差分融合YOLO（DF-YOLO）在CBCT图像中MB2根管检测与识别的开发与验证

《BMC Oral Health》：Differential-fusion YOLO for MB2 canal detection and recognition in cone-beam computed tomographic images

　　

摘要

背景

本研究旨在开发并验证一种名为差分融合YOLO（DF-YOLO）的人工智能（AI）系统，用于在锥形束计算机断层扫描（CBCT）图像中检测与识别MB2根管。DF-YOLO是一种双分支卷积架构，通过整合差分特征提取与自适应融合，突出相邻切片间细微的解剖学差异。

方法

回顾性收集了一个临床CBCT数据集，包含148例经显微镜确认的MB2阳性病例（7,804张轴位切片），分为训练组（n?=?116）、验证组（n?=?16）和测试组（n?=?16）。尽管所有纳入患者的MB2根管均经临床确认，但每例病例中仅有限数量的切片包含可见的MB2根管结构；其余切片因此被归类为切片级阴性样本。模型性能与最先进的检测器进行了基准对比，并通过消融实验和人机对比研究进一步考察。在人机对比中，纳入了20例经显微镜确认的MB2阳性病例。此外，利用测试集中的16例MB2阳性病例和额外10例MB2阴性病例，进行了探索性患者级分析。

结果

DF-YOLO的内部切片级精确率为83.6%，召回率为87.4%，mAP@0.5为92.0%，mAP@0.5:0.95为53.6%。在基于阳性切片比例的探索性患者级分析中，模型达到AUC 0.881。以≥0.20为阈值时，患者级敏感性为93.8%，特异性为60.0%，准确性为80.8%，阳性预测值（PPV）为78.9%，阴性预测值（NPV）为85.7%，F1分数为85.7%。在探索性人机对比中，DF-YOLO在召回率和推理速度方面均优于手动切片级标注。然而，临床医师阅片数据集中阳性病例数量有限，因此无法对其在常规临床实践中的诊断性能得出普遍性结论。

结论

所提出的DF-YOLO方法在CBCT ROI切片上的MB2根管检测中展现出良好的内部性能。探索性患者级分析显示，在小型补充MB2阴性队列中，该模型具有较高的敏感性但特异性仅中等。在考虑临床应用之前，需要更大规模、更严格筛选的阴性病例数据集、外部验证以及具有临床代表性的队列。