基于深度学习与后处理优化的龋齿细粒度分类检测方法研究及其临床价值

推荐：针对现有龋齿检测研究中分类不足和局部病灶局限性的问题，研究人员通过YOLO-v8/v9/NAS模型结合ICDAS细粒度分类体系，创新性提出类别校正和置信度校正方法，使mAP提升4.7%（p<0.01），最高达72.9%，显著提升中重度龋齿检测鲁棒性，为个性化诊疗提供AI支持。

　　

龋齿是全球范围内威胁人类健康的口腔疾病，中国35-74岁人群患龋率高达89%-98%，但传统X射线难以捕捉早期釉质脱矿病变，且人工筛查效率低下。现有AI研究多聚焦单颗牙齿或粗粒度分类，无法满足临床对全牙列检测和ICDAS七级分类的需求。针对这一难题，研究人员开展了一项突破性研究，通过深度学习模型结合创新后处理技术，实现了龋齿检测从"有没有"到"多严重"的跨越。

该研究首先从Kaggle Dentalai数据集中筛选1200张高质量口腔图像，经6名医学助理按ICDAS标准标注C0-C6七类病变，通过旋转、亮度调节等数据增强技术扩增至8754张图像。采用YOLO-v8/v9/NAS三种先进模型，创新性提出两种后处理算法：基于加权平均的类别校正解决相邻类别误判问题，利用牙齿空间分布特征的置信度校正减少复杂场景下的假阳性/假阴性。实验显示，该方法使YOLO-v8的mAP@50显著提升4.7%至72.9%，对中重度龋齿（C3-C5）检测效果尤为突出。

材料与方法
研究采用分层特征提取的YOLO架构，C2f模块增强梯度传播，FPN+PAN结构融合多尺度特征。数据增强包含45°旋转（40%概率）和噪声添加（25%概率），测试集引入高斯噪声、模糊等干扰评估鲁棒性。

结果

1. 性能提升：联合校正使YOLO-v8精确度提升3.8%，召回率提高5.6%，FPS仅从83.1降至78.1；
2. 细粒度分析：C3类别精度提升5.3%，C4召回率改善6.6%，验证了方法对中度龋齿的特异性优化；
3. 鲁棒性验证：在JPEG压缩等干扰下，算法性能仍优于Soft-NMS等传统方法。

讨论
该研究首次实现全牙列ICDAS七级分类，其创新性在于：① 将龋齿发展连续性（C0-C6）转化为算法可识别的数值关系；② 利用牙弓几何特征（如邻牙夹角θ>90°）增强空间推理能力。临床价值体现在：早期龋（C1-C2）检出率提升可避免过度治疗，而中重度龋（C4-C6）准确识别能减少漏诊。局限在于可见光图像无法检测牙本质内病变，未来需结合多模态数据。论文发表于《International Dental Journal》，为远程医疗提供了可部署在手持设备（如口腔内窥镜）的轻量化解决方案，推动AI-CAD在基层医疗的应用。