综述：基于深度学习模型的放射影像种植体品牌自动识别诊断性能系统综述

《BMC Oral Health》：Deep learning for dental implant brand classification: a systematic review of imaging modalities, methodological variability, and model performance

　　

摘要

背景

从放射影像中准确识别种植体品牌在临床上具有重要意义，尤其是在缺乏既往治疗记录的情况下。深度学习（DL）模型在自动化种植体分类方面已展现出令人瞩目的性能，但尚不清楚该性能在不同影像模态、数据集和验证策略之间能否可靠地迁移。

目的

系统评估使用全景片、根尖片和混合放射数据集进行种植体品牌分类的深度学习模型的诊断性能及方法学特征。

方法

本系统综述按照PRISMA 2020指南进行报告。检索了PubMed、Scopus、Web of Science和IEEE Xplore数据库中2020年至2026年间发表的研究。纳入采用基于卷积神经网络（CNN）、YOLO、Transformer、AutoML或混合深度学习模型进行种植体品牌分类的研究。提取的数据包括影像模态、数据集特征、模型架构、验证策略和诊断性能指标。使用QUADAS-2工具评估偏倚风险。由于所纳入研究报道的性能指标不一致且无法进行统计学汇总，因此根据无Meta分析的综述（SWiM）指南进行了结构化叙述性综合，而非Meta分析。

结果

20项研究符合纳入标准。报道的诊断准确率约为75%至99%。使用较小数据集、种植体多样性有限以及手动裁剪种植体区域的研究通常报告了较高的性能，而大型多中心数据集则表现出相对较低但可能更符合临床实际的结果。全景片是最常用的影像模态，但根尖片和混合数据集也展现了较强的诊断能力。早期研究主要采用基于迁移学习的CNN架构，而较新的研究则引入了注意力机制、混合架构、合成数据增强和自动化目标检测工作流。然而，真正意义上的地理独立外部验证仍不常见。

结论

深度学习模型在种植体品牌分类方面可能具有潜力。然而，诊断性能受数据集组成、种植体多样性、预处理工作流和验证策略的影响，而非仅取决于模型架构。未来的研究应优先考虑多中心外部验证、标准化报告、可解释人工智能整合以及临床上可应用的自动化工作流。