《Journal of Imaging Informatics in Medicine》：Panognostics-Plus: An Integrated Multi-Task AI Framework for Automated Panoramic Radiograph Interpretation with Dental Charting and Structured Reporting—Development and Technical Validation Study
编辑推荐：
全景X线片（panoramic radiograph）的牙位图绘制（dental charting）对临床评估至关重要，但仍耗时较长。本研究提出Panognostics-Plus，一种基于云的自动化AI框架，用于全景X线片分析，整合牙位图绘制与结构化放射学报告
全景X线片（panoramic radiograph）的牙位图绘制（dental charting）对临床评估至关重要，但仍耗时较长。本研究提出Panognostics-Plus，一种基于云的自动化AI框架，用于全景X线片分析，整合牙位图绘制与结构化放射学报告。Panognostics-Plus基于1,595张全景X线片的回顾性数据集开发，采用基于YOLO的架构，包含牙解剖结构、牙科治疗和根尖周诊断模块。解剖结构和牙科治疗采用两阶段流程分析，根尖周病变采用检测与分类方式分析。对YOLOv8m、YOLOv9m、YOLO11m和YOLO26m进行了基准测试。检测通过精确率（precision）、敏感度（sensitivity）、F1分数（F1-score）、平均精度（AP）和平均精度均值（mAP）评估；分割通过交并比（IoU）和Dice系数评估；并评估处理时间。模型差异采用Friedman检验及Holm校正的Wilcoxon符号秩事后比较评估。YOLO26m取得最高总体性能。mAP0@50:0.95增幅最大者包括牙冠（+21.3%）、根端囊肿（+20.5%）、根管治疗（+17.3%）、固定桥（+14.3%）、牙周骨水平（+14.3%）和根尖周肉芽肿（+13.5%）。牙种植体精确率、敏感度和F1分数分别为0.99、0.98和0.98。根端囊肿精确率、敏感度和F1分数为0.95、0.93和0.94，根尖周肉芽肿为0.92、0.90和0.91。10项检测任务中有8项及所有分割任务均观察到显著差异（均p < 0.001）；牙周骨水平（p = 0.193）和牙充填（p = 0.073）无统计学显著性。牙解剖结构和牙科治疗的Dice系数分别达0.97和0.96。该工作流程每张X线片生成分割叠加图、牙位图和结构化放射学报告耗时15 ± 1.4 s。Panognostics-Plus可能改善全景X线片分析和临床效率，但仍需进一步验证。
**研究背景**：牙位图绘制是日常口腔诊疗的重要组成部分，指以标准化图形或数字方式系统记录患者口腔健康状况，涵盖每颗牙的存在、状况和治疗状态，包括修复体、龋齿、牙种植体、牙周状况等。临床实践中，牙位图绘制常通过临床检查结合全景X线片手动完成。然而，手动绘制耗时且需要放射学专业知识才能准确解读，加之全景X线片分辨率低、几何畸变和解剖结构重叠等问题，使缺乏颌面放射学专科训练的全科牙医面临较大挑战，可能导致诊断延迟、临床工作量增加和治疗方案不一致。近年来，人工智能尤其是深度学习在自动化牙位图绘制方面展现出较强潜力，可实现对牙齿、牙科治疗与修复体及根尖周病变的自动检测和分割。但多数AI系统主要着眼于优化检测和分割性能，以独立算法形式实现，需要预处理和技术专业知识，向完全集成的临床系统转化仍然有限。与此同时，已有若干商用解决方案面世，但通常基于大型专有数据集训练，模型架构、训练过程和验证策略披露有限，透明度、可重复性和独立科学评估受到制约。研究团队此前提出了Panognostics框架，实现了牙齿、牙槽骨嵴和上颌窦的检测与分割并转化为交互式牙位图和结构化放射学报告，但该框架仅限于解剖结构分析，限制了自动化全景X线片解读的范围。为此，本研究提出Panognostics-Plus，将修复性发现的检测与分割以及根尖周病变的检测与分类整合至统一的端到端工作流程中，并对当代YOLO模型家族进行跨检测、分割和根尖周诊断任务的比较基准测试，将性能最优的模型集成至基于云、兼容平板设备的应用程序中。
**主要关键技术方法**：研究采用比利时鲁汶大学医院口腔颌面外科常规诊疗中获取的1,595张全景X线片（平均年龄44.2 ± 17.4岁，范围11–89岁；女性55.2%，男性44.8%），使用四套成像系统采集。