《Clinical Oral Investigations》：Accuracy of transfer learning in predicting peri-implantitis onset from intraoral radiograph: A multi-center longitudinal retrospective study
编辑推荐：
摘要译文：
背景：人工智能在口腔医学领域的日益广泛应用为利用卷积神经网络（convolutional neural networks, CNNs）预测种植体周炎（peri-implantitis, PI）开辟了新途径。迁移学习（transfer learni
摘要译文：
背景：人工智能在口腔医学领域的日益广泛应用为利用卷积神经网络（convolutional neural networks, CNNs）预测种植体周炎（peri-implantitis, PI）开辟了新途径。迁移学习（transfer learning）将从大型数据集预训练模型中获取的知识迁移至新的领域特定任务，可能在医学数据集有限时提升模型性能。本研究评估了多种预训练CNN架构应用于基线二维口内根尖片预测种植体周炎发生的能力。
方法：研究在美国密歇根大学（University of Michigan）和伦敦国王学院（King’s College London）开展了一项回顾性多中心研究，共纳入108名接受维护治疗的患者中的195颗种植体（其中密歇根146颗，伦敦49颗）。对每颗种植体，分析其修复体戴入后一年内拍摄的基线根尖片。将五种预训练CNN架构（ResNet50、DenseNet、VGG16、InceptionV3、EfficientNet）与四种迁移学习策略（特征提取——混合式与非混合式、50%层部分微调、全层微调）相结合。模型采用按患者分组划分的方式训练以避免数据泄漏，并在独立测试集上使用准确率、受试者工作特征曲线下面积（area under the ROC curve, AUC）、敏感度和特异度评估性能。
结果：所有CNN架构在不同迁移学习策略下均表现出参差不齐的性能。非混合式特征提取方法提供了最一致的区分能力，最优模型的AUC值介于0.74至0.83之间。其中InceptionV3达到了最高AUC（0.83）。微调策略的性能中等或偏低，各架构的AUC总体介于0.42至0.69之间。
结论：将非混合式特征提取应用于预训练CNN，在基于基线口内根尖片预测PI发生方面表现出最具前景但仍有中等程度的性能。这些发现表明，迁移学习可能有助于种植修复中的早期风险分层，但在临床推广前仍需更大规模的前瞻性研究。
临床相关性：深度学习模型可作为辅助工具，基于常规基线根尖片识别未来发生PI风险较高的种植体，从而支持更个性化的维护方案和更早期的预防性干预。
论文解读
一、研究背景与问题
种植体支持的口腔修复已成为现代临床中最常见的治疗方式之一。尽管种植体具有较高的存活率与成功率，但相当比例的种植体在长期随访中发生种植体周炎（peri-implantitis, PI），荟萃分析报告的加权平均患病率约为20%。PI的核心特征是种植体周围骨的进行性破坏。传统上，负荷后一年骨丧失小于1.5 mm被认为可接受，此后每年额外骨丧失不超过0.2 mm；而2018年牙周与种植体周疾病分类共识报告指出，初始骨改建后的进行性骨丧失即可作为PI的病例定义依据。文献报道了吸烟、外科操作、骨质疏松、糖尿病等风险因素，也有学者提出影像学骨质量和骨量可能有助于预测PI发生。二维口内根尖片是最常用的评估种植体周骨状况的影像手段，但其判读具有主观性，依赖操作者经验和图像质量，可能导致诊断与预后决策的差异。近年来，深度学习（deep learning, DL）在医学图像分析中展现了巨大潜力，已有研究将卷积神经网络（convolutional neural networks, CNNs）用于种植体周骨水平的自动评估以及种植体失败的影像学预测；针对PI的检测或诊断，CNN也显示出区分健康与病变种植体的能力。然而，这些研究多为横断面检测或分级，缺乏利用基线影像进行纵向预测的探索。迁移学习（transfer learning）是一种将从大规模数据集预训练模型中获取的知识应用于新任务的技术，在医学数据集有限的情况下可能提升模型表现。本研究因此开展了一项多中心回顾性研究，检验不同迁移学习策略与多种CNN架构结合，能否从修复体戴入后的二维口内根尖片预测PI的发生；零假设为基于迁移学习的深度学习模型对PI发生的预测能力不优于随机水平。
二、研究设计与方法
