基于双CNN框架的正畸患者牙周状况自动评估系统开发与验证

本研究针对正畸患者牙周健康监测需求，开发了基于YOLOv8和U-Net+ResNet50双CNN框架的自动诊断系统，可高效识别牙结石、菌斑、牙龈增生和炎症。模型平均准确率达0.93-0.96，Dice系数最高达0.79，为临床决策提供客观支持，尤其适用于远程牙科服务场景。

　　

固定正畸治疗中，托槽、弓丝等装置常阻碍口腔清洁，导致菌斑堆积和牙龈炎症风险增加。传统牙周评估依赖专业医师的视觉检查，存在主观性强、基层医疗资源不足等问题。尽管人工智能(AI)在医学影像领域取得进展，但针对正畸患者多参数牙周状况的自动评估系统仍属空白。土耳其穆拉 Sitki Ko?man 大学的研究团队在《Clinical Oral Investigations》发表论文，创新性地开发了基于双卷积神经网络(CNN)框架的自动诊断系统，为这一临床难题提供解决方案。

研究采用1,000张正畸患者口内图像，通过两种核心技术构建模型：单阶段检测器YOLOv8擅长定位牙结石和菌斑等硬组织病变，而U-Net+ResNet50混合模型则精于分割牙龈增生和炎症等软组织病变。所有图像由资深牙周病专家标注，并采用数据增强技术将样本量扩展至1,863张。

主要研究结果

1. 模型性能对比
   YOLOv8在牙结石检测中表现最佳（准确率0.969），而U-Net+ResNet50对牙龈增生的识别最优（Dice系数0.790）。两类模型平均准确率分别为0.961±0.006和0.938±0.027。

2. 病变特异性分析
   牙龈增生检测的AUC达0.97，显著高于牙结石（0.92）和菌斑（0.90）。Cohen's kappa显示模型与专家评估的一致性最高达0.790（牙龈增生）。

3. 技术特性差异
   YOLOv8的mAP在牙结石检测中为0.570，反映定位精度待提升；而U-Net+ResNet50的Tversky loss低至0.101，证明其像素级分割优势。

结论与意义
该研究首次实现正畸患者多参数牙周状况的自动化评估，双CNN框架的互补设计克服了单一模型的局限性。尽管在微小钙化沉积检测上仍需改进（牙结石Dice系数仅0.48-0.53），但其0.85的牙龈炎症识别精度已具备临床实用价值。这种AI系统可整合至远程诊疗平台，帮助基层医疗机构早期发现牙周病变，同时作为教学工具提升医学生对病变特征的认知。作者强调，系统输出应始终由专业医师复核，体现了AI辅助诊断而非替代人类的科学立场。未来研究需扩大样本多样性，并探索含正畸装置图像的算法优化，以进一步提升临床适用性。