基于深度学习的全景X线片颌骨病变智能检测与分割算法性能评估

来自多机构的研究团队针对全景X线片中颌骨透射/阻射病变的智能识别难题，系统评估了YOLOv8、YOLOv11、Mask R-CNN和RT-DETR四种模型在三种实验场景下的表现。研究发现RT-DETR-L在包含空间标注的场景III中全面领先，mAP@0.5-0.95指标优异，为临床辅助诊断提供了可靠AI工具。

　　

这项突破性研究让计算机化身"数字影像专家"，通过2371张全景X线片(panoramic radiographs)的"特训"，掌握了识别颌骨透射性(radiolucent)和阻射性(radiopaque)病变的绝技。研究团队精心设计了三个进阶训练营：基础班(Scenario I)不提供空间标签，强化班(Scenario II)加入无标注背景图像特训，精英班(Scenario III)则配备了详细的解剖定位标注。

在激烈的算法竞赛中，YOLOv8x-seg和YOLOv11x-seg分别在阻射性和透射性病变分割任务中拔得头筹，而RT-DETR-L这个"后起之秀"在检测任务中展现出惊人潜力——特别是在精英班训练后，其mAP@0.5和mAP@0.5-0.95指标全面碾压其他模型，就像配备了"病变GPS"般精准定位颌骨前/后区的异常阴影。

这些AI模型不仅达到了媲美专家的识别精度，更开创性地实现了病变性质判断与解剖定位的智能融合。不过研究者们特别强调，这些"数字助手"最适合扮演临床决策的"智能参谋"，而非替代医生的独立诊断系统——毕竟，真正的医疗决策还需要人类专家那双洞察秋毫的慧眼。