基于深度学习的儿童乳磨牙口内照片自动检测与多类别口腔健康分类研究

《BMC Medical Imaging》：Artificial Intelligence-based multi-stage pipeline for detecting caries and restorations in pediatric primary molars from intraoral photographs

　　

摘要

背景

龋齿仍然是一个普遍存在的问题，尤其在儿童中更为突出。在正畸治疗前进行准确的诊断对于防止进一步脱矿和维护口腔健康至关重要。本研究开发了一套多阶段深度学习流程，用于通过口内照片自动检测和分类后牙乳磨牙（D和E牙）。

方法

训练YOLOv8模型以定位第一乳磨牙（D牙）和第二乳磨牙（E牙），随后进行基于SAM的分割和ResNet50分类，分为五类：健康、染色、龋坏、不锈钢冠（SSC）和银汞合金修复。数据集包含来自725名6至12岁儿童的725张口内咬合面照片。对于牙齿检测，照片按70%/15%/15%的比例划分为训练集、验证集和测试集（508/109/108张图像；测试集中包含303颗标注牙齿）。对于初步的牙齿级别分类分析，1,946个牙齿样本按70%/20%/10%的比例划分为训练集、验证集和测试集（1,362/389/195颗牙齿）。另有一项独立的患者/源照片级别敏感性分析，使用725张源照片按70%/15%/15%的比例进行划分。

结果

在包含108张照片和303颗标注牙齿的独立YOLOv8测试集上，检测器实现了0.963的精确率、0.972的召回率和0.983的mAP@0.5。在患者/源照片级别的敏感性分析中，一个独立重新训练的ResNet50分类器在290个独立保留的牙齿样本上进行了评估，准确率达到了85.9%，宏平均精确率为85.6%，召回率为85.7%，F1得分为85.6%，Cohen's κ为0.822。原始的牙齿级别分类分析未将同一源照片中的牙齿限制在单一子集中，在195颗测试牙齿上的准确率达到了87.7%。Grad-CAM被用作模型预测中贡献图像区域的定性可视化工具。

结论

基于AI的集成流程可能能够根据口内图像提供准确且具有可解释性的多类别口腔健康分类。虽然观察到的性能令人鼓舞，但还需要在更大且更多样的多中心数据集上进行额外的验证，以更好地评估其泛化能力和鲁棒性，尤其是在涉及混杂修复材料的情况下。总体而言，这种方法表明了AI辅助诊断在促进口腔检查标准化、支持标准化照片评估以及提高儿科牙科工作流程效率方面的潜力。