《Diagnostics》：Automatic Detection of Dental Implant Brands and Exposure Status Using Deep Learning on Periapical Radiographs
编辑推荐：
背景/目的：牙种植体技术已成为当前临床实践中管理牙缺失的主要治疗方式。准确识别种植体品牌及其临床暴露状态，已日益成为种植体相关研究与临床诊断中的关键问题。依赖临床医生经验的传统方法耗时较长，且可能因图像质量差异或不同品牌种植体设计特征的细微差别而导致误分类。方
背景/目的：牙种植体技术已成为当前临床实践中管理牙缺失的主要治疗方式。准确识别种植体品牌及其临床暴露状态，已日益成为种植体相关研究与临床诊断中的关键问题。依赖临床医生经验的传统方法耗时较长，且可能因图像质量差异或不同品牌种植体设计特征的细微差别而导致误分类。方法：本单中心研究对结合两种种植体品牌（3i与Xive）及三种暴露状态的六个类别进行分类。回顾性队列纳入497例患者（708张根尖片，928个种植体实例），采用8:1:1分层比例划分并严格保证患者层面独立性。在基于YOLOv8的种植体定位与感兴趣区（ROI）提取之后，通过5折交叉验证在多种深度学习骨干网络上评估分类性能，并在由8个复杂病例组成的测试集上与三名牙科专家组成的专家组进行比较。结果：YOLOv8在种植体检测任务中达到99.39%的精确率与98.63%的敏感度。对于种植体品牌与暴露状态的分类，EfficientNet-B3在5折交叉验证中表现最佳，准确率达99.18 ± 0.85%（95% CI：[94.20%，100.00%]），与文献中现有种植体分类基准相比展现出具有竞争力的诊断性能。在针对代表性病例的初步临床可行性评估中，该框架展现出快速的算法推理能力（平均推理时间为每张图像36.18 ms），具备与参与临床医生协同提供即时决策支持的潜力。结论：本研究在稳健的内部验证下，证明了深度学习框架用于识别牙种植体品牌与暴露状态的技术可行性与概念验证。尽管具备初步的决策支持潜力，但在临床实施之前，仍有必要开展多中心队列的外部验证以及覆盖更广泛种植体系统的前瞻性临床试验。
研究背景：随着牙科治疗技术的进步，牙种植体已成为全球牙缺失修复的金标准。全球人口老龄化及口腔健康意识提升使种植体植入数量持续上升，成为当代牙科修复不可或缺的治疗手段。然而，随着制造商不断推出新设计，市场上可用的种植体品牌与规格已超过数百种，螺纹形态、颈部结构及连接系统的差异导致显著变化。在临床随访、修复操作或并发症管理中，病历资料不完整给临床医生识别种植体品牌与结构特征带来相当大的挑战。除品牌识别外，暴露状态的判定同样具有关键临床意义，其与种植体长期稳定性、种植体周围骨吸收风险及后续修复或并发症管理密切相关。具体而言，识别种植体处于埋植阶段（需手术暴露）、愈合帽阶段（可进行软组织塑形与修复取模）还是最终修复阶段（需维护与并发症管理），可为椅旁临床工作流程提供可操作的指导。此外，从计算机视觉角度看，覆盖的愈合基台与修复冠会改变X线片上的冠部轮廓；同时分类暴露状态可防止深度学习模型将修复组件与品牌固有设计相混淆。将种植体品牌识别与暴露状态判定相结合，可提供更全面、更具临床意义的决策支持信息，提高诊断准确性与效率。人工智能（AI）与深度学习算法的快速发展推动了牙科计算机辅助诊断的显著进步。当前AI模型在根管、口腔黏膜病变、下牙槽神经、种植体周围炎、牙齿磨损严重程度、牙位编号及边缘嵴差异等牙科关键临床问题中已展现出高效能。然而，同时应用深度学习识别种植体品牌并评估其临床状态的研究仍然稀缺。现有文献大多仅聚焦于二分类或多分类品牌分类。例如，Lin等成功采用目标检测模型在根尖片（PAs）上识别种植体品牌，准确率达94.5%，但其研究未评估种植体的暴露状况。同样，Dashti等证明深度学习方法可有效识别种植体品牌以支持治疗计划。此外，Zitzmann等与Dos Santos等强调，区分种植体状态——如已暴露的种植体、愈合帽与修复体——对于临床评估、应力分析及长期术后维护至关重要。此处"暴露状态"（或临床修复阶段）特指X线片上可见的附着于种植体平台的穿龈或修复组件的存在与类型：（1）已暴露（仅种植体或覆盖螺丝阶段），种植体已骨结合于骨内而无穿龈组件；（2）愈合帽，连接有经黏膜愈合基台；（3）修复体，最终基台与修复体已完全安装。此外，能够提供这些同步评估的集成自动化框架尚未实现。仅依赖品牌分类限制了这些AI模型的临床效用，因为临床医生需要全面的影像学评估——即同时评估种植体固位品牌及其连接的冠部修复组件（治疗阶段）——以明确无误地确定适当且即时的临床干预措施。为解决这一关键临床空白，本研究提出了一种集成目标检测与图像分类网络的自动化AI辅助诊断框架。本研究的主要研究问题是：两步深度学习框架能否使用标准临床根尖片实现六个不同牙种植体类别的高精度分类，全面整合各种品牌身份及其相应的暴露状态？本研究假设这一统一的六分类集成模型将展现出稳健的诊断性能，与临床从业者相当或更优。因此，本研究的具体目标是：（1）开发并训练一个两步AI模型，能够在根尖片上准确分类这六个特定种植体类别；（2）通过将模型的诊断结果与经验丰富的临床牙科医生的评估进行比较，评估模型的泛化性、准确性与稳健性。