研究人员在密歇根大学和伦敦国王学院两个中心开展回顾性研究，纳入2009年1月至2023年1月期间接受种植修复且随访至少2年的患者。纳入标准为部分缺牙区接受一颗或多颗种植体修复，并具有修复体戴入后一年内的基线二维口内根尖片及至少2年后的随访影像，种植体近远中至少2 mm区域可见，整张根尖片作为感兴趣区（region of interest, ROI）。排除标准包括种植时正在接受活动性牙周治疗、存在未控制的糖尿病、近2年内接受放疗或化疗、有心理问题或在其他机构接受治疗与维护者。共纳入108名患者中的195颗种植体（密歇根85例患者146颗，伦敦23例患者49颗）。PI依据2017年世界研讨会病例定义判定，从基线至末次随访期间发生的进行性骨丧失视为发生PI。影像学骨丧失定义为种植体平台最冠方至最冠方骨-种植体接触点之间的距离。除影像外，还提取了性别、年龄、种植部位、修复日期、末次随访日期及牙周炎病史等临床病理变量，全身状况来源于患者入组时自我报告问卷（每2年更新一次）。影像预处理包括灰度化、缩放至256×256像素，并对训练集应用旋转、缩放、水平翻转等数据增强。研究人员采用五种预训练CNN架构（ResNet50、DenseNet、VGG-16、InceptionV3、EfficientNet），结合四种迁移学习策略：特征提取混合模式（移除预训练模型全连接层，在其上添加新分类器，冻结预训练层权重）、特征提取非混合模式（使用整个预训练CNN作为固定特征提取器，提取的特征直接输入单独训练的分类器）、50%层微调（微调靠近输出层的50%层，其余冻结）和全微调（全部层解冻并更新权重）。模型训练采用按患者分层的抽样划分训练、验证与测试集（80%、10%、10%），确保同一患者的所有种植体仅出现在一个集合中，避免数据泄漏。使用二元交叉熵损失函数和Adam优化器，通过分组交叉验证调整超参数，并采用加权二元交叉熵处理类别不平衡，基于验证损失实施早停以防止过拟合。性能评估在独立测试集上进行，指标包括分类准确率、受试者工作特征曲线下面积（area under the ROC curve, AUC）、敏感度和特异度（后者以预测概率阈值0.5计算）。
三、主要研究结果
（一）队列特征：研究共纳入195颗种植体。密歇根队列中，17颗种植体（13例患者）发生PI，129颗（72例患者）健康；伦敦队列中，11颗（9例患者）发生PI，38颗（20例患者）健康。总体平均随访时间为90.59±25.95个月。上颌种植体119颗，下颌76颗。密歇根队列患者基线平均年龄60.73±12.38岁，伦敦队列56.2±8.7岁。108例患者中78例（72.2%）有牙周炎病史。
（二）特征提取策略性能：采用特征提取混合策略时，VGG-16和DenseNet表现最稳定（AUC范围0.67–0.71），其余架构区分能力有限。而采用特征提取非混合策略时，所有架构均达到中等且更一致的AUC值，最优模型AUC为0.74–0.83。InceptionV3达到最高AUC（0.83），其次为DenseNet和EfficientNet。
（三）微调策略性能：50%层微调策略下，DenseNet取得最高AUC（0.68），但整体区分能力中等，多数模型表现不平衡。全微调策略下，各架构AUC普遍偏低，其中InceptionV3和ResNet50表现中等相似（AUC 0.63–0.69），其余架构预测能力有限。
四、讨论与结论总结
本研究表明，基于迁移学习的CNN模型能够以中等区分性能从基线二维口内根尖片预测PI发生。非混合特征提取方法在评估的各CNN架构中提供了最一致的区分性能，InceptionV3取得最高AUC（0.83），同时准确率0.74、敏感度66.7%、特异度76.9%。研究人员从技术和临床两方面解释结果：技术上，非混合特征提取在小数据集上减少了可训练参数，可能降低过拟合风险，因此表现最佳；其他方法与模型也显示出可接受的结果，提示迁移学习有潜力应用于日常临床实践。临床上，利用常规基线根尖片识别高风险种植体的模型，可帮助临床医生确定复诊间隔、强化口腔卫生指导，并在明显骨丧失前实施支持性或预防性干预；此类工具可作为决策支持系统集成到现有影像工作流程中。与既往横断面检测或分级的研究不同，本研究利用纵向多中心队列中的基线影像预测未来PI发生，将AI定位为早期风险分层的辅助工具。研究人员认为，模型可能捕捉到修复体戴入时已存在但肉眼不易识别的亚临床骨特征，从而间接反映宿主相关因素（如吸烟、质子泵抑制剂使用、糖尿病、自身免疫病等）对骨解剖的影响。但明确识别这些宿主因素超出本研究范围。此外，AI可增强现有风险评估工具（如种植体疾病风险评估）的准确性。
研究人员同时指出研究局限性：样本量相对有限且来自两个大学中心，可能限制泛化性；不同操作者技能差异、多种种植体系统、不同修复设计均可能影响结果；仅依赖影像学评估而忽略了角化黏膜宽度、黏膜厚度、种植体周软组织高度等软组织变量；由于二维影像限制，只能评估邻面，无法评估颊侧螺纹暴露。研究为回顾性设计，缺乏随机化和前瞻观察的优势，结果需在更大规模前瞻性队列中验证。结论部分强调，研究证明了AI（特别是CNN和迁移学习）在二维口内根尖片预测PI发生方面的潜力，对改进种植修复中的PI预测模型具有重要意义，但临床可靠应用仍需进一步在更大队列中验证和优化。
