基于人工智能的锥形束CT扫描磨牙根尖周透射区检测平台Diagnocat的诊断准确性研究

本研究针对锥形束CT(CBCT)扫描中根尖周透射区(PARLs)诊断依赖专家判读的临床痛点，评估了人工智能平台Diagnocat在磨牙PARLs检测中的性能。研究团队通过对比134颗磨牙（327个牙根）术前术后CBCT扫描数据与两位牙髓病专家独立评估结果，发现该AI平台在非根管治疗磨牙中展现出高敏感性（牙齿水平93.9%/牙根水平86.2%）但中等特异性（65.2%/79.9%），术后扫描性能显著下降。研究成果为AI辅助牙髓病诊断提供了循证依据，发表于《Journal of Dentistry》，强调临床实践中仍需结合专家判读以避免过度诊断。

　　

在牙髓病诊疗领域，准确识别根尖周透射区（Periapical Radiolucencies, PARLs）是诊断根尖周炎（Apical Periodontitis, AP）的关键。尽管锥形束计算机断层扫描（Cone-Beam Computed Tomography, CBCT）已被组织病理学研究证实为AP诊断的影像学金标准，但其解读需要高度专业化的训练，且存在观察者间差异。这种技术门槛限制了CBCT在临床中的常规应用。与此同时，人工智能（Artificial Intelligence, AI）技术在医学影像分析领域展现出巨大潜力，但其在牙髓病诊断中的实际效能仍需严格验证。

针对这一临床需求，来自Guy's and St Thomas' NHS Foundation Trust的研究团队开展了一项回顾性诊断准确性研究，评估商用AI平台Diagnocat在磨牙PARLs检测中的表现。该研究创新性地对比了AI在非根管治疗牙齿（术前）与根管治疗牙齿（术后）扫描中的性能差异，并首次系统分析了病灶大小、上颌窦邻近度等解剖因素对AI判读的影响。相关成果发表于牙科领域权威期刊《Journal of Dentistry》，为AI辅助诊断系统的临床转化提供了重要循证依据。

研究团队采用标准化方法分析134颗磨牙（327个牙根）的术前术后CBCT扫描数据，以两位资深牙髓病专家的独立评估作为参考标准。关键技术包括：采用小视野（4×4 cm）CBCT扫描确保图像一致性；基于Venskutonis分类的病灶大小量化；应用Python进行ROC曲线分析；通过Kappa检验评估观察者间一致性（0.74）。特别关注了AI在识别根管数目（与显微镜下临床发现对照）和不同解剖条件下的诊断性能变化。

研究结果部分揭示多个重要发现：

3.1 样本特征
纳入59颗上颌磨牙和75颗下颌磨牙，专家判读发现48.5%牙齿存在术前PARLs，32.8%术后显示治疗失败。

3.2 术前根尖周透射区检测
3.2.1 诊断准确性指标
Diagnocat在非根管治疗磨牙中展现出牙齿水平93.9%敏感性和65.2%特异性，牙根水平86.2%敏感性和79.9%特异性。ROC曲线下面积（AUC）分别为0.76（牙齿）和0.79（牙根）。

3.2.2 病灶大小对AI性能的影响
对中等（3-5mm）和大病灶（>5mm）的敏感性（96.8%/92.9%）显著高于小病灶（64.9%），F1评分呈现相同趋势。

3.3 上颌窦邻近度的影响
与上颌窦距离<1mm的病灶敏感性（70.6%）显著低于>2.5mm者（100%），提示解剖邻近性会降低AI判读准确性。

3.4 根管数目识别
AI准确识别77.6%病例的根管数目，对三根管磨牙准确率最高（96.8%），但完全漏诊五根管病例。

3.5 根管充填存在的影响
术后扫描中阳性预测值（PPV）从71.8%降至54.2%，F1评分从81.3%降至67.2%，显示根充材料显著干扰AI判读。

讨论部分指出，Diagnocat的高敏感性使其适合作为PARLs筛查工具，但中等特异性提示需要专家复核以避免过度治疗。研究首次量化了AI在根管治疗牙齿中的性能衰减，发现上颌窦邻近区域和小病灶（<3mm）是AI诊断的薄弱环节。值得注意的是，AI对复杂根管系统的识别局限（如五根管病例0%准确率）表明其不能替代临床显微镜检查。

该研究的临床意义在于为AI辅助诊断系统的应用划定了明确边界：在非根管治疗磨牙中可作为高效筛查工具，但对术后评估和复杂解剖病例仍需谨慎解读。未来研究应着重优化AI对小病灶的识别能力，并增加根管治疗牙齿在训练数据集中的代表性。这些发现将指导临床医生合理整合AI技术，在提高诊断效率的同时保障治疗精准性。