面向隐私保护与可解释性的深度学习框架在龋齿分类中的创新应用

本研究针对牙科X光图像中龋齿自动分类的临床需求，提出了一种融合监督学习（CNN/ResNet-18/DenseNet）、无监督聚类（PCA）和联邦学习的隐私保护框架。通过数据增强和类别平衡策略，模型准确率从84%提升至96%，PCA聚类轮廓系数达0.6660，在保护患者隐私的同时实现了高性能分类，为AI驱动的口腔诊疗提供了可扩展解决方案。

　　

在全球范围内，龋齿是最常见的慢性疾病之一，影响着各年龄段人群的健康。尽管早期诊断对预防病情恶化至关重要，但传统诊断方法面临诸多挑战：牙科X光图像分辨率低、数据集存在严重类别不平衡（健康牙齿仅占18%）、患者医疗数据的隐私保护需求迫切。这些问题严重阻碍了人工智能在口腔诊疗中的实际应用。

针对这些痛点，Jashvant Kumar团队在《Intelligence-Based Medicine》发表了创新性研究。他们设计了一个三阶段框架：首先采用CNN、ResNet-18和DenseNet进行监督学习；随后通过PCA实现无监督聚类可视化；最后引入联邦学习保障数据隐私。研究使用包含957张牙科X光的数据集（174健康/783龋齿），通过特征增强和5倍数据平衡（健康样本增至870张），使CNN模型准确率达到96%，较基线提升12个百分点。

关键技术方法

研究采用Kaggle公开的牙科X光数据集，通过Sobel边缘检测、锐化和扩散模型生成X射线样特征进行数据增强。使用TensorFlow Federated模拟5个客户端实施联邦学习，采用FedAvg聚合策略。模型性能通过准确率、F1值和轮廓系数（Silhouette Score）评估，PCA降维后通过k-means聚类实现可视化解释。

研究结果

基线模型表现

初始阶段使用原始不平衡数据集时，CNN、ResNet-18和DenseNet的准确率分别为84%、82%和82%，但对健康牙齿的识别F1值最低仅0.00，显示严重类别偏差。

特征提取优化

通过生成Sobel边缘增强、锐化等5种图像变体，CNN准确率提升至87%，但健康类的F1值仍仅0.58，表明单纯特征优化无法解决根本问题。

平衡数据集突破

将健康样本扩增5倍（870 vs 783龋齿）并结合高质量图像生成技术后，CNN取得96%的准确率，健康与龋齿类的F1值分别达0.97和0.96。PCA聚类轮廓系数0.6660证实特征区分度显著提升。

联邦学习验证

在模拟分布式训练中，模型通过10轮联邦学习达到95%±1%的稳定准确率，梯度压缩技术降低30%通信成本，实现隐私与性能的平衡。

结论与展望

该研究创新性地将联邦学习与可解释AI技术结合，解决了医学AI领域的三大核心问题：数据不平衡、低分辨率图像处理和隐私保护。特别是通过扩散模型生成X射线样特征的技术，为医疗数据增强提供了新思路。未来工作可探索CNN与视觉Transformer的混合架构，并扩大联邦学习的多中心验证。临床测试显示，部署模型的诊断准确率达93%，获得85%医师认可，标志着AI辅助口腔诊疗向实际应用迈出关键一步。