基于混合双阶段CNN的全景片牙周炎检测与分期：深度学习驱动的新型诊断辅助工具

本研究针对牙周炎诊断中临床与影像学评估的复杂性，开发了一种集成Mask R-CNN与DenseNet169的混合双阶段CNN模型。通过对600张全景片进行牙齿分割、CEJ定位及RBL检测，模型在外部测试集中达到0.88特异性与0.80准确率，为牙周炎智能化分期提供了高效精准的辅助诊断方案，显著提升口腔放射诊断的自动化水平。

　　

牙周炎作为全球范围内影响约10%人口的慢性炎症性疾病，是导致成年人牙齿丧失的主要原因之一。这种疾病会对牙齿支持组织（包括牙周韧带和牙槽骨）造成持续性损伤，不仅影响口腔健康，更与多种全身性疾病存在密切关联。传统的牙周炎诊断依赖于临床检查（如牙周探诊检测临床附着丧失CAL）和影像学评估，其中全景放射摄影（panoramic radiographs）因其能够提供全牙弓的宏观视图而被广泛应用于初步评估和长期监测。然而，人工判读放射影像存在主观性强、重复性差、效率低下等问题，且早期牙周炎的影像学特征不明显，极易出现漏诊或误诊。

随着人工智能技术在医学影像领域的快速发展，深度学习（deep learning）方法为牙周炎的自动化诊断提供了新的解决方案。卷积神经网络（CNN）作为处理视觉数据的核心架构，在图像分割、检测和分类任务中展现出显著优势。尽管已有研究尝试将Faster R-CNN、Mask R-CNN等区域卷积神经网络应用于牙周相关结构的识别，但如何实现高精度的牙周炎分期（staging）仍然是当前研究的难点。特别是基于2017年世界牙周病和植体周病分类标准的分期系统，需要综合评估 radiographic bone loss (RBL)、cementoenamel junction (CEJ) 位置等多维度信息，这对模型的复杂度和准确性提出了更高要求。

在此背景下，印度尼西亚Airlangga大学口腔颌面放射学专业的研究团队开展了一项创新性研究，他们设计了一种混合双阶段CNN架构，将Mask R-CNN的实例分割能力与DenseNet169的分类性能相结合，旨在实现全景片上牙周炎的精准检测与分期。该研究成果发表于《Journal of Oral Biology and Craniofacial Research》，为牙周病的智能化诊断提供了重要技术支撑。

研究采用的技术方法主要包括：1）从Universitas Gadjah Mada牙科医院回顾性收集600张符合质量标准的数字化全景片，按70%:10%:20%比例划分为训练集、验证集和测试集，并额外采集100张外部测试片；2）使用VIA标注平台对每张影像进行四类标注（牙齿分割、RBL区域、CEJ区域和牙周炎分期），由口腔放射学家监督确认；3）第一阶段采用基于ResNet101骨干网络的Mask R-CNN进行三大分割任务训练，第二阶段使用DenseNet169对分割产生的掩模进行分期分类；4）通过水平翻转进行数据增强，并采用精确度（Precision）、召回率（Recall）、特异性（Specificity）、F1值和准确率（Accuracy）等指标评估模型性能。

研究结果方面：

3. Result

Mask R-CNN分割训练成功实现了对牙齿、CEJ和RBL区域的精确勾勒（图3），生成的分割掩模作为DenseNet169分期训练的输入。在120张测试片上的初步测试显示，模型对晚期牙周炎（stage 3-4）检测效果优异，但在早期阶段（stage 1-2）存在误判情况（图4c,d）。外部测试集（100张新片）的混淆矩阵分析（表3）表明，模型在stage 3和4的检测中True Positive值显著较高，而对stage 1和2的识别性能相对较弱。综合性能评估（表4）显示，模型在特异性（0.88）和准确率（0.80）方面表现最佳，但早期病变的精确度（0.59）和召回率（0.51）仍有提升空间。在计算效率方面，模型在CPU和GPU环境下的平均运行时间分别为14.90秒和2.14秒，接近临床医生的诊断耗时。

4. Discussion

研究表明，双阶段CNN架构通过整合Mask R-CNN的实例分割能力与DenseNet169的分类优势，有效解决了牙周炎分期中的复杂性问题。与先前研究相比，该模型在晚期牙周炎检测方面达到0.88的特异性，与Fast R-CNN对健康牙齿的检测性能相当。然而，早期病变识别精度不足的问题与文献报道一致，主要源于stage 1-2的影像学特征不明显且易与正常条件混淆。值得注意的是，该研究采用的三大分割标注策略（牙齿、CEJ、RBL）虽增加了标注负担，但更好地模拟了临床医生的诊断逻辑，这与近期采用U-Net/YOLOv5混合架构的研究方向一致。2017分类标准本身的诊断复杂性也加剧了模型开发难度，特别是对早期病变的判别需要更精细的特征学习。尽管运行时间优于牙医手动诊断（13.105±3.153秒），但仍需进一步优化以满足实时临床需求。

研究结论强调，这种混合双阶段CNN模型在牙周炎检测与分期方面展现出良好的诊断性能，特别是对晚期病变的高特异性识别能力使其具备临床转化潜力。通过融合实例分割与深度分类的双重优势，该研究为开发计算机辅助诊断工具提供了重要技术路径，有望辅助口腔放射科医生和临床牙医提升诊断一致性、减少主观误差，最终改善牙周病的管理效果。未来研究需着重优化早期病变检测算法、整合三维CBCT影像数据，并探索与2017分类标准更紧密匹配的多任务学习策略。