FDTooth数据集：基于口腔内照片与CBCT影像的牙槽骨开裂与开窗自动检测研究

本研究针对牙槽骨开裂(fenestration, F)和开窗(dehiscence, D)临床诊断依赖辐射暴露高的CBCT问题，开发了首个公开的口腔内照片与CBCT配对数据集FDTooth（含241例患者数据），并建立深度学习模型实现非侵入性筛查（F1-score 74.73%）。该成果为跨学科牙科诊疗提供了高效筛查工具，发表于《Scientific Data》。

　　

牙槽骨开裂(fenestration)和开窗(dehiscence)是口腔临床中常见的棘手问题，它们不仅影响牙齿美观，更可能导致牙根暴露、牙髓坏死甚至牙齿脱落。传统诊断依赖锥形束CT(CBCT)这一"金标准"，但每次检查相当于接受10张胸片的辐射量，且耗时长达20分钟，根本无法用于常规复查。更令人担忧的是，全球约15-36%的人存在牙槽骨开裂，42-51%有开窗问题，但至今缺乏能结合非侵入性筛查和精准诊断的解决方案。

香港大学牙医学院联合香港科技大学的研究团队在《Scientific Data》发表了突破性研究。他们历时13年收集241例9-55岁患者的临床数据，创建了首个包含1800个精准标注的FDTooth数据集，将口腔内照片与CBCT影像配对，并开发出7秒完成40张照片筛查的AI模型。这项研究为牙周病、正畸和种植治疗提供了革命性的早期筛查工具。

研究采用三大关键技术：1）标准化采集口腔内照片（Canon 80D相机）和CBCT影像（Carestream 9300扫描仪，分辨率0.15-0.18mm）；2）双盲标注流程（κ>0.9），通过MakeSense平台实现人机协同标注；3）集成EfficientNet、ResNet等7种深度学习模型，采用五折交叉验证（训练集201例/测试集40例）。

【数据记录】
FDTooth数据集包含241例患者的匿名数据，涵盖5760×3840像素口腔照片和DICOM格式CBCT影像。创新性地采用国际牙科联合会编号系统标注12颗前牙状态（F/D/N），并配套JSON可视化文件。

【技术验证】
集成模型在测试集表现优异：准确率71.34%（高于医生62.71%），AUC达76.27%。特别值得注意的是，模型处理速度是人工的193倍（7秒 vs 22分钟），且对戴矫治器病例同样有效（图4）。

【结论与意义】
该研究首次证实口腔照片可作为FD筛查的可靠依据，其价值体现在三方面：临床层面，减少80%不必要的CBCT检查；技术层面，开创了多模态牙科影像AI分析范式；科研层面，数据集支持牙齿分割、影像配准等延伸研究。正如通讯作者Yanqi Yang强调，这并非要取代CBCT，而是构建"照片筛查-CBCT确诊"的新诊疗路径，尤其适合需要动态监测的儿童正畸病例。