病，有望构建更全面的智能诊断体系。
该研究不仅为上颌窦病变的精准诊疗开辟新路径，更凸显 AI 在医学影像领域的变革潜力。随着算法迭代与临床数据积累，深度学习或将重塑口腔颌面放射学的诊疗范式，推动个性化医疗迈向新台阶。