研究方法：研究人员开展了一项单中心回顾性研究，数据来源于台湾桃园长庚纪念医院，经长庚医学基金会机构审查委员会（IRB）批准（IRB编号：202500009B0），并豁免知情同意。数据收集与标注由三名具有五年以上临床种植经验的牙科专家完成。为建立明确的种植体品牌参考基准，品牌身份（3i与Xive）从机构电子病历、手术记录及制造商产品条形码中确证，而非视觉猜测。暴露状态由三名盲法专家根据预定义影像学标准独立判定。图像从机构牙科影像归档与通信系统（PACS）中回顾性检索，覆盖2018至2023年间的检查。所有图像均在常规临床实践中使用机构高频口内X射线设备与数字放射摄影传感器在标准诊断曝光设置下采集。数据集来自497例患者，包含708张根尖片，其中3i种植体640个实例，Xive种植体288个实例（共928个种植体实例）。暴露状态方面，种植体根据附着于种植体平台的影像学组件分为三个不同临床阶段：已暴露（380个实例）、愈合帽阶段（316个实例）与修复体阶段（232个实例）。数据集采用8:1:1分层比例划分为训练集（398例患者，566张根尖片，774个种植体实例）、验证集（50例患者，71张根尖片，93个种植体实例）与测试集（49例患者，51张根尖片，61个种植体实例）。所有来自同一患者的影像学资料严格限制在单一分区内，训练、验证与测试子集之间零患者重叠。数据增强策略（包括水平翻转、±10°内轻微旋转及亮度调整）仅在数据划分后应用于训练集。提出的深度学习架构通过四阶段顺序流程运行：（1）定位与实例分割，YOLOv8s-seg识别种植体复合体；（2）像素级掩码生成， delineating种植体边界与周围骨小梁；（3）ROI提取，基于紧密边界坐标裁剪分离的种植体区域；（4）双任务分类，标准化ROI（224×224×3）输入下游卷积神经网络（CNN）骨干网络以同时分类品牌身份与临床暴露状态。多种CNN架构用于同时执行两项分类任务，包括ResNet50、EfficientNet-B3、MobileNet_v3、DenseNet121与ConvNeXt_v2。采用早停策略防止过拟合。所有候选分类架构在严格相同的实验条件与超参数方案下训练。通过64次探索性试验系统调整初始学习率、批量大小与轮数，确定最佳训练配置（初始学习率=0.0001，批量大小=16，轮数=60）。评估指标包括准确率、精确率、召回率（敏感度）、平均精度均值（mAP）、F1分数，并使用受试者工作特征曲线（ROC）评估置信区间（95% CI）。
研究结果：
3.1 种植体目标检测实验与结果：本小节评估并比较多种YOLO目标检测模型在自动牙种植体识别中的性能。所有模型均表现出快速收敛，性能指标在约40轮后趋于稳定。YOLOv8在早期训练阶段学习曲线上升最快且最平滑，而YOLOv12初期波动较大但最终收敛至与其他模型相当的性能水平。ROC曲线比较显示，YOLOv12达到最高AUC值98.2%，其次为YOLOv10（AUC 95.6%），YOLOv11与YOLOv8的AUC值分别为91.7%与93.3%。尽管YOLOv12在验证队列上AUC略高，但YOLOv8因整体精确率更优（99.39%）、严格IoU阈值下定位稳健（mAP50-95=80.05%）及在顺序实时流程中经证实的边缘部署稳定性而被采用为基础上游检测器。所有模型在测试集上mAP50均高于98.9%，展现出高度稳定的检测能力。YOLOv8在精确率与敏感度上均表现最佳，分别达99.39%与98.63%。YOLOv10精确率为99.13%但敏感度仅96.71%。YOLOv11在mAP50-95指标上表现最佳（81.10%）。YOLOv12整体性能相对较低。五折交叉验证确认YOLOv8达到最高95% CI [96.72%，99.92%]。
