基于深度学习的咬翼片自动图表归档系统：多中心研究推动口腔临床诊断智能化

本研究针对咬翼片（Bitewings）人工标注效率低、结果易受主观影响的问题，开发了基于分层Mask DINO的深度学习（DL）模型，实现牙齿分割、编号及7类口腔病变的自动化识别。模型在1045张训练集和216张外部测试集上表现优异，填充物（Filling）分类F1-score达0.956，根管治疗（RCT）识别更达0.988。该成果发表于《Journal of Dentistry》，为口腔诊疗标准化提供智能解决方案。

　　

在口腔诊疗中，咬翼片（Bitewings）因其能同时显示牙冠、牙槽嵴和修复体等结构，成为日常检查的核心工具。然而传统人工读片存在两大痛点：经验丰富的牙医检测邻面龋的正确率是新手3.7倍，且评估单张影像平均需5-7分钟；更棘手的是，30%的病例因灯光条件、设备差异导致诊断差异。这种低效且不稳定的现状，催生了人工智能（AI）技术的介入需求。

由Radboud大学领衔的国际团队在《Journal of Dentistry》发表突破性研究，创新性地将视觉Transformer架构Mask DINO引入口腔领域。研究人员收集德国、荷兰1045张咬翼片构建训练集，并采用斯洛伐克216张影像进行外部验证。通过开发分层Mask DINO模型，首次实现牙齿实例分割与7类口腔病变的同步识别，其中根管治疗（RCT）识别准确率（F1-score）高达0.988，显著优于传统Mask R-CNN等模型。

关键技术方法包括：1）采用Hierarchical Mask DINO实现端到端多层级实例分割；2）通过德国、荷兰、斯洛伐克三地数据验证模型泛化性；3）使用F1-score、平均精度(mAP)等6项指标评估性能；4）由2名牙医、1名龋病专家完成标注金标准。

主要结果

1. 牙齿分割与编号：Mask DINO系列模型牙齿分割精度均>0.96，成功解决重叠牙冠分割难题。
2. 多病变分类：分层架构使龋齿（Caries）和牙石（Calculus）检测F1-score提升至0.749/0.758，较基线模型提高12%。
3. 跨中心验证：在斯洛伐克数据集中，种植体（Implant）识别特异性保持0.95以上，证实模型泛化能力。

讨论与意义
该研究突破现有AI系统单任务局限，首次建立咬翼片全要素分析框架。临床价值体现在三方面：1）将单病例分析时间从7分钟缩短至秒级；2）通过标准化输出减少30%的诊断差异；3）自动记录次要病变（如修复体磨损），弥补人工疏漏。作者团队特别指出，模型对早期龋（Early-stage caries）的敏感性仍需提升，这将是未来改进重点。这项成果标志着口腔AI从单点突破迈向系统化应用，为智能诊疗系统开发树立了新范式。