编辑推荐：
当前牙外伤领域缺乏 AI 应用，研究人员开展基于深度学习 CNN 模型的牙齿骨折检测与分类研究。对根尖周 X 光片标注分类，经数据增强和模型训练，模型区分不同骨折类型准确率达 96% 以上，整体准确率 78.7%，为牙外伤诊断提供新工具。
近年来，医疗系统在诊断工具和技术方面取得巨大进展。人工智能（AI）的出现使健康科学实践，尤其是医学领域发生了范式转变。在牙科领域，AI 在各个学科中应用甚少，在牙外伤学中尚无应用。本研究提出一种基于深度学习卷积神经网络（CNN）的模型，用于牙齿骨折的检测和分类。
研究从患者记录中获取受伤牙齿的普通根尖周 X 光片，并由两名接受过牙外伤学培训的牙医进行注释。牙齿被分为四组：简单冠折、复杂冠折、冠根折和根折。进行数据增强以增强当前数据集的效力。图像被分为训练集（80%）和测试集（20%）。使用 Python 编程语言实现基于 CNN 的分类模型，并应用交叉验证。
共收集到 108 颗骨折牙齿的 72 张普通根尖周 X 光片。该模型在区分简单冠折与复杂冠折（96.0%）、简单冠折与冠根折（99.1%）以及简单冠折与根折（98.7%）方面具有高准确性。此外，复杂损伤与冠根折和根折的区分准确率分别为 96.3% 和 97.2%。该模型识别四类的总体准确率为 78.7%。
所提出的模型在牙齿骨折分类中表现出优异性能。AI 在儿童 dentistry，尤其是牙外伤领域的应用具有创新性，与当前医疗保健技术趋势高度相关。建议未来研究将当前模型扩展到包含各种损伤类型的更大数据集。此类模型可为经验较少的牙医做出准确诊断和及时决策提供重要帮助。未来采用全景 X 光片的模型也可帮助急诊服务中的医生。