3.2 种植体品牌与状态分类实验与结果：本小节评估五种模型在两项分类任务上的性能。EfficientNet-B3取得最突出且稳健的表现，五折交叉验证准确率99.18 ± 0.85%，精确率99.25 ± 0.76%，敏感度99.10 ± 0.92%，F1分数99.17 ± 0.81%（准确率95% CI：[94.20%，100.00%]）。MobileNet_v3与ResNet50同样取得强劲结果，所有指标持续高于98.8%。ConvNeXt_v2敏感度略低（97.22 ± 1.20%），但F1分数仍高达97.77 ± 1.12%。所有模型均表现出快速收敛，ConvNeXt_v2收敛最快，约五轮内达到稳定性能。逐类评估确认框架在样本量差异下仍保持平衡准确率：Biomet 3i精确率99.41 ± 0.62%，召回率99.35 ± 0.71%，F1分数99.38 ± 0.54%；Dentsply Xive精确率98.72 ± 1.15%，召回率98.84 ± 1.08%，F1分数98.78 ± 0.92%。ConvNeXt_v2在测试集上的混淆矩阵显示58个正确分类与3个误分类实例（测试准确率95.08%）。
3.3 临床基准比较：本小节评估AI辅助框架与三名具有五年以上临床经验的牙科专家的比较。评估在标准化观看条件下独立盲法进行。三名评估者间评分者信度显示优异一致性，组内相关系数（ICC）为0.938。所提出的AI辅助框架平均置信度评分达99.72%，平均推理时间36.18 ms，而三名牙医每张根尖片平均需要8.79秒。243倍的评估时间缩减源自相对速度提升比计算。研究人员明确指出，原始算法推理延迟与人类临床阅读时长表征不同的操作过程，该数值比率严格用于突出计算效率而非综合椅旁咨询时间的绝对缩减。
讨论部分总结：种植体品牌与暴露状态在临床治疗中发挥关键作用，尤其在病历不可用或患者由其他机构转诊时。准确识别种植体类型对于后续修复程序与并发症管理至关重要。未能清晰识别三种常见种植体暴露状态可能损害临床医生确定适当治疗阶段与干预策略的能力。传统上，种植体品牌与状态的识别严重依赖临床医生经验与视觉评估。然而，图像质量差异、放射摄影角度不一致及种植体设计的细微相似性常导致解读错误，降低诊断准确性与一致性。本研究开发了基于深度学习的AI系统，从放射摄影图像自动识别种植体品牌并分类其暴露状态。大多数现有研究采用深度学习模型进行种植体品牌与暴露状态的半自动检测。考虑到收集足够大数据集用于训练的困难，多数工作采用更适合小规模数据集的CNN架构。Guo等使用600张根尖片与改良VGG16网络识别中国三种常用种植体品牌，准确率78.7%。Jang等在300张根尖片上训练Faster R-CNN进行韩国种植体品牌检测，精确率97.7%。Sa?d等应用GoogleNet分类法国六种常用种植体品牌，准确率93.8%。Kohlakala等采用全卷积网络分类82张包含四种种植体品牌的图像，准确率90.43%。Sukegawa等从日本1091张预分割种植体图像中分类13种种植体品牌，强调半自动方法的局限性。相比之下，本研究利用基于台湾桃园长庚纪念医院收集的根尖片的全自动框架分类种植体品牌与暴露状态。与Lin等对3i与Xive种植体的二分类（准确率94.5%）相比，本研究整合YOLOv8与EfficientNet-B3在六个组合类别中达到稳健的交叉验证准确率99.18 ± 0.85%。然而，跨研究直接比较需要适当免责声明：样本组成、类别粒度与评估方案的差异本质上限制了严格数值等价性。近期多中心研究已推进至更广泛种植体库的多分类评估。在此背景下，本框架验证了同时判定品牌与暴露状态的技术可行性作为基础概念验证。关于暴露状态分类，Lashaki等将VGG16特征与传统分类器结合在三分类任务中达到89.66%准确率与93.64%精确率。Park等报告即使未明确标注三种状态类别，分类准确率仍保持在88%。Sukegawa等将种植体状态分为三组同时使用CNN识别12种种植体品牌，四折交叉验证F1分数达93%。本研究统一框架在暴露状态与品牌识别两方面均取得更优准确性与稳健性。
研究结论翻译：本研究开发了一种集成YOLOv8与EfficientNet-B3的自动化人工智能辅助诊断框架，利用根尖片同时识别牙种植体品牌及其相应暴露状态。针对病历不完整的临床挑战，该两步系统在六个不同类别中展现出可靠的诊断性能。在检测阶段，YOLOv8达到99.39%精确率与98.63%敏感度。在后续分类中，EfficientNet-B3在五折交叉验证中达到99.18 ± 0.85%准确率（95% CI：[94.20%，100.00%]）。关键在于，初步评估表明与参与临床医生协同具有前景广阔的辅助诊断潜力，展现出快速算法执行能力，平均推理时间为每次评估36.18毫秒。最终，该框架提供了由稳健内部验证支持的可行情境概念验证；然而，在常规临床实施之前，严格的前瞻性临床评估与覆盖扩展种植体系统的多中心外部研究仍然必不可少。
