编辑推荐：
为解决现有牙科 X 射线自动诊断系统聚焦表面异常、忽视复杂牙根病变（如牙髓感染、根尖周病变）的问题，研究人员开展基于深度学习与元启发式算法的牙根疾病分类研究，提出混合模型，在 TD-1、TD-2 上达 98.87%、98.41% 准确率，为智能牙科护理提供新方向。
在口腔医疗领域，牙科 X 射线诊断牙根疾病面临诸多挑战，传统方法依赖医生主观判读易出错，且现有自动诊断系统多聚焦表面异常，难以精准识别牙髓感染、根尖周病变（如脓肿、囊肿）、进行性牙周炎等复杂病理，常导致误诊或治疗延迟。如何提升复杂牙根疾病的诊断准确性与效率，成为亟待解决的关键问题。在此背景下，一项旨在革新牙科诊断技术的研究应运而生。
来自相关机构的研究人员开展了 “基于深度学习与元启发式方法的牙科 X 射线牙根疾病分类先进 AI 技术” 研究。他们提出一种先进的 AI 分类模型，将集成深度学习架构与混合元启发式优化策略相结合，通过非群体人工多智能系统（np-AMIS）进行图像增强，利用群体 AMIS（pop-AMIS）实现自适应决策融合，构建了自动化牙齿疾病分类系统（A-TD-A-CS）。该研究成果发表在《Intelligent Systems with Applications》，为牙科智能诊断提供了重要突破。
研究采用的关键技术方法包括：
- 数据预处理与增强：使用 np-AMIS 动态优化图像增强方法权重，结合旋转、翻转、弹性变形等 8 种技术模拟临床成像差异，提升数据集多样性。
- 集成图像分割：融合阈值分割、区域生长、边缘检测（如 Canny 算子）及 U-Net 深度学习分割，精准定位病变区域。
- CNN 架构集成：采用 ResNet-50、DenseNet-121、Inception V3、ViT-Small、Xception 五种 CNN 架构，利用 pop-AMIS-DF 自适应融合预测结果，优化分类决策。
- 系统开发与验证：将模型集成至 A-TD-A-CS，通过 LINE chatbot 平台部署，结合 AWS EC2 服务器与 MySQL 数据库，实现图像上传、诊断与结果反馈的全流程自动化。
研究结果
4.1 最优配置探索
通过 540 组实验组合，确定最优配置为 “np-AMIS 增强 + 异质分割（HE-Seg）+ 混合 CNN（He-CNN）+AMIS 融合”。该配置在 TD-1 上实现 98.87% 准确率，显著优于单一模型（如 YOLOv5x 的 90.83%）和同质集成模型（如 YOLOv5x-Ho 的 92.41%），验证了集成学习与动态优化的优势。
4.2 TD-1 数据集验证
在 TD-1 上，pop-AMIS-DF 模型以 98.87% 准确率、98.89% precision、98.79% recall、98.57% F1-score 领先，较传统方法提升超 13%，5 折与 10 折交叉验证显示其稳定性（准确率波动＜1%），统计检验表明性能差异具显著性（p＜0.05）。
4.3 TD-2 数据集验证
面对未知数据，模型保持 98.41% 准确率，混淆矩阵显示多数类别真阳性率超 98%，GradCAM 热图揭示其能精准定位龋齿边缘、根尖周病变区域，证明泛化能力。
4.4 系统性能评估
A-TD-A-CS 在 764 例测试中达 98.95% 分类准确率，响应时间仅 1.5 秒，系统正常运行时间达 99.95%，SUS 评分 94.5（远超行业基准 68），表明其高效性与易用性，获 37 名牙科专业人员高度认可。
结论与讨论
该研究成功构建高精度牙根疾病分类模型，突破传统方法局限。通过集成深度学习与元启发式算法，模型实现特征多样性与分类鲁棒性的提升，A-TD-A-CS 的临床验证彰显其在真实场景的可用性。研究为牙科诊断提供了兼具准确性与效率的新工具，有望减少误诊、优化治疗计划，推动智能牙科护理发展。
未来方向包括扩展至多中心数据集、融合锥束 CT（CBCT）等多模态成像、引入可解释 AI（XAI）技术，以及实现边缘设备实时部署，进一步提升模型泛化性与临床实用性。该工作不仅为牙科领域树立新标杆，也为其他医学影像诊断的 AI 应用提供了方法论借鉴。
