基于ResBlock-AutoEncoder与Grad-CAM的CNN远程龋齿诊断模型：高精度可视化检测新范式

本研究针对传统龋齿诊断存在的成本高、可及性差等问题，开发了基于ResBlock-AutoEncoder(RB-AE)和Grad-CAM的CNN远程诊断模型。该模型通过生成领域特异性预训练权重，在17,946张口腔图像上实现0.9989准确率与1.0精确度，平均推理时间仅5.7939秒，并利用Grad-CAM实现龋变区域可视化定位，为远程牙科诊疗提供了高效可靠的AI解决方案。

　　

龋齿作为全球高发的感染性疾病，每年造成巨大的公共卫生负担。传统诊断依赖牙科诊所的直视检查，存在医疗资源分布不均、患者心理抗拒、检查费用高昂等痛点。尤其在经济欠发达地区，龋齿患病率可超50%，但专业牙医和设备严重短缺。现有AI解决方案多需先进行牙齿分割再分类，不仅流程繁琐，还易遗漏牙缝、牙龈边缘等复杂区域的龋变。针对这些挑战，世宗大学数据科学系与忠北国立大学信息通信工程学院的研究团队在《Scientific Reports》发表创新成果，开发出可直接分析全口腔图像的深度学习模型，为远程牙科诊断树立了新标杆。

研究采用三大核心技术：首先设计残差块自编码器(RB-AE)生成牙科影像特异性预训练权重，解决传统迁移学习的领域失配问题；其次构建含SE(Squeeze-and-Excitation)模块的ResFC分类器，在韩国AI-HUB提供的17,946张临床口腔图像(含4,836阳性样本)上训练；最后集成Grad-CAM技术实现预测结果可视化。通过三折分层抽样验证，模型在保持5.8秒快速推理的同时，准确率达0.9978±0.0011，精确度0.9986±0.0012，显著优于EfficientNet-B0等对比模型。

【Metrics-based validation】
通过混淆矩阵分析，模型在测试集(1,799张图像)上实现真阳性率99.78%，假阳性病例为零。特别针对金属牙冠等复杂结构，其泛化能力远超传统模型，如图5所示：

【Grad-CAM visualization】
热力图与金标准标注的IoU达0.6274±0.0512，如图6-7所示：

。上颌龋变多集中于牙釉质外层，下颌龋变更易侵入牙本质，模型均能准确定位。

该研究突破性地将端到端学习引入牙科AI领域，省去耗时的牙齿分割步骤，使计算效率提升40%。Grad-CAM提供的可视化解释增强了临床可信度，为资源匮乏地区提供了可靠的远程初筛工具。未来通过纳入多角度口腔影像，将进一步拓展模型适用场景。这项成果不仅推动AI在口腔医学中的应用，其领域自适应预训练框架更为其他专科医疗影像分析提供了范式参考。