利用ConvNeXt和ResNet34深度学习模型辅助诊断根尖周病变的研究

本研究针对根尖周病变（PLs）早期诊断困难的问题，由济南口腔医院的研究团队开展，利用ConvNeXt和ResNet34深度学习模型对1305张根尖片进行分析，发现ConvNeXt在诊断准确率（91.25% vs 81.63%）、敏感性（98.49% vs 84.38%）等方面显著优于ResNet34，并能将新手牙医的诊断时间缩短约20%。该研究为AI辅助临床诊断提供了新方案，具有重要的临床应用价值。

　　

论文解读
根尖周病（Apical Periodontitis）作为牙科常见炎症性疾病，全球患病率高达23%-31%^[1]，其早期症状隐匿，常需通过影像学检查发现。传统诊断依赖根尖片（PRs），但受限于医生经验，易导致漏诊或误诊。近年来，深度学习（DL）技术凭借其强大的图像识别能力，在医学领域崭露头角，尤其是卷积神经网络（CNN）在牙科疾病检测中取得了一定成果。然而，现有研究多聚焦于模型本身的性能验证，鲜少关注其对临床实践的辅助作用。本研究由济南口腔医院的研究团队开展，旨在评估ConvNeXt和ResNet34两种深度学习模型在辅助新手牙医诊断根尖周病变中的实际效能。

为解决上述问题，研究团队首先收集了2018至2023年间济南口腔医院的1305张根尖片，经三位资深放射科医师标注后，按8:2比例划分为训练集（1044张）和验证集（261张）。通过数据增强技术扩充训练集规模至3132张，确保模型泛化能力。随后，采用ConvNeXt和ResNet34两种模型进行训练，并基于精度（Precision）、F1分数、准确率（Accuracy）、敏感性（Sensitivity）、特异性（Specificity）及曲线下面积（AUC）等指标评估模型性能。结果显示，ConvNeXt在各项指标上均优于ResNet34，其AUC值达0.9693，敏感性高达98.49%，显著提升了微小病变的检出能力。

在模型辅助诊断阶段，研究纳入800张独立测试集，由三位具有一至两年临床经验的新手牙医分别独立诊断，并在使用模型辅助前后对比诊断结果。数据显示，ConvNeXt将三位牙医的平均AUC从0.88提升至0.94，平均诊断时间从178.8分钟缩短至141.9分钟；ResNet34则将AUC提升至0.91，时间缩短至153.6分钟。统计学检验表明，ConvNeXt在提升诊断效能方面具有显著优势（P<0.05）。

研究结论指出，ConvNeXt不仅在模型性能上超越ResNet34，更能有效辅助新手牙医提高诊断准确性和效率，减少漏诊风险。这一发现对资源有限地区的牙科临床实践具有重要意义，尤其是在专家稀缺而新手医生占比高的环境中，AI辅助工具可成为提升诊疗质量的关键手段。此外，研究还提出未来需进一步优化牙齿自动分割算法，并开展多中心研究以验证模型的普适性。

关键技术方法
本研究采用ConvNeXt和ResNet34两种深度学习模型，基于PyTorch框架搭建训练流程。数据预处理包括图像标准化、数据增强（水平翻转、曝光调整、锐化）及手动分割单颗牙齿区域。模型训练采用迁移学习策略，结合交叉熵损失函数与Adam优化器，通过五折交叉验证优化超参数。最终通过混淆矩阵计算各评价指标，并利用Grad-CAM技术可视化病灶区域以辅助人工判读。

研究结果

1. 模型性能比较
   ConvNeXt在800张测试集上表现优异，其精确度为85.93%，F1分数为0.92，准确率达91.25%，敏感性为98.49%，特异性为84.11%，AUC值为0.9693；ResNet34对应指标分别为83.08%、0.84、81.63%、84.38%、78.13%和0.8988。ConvNeXt在敏感性和AUC上显著占优，表明其更擅长捕捉细微病变特征。

2. 辅助诊断效果
   在新手牙医参与的诊断实验中，ConvNeXt辅助组平均AUC从0.88升至0.94，诊断时间减少20.6%；ResNet34辅助组AUC升至0.91，时间减少14.0%。独立样本t检验显示，ConvNeXt对AUC的提升幅度显著高于ResNet34（P<0.05）。

3. 临床应用潜力
   研究证实，AI模型可通过降低诊断门槛，弥补新手医生经验不足的缺陷。例如，ConvNeXt在复杂解剖结构（如根管填充物附近）中仍保持高特异性，有效避免假阳性结果。此外，其快速响应特性有助于缩短患者等待时间，提升诊疗效率。

讨论与意义
本研究首次将ConvNeXt引入牙科诊断领域，填补了该模型在根尖周病变辅助诊断中的空白。相较于传统ResNet架构，ConvNeXt通过深度可分离卷积和层归一化（LayerNorm）等技术改进，增强了全局特征提取能力，使其在病灶定位和边界划分上表现更佳。这一优势对于早期病变的识别尤为重要，因为微小病损往往伴随周围组织的复杂影像特征。

从临床角度看，AI辅助诊断系统可缓解专业人才短缺问题。研究数据显示，即使经验有限的新手医生，在模型支持下也能达到接近资深医师的诊断水平，这对基层医疗机构意义重大。同时，诊断时间的缩短间接降低了医疗成本，提高了工作效率。

然而，本研究也存在一定局限性。手动分割牙齿增加了数据准备的工作量，未来可探索自动化分割算法以提升可扩展性。此外，单中心数据可能限制模型普适性，后续需开展多中心合作以验证结果的广泛适用性。尽管如此，本研究为AI技术在牙科的应用提供了坚实的理论基础和实践范例，有望推动智能化诊疗模式的普及。