基于深度学习的口腔炎症负荷定量技术DePerio在牙周疾病中的应用研究

这篇综述创新性地提出DePerio系统——一种基于深度学习神经网络（DNN）的口腔多形核中性粒细胞（oPMNs）定量技术，通过生物启发式粘附分离和YOLOv4算法实现唾液样本中炎症标志物的毫秒级精准检测。研究证实其口腔炎症负荷（OIL）量化结果与传统方法误差<5%，可区分5种牙周病（PD）严重程度，为心血管疾病、糖尿病等PD相关全身性疾病提供早期预警工具。

　　

1 引言

牙周病（PD）作为累及全球47%成年人的慢性炎症性疾病，与心血管疾病、糖尿病、阿尔茨海默病等全身性疾病存在显著关联。传统诊断依赖探诊出血（BOP）、临床附着丧失（CA）等侵入性检查，难以捕捉早期病变。口腔多形核中性粒细胞（oPMNs）作为炎症反应的核心效应细胞，其唾液浓度与PD进展呈正相关，但现有检测技术面临 epithelial cells干扰、流程复杂（约2小时）等瓶颈。

1.1 传统检测瓶颈

当前PD诊断的金标准包括锥形束CT（CBCT）和龈沟液（GCF）分析，但存在辐射暴露、操作专业化等限制。尤其值得注意的是，PD从菌斑堆积到牙槽骨吸收的进程可达数年，而现有技术仅在出现明显组织破坏后才能识别。分子检测如C反应蛋白（CRP）虽能反映炎症水平，但无法实现动态监测。

2 DePerio技术突破

2.1 生物启发式分离

受白细胞内皮粘附机制启发，研究团队发现oPMNs表面CD11/CD18等亲水性标记物可特异性结合玉米淀粉（corn-starch）处理的培养皿。通过优化等待时间（T1=15分钟）和冲洗缓冲液（PBS 10mL）参数，实现oPMNs与上皮细胞92%的分离效率，较传统过滤法提速12倍。

2.2 AI量化系统

采用YOLOv4架构训练4617张明场显微图像，模型在测试集表现：

• •

  灵敏度：93.2%

• •

  精确度：95.4%

• •

  F1值：94.3%

  云端部署后单图分析仅需88毫秒，通过10幅图像采样可将计数误差控制在2.3%以内（k=2.18×10⁴换算系数）。

3 临床验证

在51例受试者（健康/牙周炎患者）队列中，DePerio检测值与传统血细胞计数法（HEMO）高度吻合（R²=0.98）。通过K-means聚类将oPMNs水平划分为5级：

• •

  健康组（<5×10⁵ cells/10mL）

• •

  重度牙周炎组（>5.54×10⁶ cells/10mL）

  ROC曲线显示组间区分度AUC达0.91。

4 应用前景

该技术突破传统PD诊断的时空限制：

• •

  成本降低：明场显微镜替代荧光设备

• •

  时效提升：全程<20分钟

• •

  居家监测潜力：集成微流控模块后或实现POCT检测

  未来研究将探索OIL水平与附着丧失的具体量化关系，为"牙周医学"跨学科研究提供新工具。