基于深度学习与口内扫描的儿童龋齿智能检测系统开发及临床验证研究

本研究针对儿童龋齿诊断中主观性强、早期病变识别困难等问题，首次将Attention U-Net深度学习模型应用于口内扫描（IOS）三维数据的龋齿自动检测。通过国际龋病分类管理系统（ICCMS?）标注的332例儿童牙齿数据集训练，模型对累及牙本质的广泛性龋损检测灵敏度达71%，与临床医生诊断一致性相当（OR 0.85，95%CI 0.42-1.71），为AI辅助儿童龋齿早期筛查提供了技术验证。

　　

龋齿是全球儿童最常见的慢性疾病之一，约43%的儿童受其困扰。传统临床诊断依赖医生经验，对早期釉质病变（initial caries）的识别存在主观差异，而口内扫描（intraoral scanning, IOS）技术虽能提供高精度三维牙列数据，却缺乏自动化分析手段。更棘手的是，儿童口腔空间狭小导致扫描数据质量波动，现有基于荧光或颜色变化的规则化算法（如ICDAS标准）对乳牙早期龋损的检测灵敏度不足，亟需开发更智能的分析方法。

针对这一挑战，澳大利亚Murdoch儿童研究所联合3Shape公司的研究团队开展了一项开创性研究。他们首次将深度学习技术应用于儿童口内扫描数据的龋齿分级检测，相关成果发表于《Journal of Dentistry》。研究团队创新性地采用Attention U-Net架构，将三维牙科扫描数据转化为2.5D多视角投影，通过语义分割技术实现龋损的像素级分类。研究包含内部验证（n=332）和外部验证（n=119）双队列，并首次将模型性能与临床医生诊断进行多维度对标。

关键技术方法包括：1）使用国际龋病分类管理系统（ICCMS?）标注口内扫描数据；2）开发数据预处理流程将3D网格转化为2D多视角图像；3）采用Attention U-Net进行四分类（健康/初始/中度/广泛性龋损）语义分割；4）通过交叉验证和外部独立队列验证模型泛化能力；5）使用多水平逻辑回归分析模型与临床医生的诊断一致性。

【Model performance】
在核心测试集（n=77）中，模型对广泛性龋损（extensive caries）检测表现最优（灵敏度71%，精确度66%，IoU 0.55），但对初始龋（initial）和中度龋（moderate）识别有限（灵敏度分别仅44%和20%）。外部验证显示性能略有下降，但广泛性龋损检测灵敏度提升至88%，反映数据分布差异的影响。

【Diagnostic agreement】
通过多水平逻辑回归分析发现，模型与临床医生在所有龋损程度上的诊断一致性无统计学差异：初始龋（OR 0.82，95%CI 0.6-1.15）、中度龋（OR 0.9，95%CI 0.5-1.6）和广泛性龋损（OR 0.85，95%CI 0.42-1.71）。这表明AI模型能达到与人类专家相当的决策模式。

【Conclusion】
该研究首次证实深度学习处理口内扫描数据的可行性，其创新价值体现在三方面：技术上开辟了三维牙科数据AI分析新路径；临床上为儿童龋齿客观化诊断提供工具原型；方法论上建立了一套从数据标注到临床验证的完整框架。但研究也暴露出对早期病变识别不足的局限，作者Bree Jones等指出未来需通过更大样本和迁移学习优化模型敏感性。

讨论部分强调，这项技术长期可能实现三大临床价值：1）减少龋齿评估的主观差异；2）通过定期扫描实现疾病进展数字化监控；3）辅助基层医生早期干预决策。但现阶段仍需解决小样本过拟合、扫描设备兼容性等问题。该研究为牙科AI领域树立了重要的概念验证（proof-of-concept）标杆，其提出的多视角投影方法和临床对标策略，为后续研究提供了可复制的技术范式。