编辑推荐：
第三磨牙（M3）拔除需精准预测难度与并发症，但现有方法难兼顾。本研究开发深度学习模型，基于 4903 张全景 X 线片（OPG），通过语义分割和分类模型，实现上颌 / 下颌 M3 拔除难度及窦穿孔、下牙槽神经（IAN）损伤预测，准确率达 87.97%-91.45%，为临床提供决策支持。
在口腔颌面外科领域，第三磨牙（M3）拔除是常见操作，约 30-60% 的人会经历。然而，M3 生长角度和位置因人而异，准确诊断拔除难度及术后并发症（如下牙槽神经（IAN）损伤、上颌窦穿孔）至关重要。现有研究多聚焦单一维度，缺乏同时预测上下颌 M3 拔除难度及并发症的自动化方法。为填补这一空白，韩国光州科学技术院（GIST）与朝鲜大学牙科医院的研究人员开展研究，开发出基于深度学习的自动诊断模型，相关成果发表在《Scientific Reports》。
研究人员使用来自 8 家医院、4903 张经 7 名牙医标注的全景 X 线片（OPG），构建包含 13 类结构（如 M3、第二磨牙、上颌窦、下牙槽管（IAC））的数据集。研究采用两阶段深度学习框架：首先利用 DeepLabv3 + 语义分割模型提取 M3、第二磨牙、上颌窦和 IAC 的感兴趣区域（RoI），生成语义掩码；随后将 RoI 与语义掩码输入 R50+Vision Transformer 分类模型，预测拔除难度（垂直萌出（VE）、软组织阻生（STI）、部分骨阻生（PBI）、完全骨阻生（CBI））及并发症风险（低、中、高）。
研究结果
分割性能
模型对背景、M3、第二磨牙和上颌窦的分割性能优异，像素准确率、精确率、召回率和骰子系数均超 90%，交并比（IoU）超 80%。但下牙槽管（IAC）因在 OPG 中显影模糊，分割性能较低，IoU 约 58-59%。
分类性能
- 上颌 M3 拔除难度：结合语义掩码的模型准确率达 87.97%，受试者工作特征曲线下面积（AUROC）为 96.25%，较仅用 RoI 的模型提升约 2% 准确率。
- 下颌 M3 拔除难度：准确率 88.85%，AUROC 97.30%，显著优于传统方法。
- 上颌窦穿孔风险：准确率 91.45%，AUROC 91.78%，语义掩码使 F1-score 提升近 10%。
- IAN 损伤风险：准确率 88.47%，AUROC 94.13%，验证了模型对神经损伤预测的有效性。
对比分析
与既往研究相比，该模型首次实现上下颌 M3 拔除难度及并发症的全自动化联合预测。传统方法多依赖边界框检测 M3 位置，而本研究通过语义分割提供结构掩码，显著增强分类模型对解剖关系的识别能力。例如，在判断上颌 M3 与上颌窦、下颌 M3 与 IAC 的位置关系时，语义掩码可突出模糊结构，使并发症预测准确率提升 7-9%。
结论与讨论
本研究开发的深度学习模型通过 OPG 和语义掩码的联合应用，实现了上下颌 M3 拔除难度及术后并发症的高效预测，准确率和 AUROC 均达临床可用水平。其创新点在于：①整合语义分割与分类模型，突破单一任务限制；②利用多中心、多设备数据集提升模型泛化能力；③通过 RoI 裁剪降低计算成本，兼顾效率与准确性。该系统有望作为术前决策支持工具，帮助临床医生制定个性化手术方案，减少 IAN 损伤和上颌窦穿孔等严重并发症的发生。未来研究可进一步纳入更多临床数据，扩展对特殊解剖结构的识别能力，推动该技术在口腔颌面外科的广泛应用。