纳入标准要求X线片诊断质量足以标注牙解剖、治疗和诊断发现；排除严重运动伪影、体位不当、图像失真、质量低下等。根尖周病变数据集取自既往发表研究，仅含孤立性下颌根端囊肿和根尖周肉芽肿。解剖结构和牙科治疗在全景X线片上创建手动多边形标注，由经验丰富的牙医标注、颌面放射科医师审核；边界框用于训练检测网络，并提取感兴趣区（ROI）图像及裁剪多边形标注用于训练分割网络。各任务数据集约80%用于模型开发、20%作为独立测试集，分割在X线片层面划分以防止数据泄漏。采用五折交叉验证（最多500轮），使用Ultralytics YOLO框架内置数据增强。系统采用分层两阶段流程：第一阶段检测网络定位目标结构，第二阶段分割网络对ROI进行像素级 delineation；输出进入临床推理模块和牙位映射模块（基于FDI编号系统）。应用以Streamlit开发、Docker容器化并部署于Google Cloud Run。检测评估采用精确率、敏感度、F1分数、AP、mAP@0.50和mAP@0.50:0.95（真阳性判定要求IoU ≥ 0.80），分割评估采用mIoU和Dice系数，统计比较采用Friedman检验及Holm校正Wilcoxon符号秩事后检验。
**研究结果**：
- **检测与分割性能**：YOLO26m在多数任务中取得最高性能估计值。解剖结构中牙齿和牙周骨水平mAP@0.50最高（0.97），牙周骨水平mAP@0.50:0.95最高（0.96）。牙科治疗中牙种植体检测性能最高（精确率0.99、敏感度0.98、F1分数0.98），固定桥和牙冠F1分数分别为0.96和0.95，根管治疗F1分数最低（0.92）。根尖周病变检测中根端囊肿F1分数略高于根尖周肉芽肿[0.94（95% CI，0.76–0.99）vs 0.91（95% CI，0.69–0.98）]，但置信区间较宽且大幅重叠。分割方面，YOLO26m在所有评估类别中均取得最高性能；牙齿mIoU为0.95 ± 0.08、Dice为0.97 ± 0.07，牙周骨水平和上颌窦底Dice均达0.97，固定桥和牙冠Dice均为0.96，牙种植体和充填为0.95，根管治疗最具挑战性但mIoU仍达0.92 ± 0.06、Dice为0.94 ± 0.04。
- **模型比较基准测试**：从YOLOv8m到YOLO26m整体性能逐步提升。检测方面，解剖结构中牙周骨水平mAP@0.50:0.95增幅最大（+14.3%），牙齿次之（+9.3%）；牙科治疗中牙冠增幅最大（+21.3%），根管治疗（+17.3%）、固定桥（+14.3%）和牙充填（+12.8%）次之；根端囊肿和根尖周肉芽肿mAP@0.50:0.95分别增加20.5%和13.5%。分割方面，牙齿mIoU增加14.5%，牙周骨水平和上颌窦底分别提高10.7%和8.0%，牙冠、充填、固定桥和牙种植体mIoU增幅为10.8%–13.4%。
- **统计学分析**：检测任务中，Friedman检验对牙齿、上颌窦底、牙种植体、牙冠、固定桥、根管治疗、根端囊肿和根尖周肉芽肿均显著（p < 0.001至p = 0.003），而牙周骨水平（p = 0.193）和牙充填（p = 0.073）无显著差异。事后比较显示显著差异主要见于早期与新一代YOLO之间。分割任务中，Friedman检验对所有评估特征均显著（均p < 0.001），事后比较所有配对模型间差异均有统计学意义（校正p < 0.001，固定桥YOLOv8m与YOLOv9m比较校正p = 0.014）。
- **系统级评估**：性能最优的YOLO26m模型集成至基于云的Panognostics-Plus应用。代表性输出展示了整合检测、分割、临床推理和牙位映射的自动化全景X线片解读，可生成结构化牙位图和放射学报告，识别并定位缺失牙、牙种植体、牙冠、固定桥、桥体、牙充填、根管治疗和根端囊肿，并分析上颌后牙与上颌窦底的关系。系统平均端到端处理时间为每张全景X线片15 ± 1.4 s。
**讨论与结论**：本研究提出Panognostics-Plus，为基线Panognostics框架的概念验证扩展，是一种全自动AI驱动系统，通过牙位图绘制和结构化放射学报告支持全景X线片解读。其主要贡献不在于单个检测或分割模型的增量改进，而在于将多个互补分析任务整合至统一的端到端工作流程。研究关键发现是Panognostics-Plus可在每张X线片约15 s内将全景放射学信息转化为结构化、临床可解读的格式。自动牙齿识别有助于快速定位，尤其适用于缺牙或复杂牙列患者；牙槽骨嵴可视化支持定性评估和纵向监测；上颌后牙与上颌窦底关系的自动评估可辅助种植规划、拔牙和上颌窦提升评估；结构化报告模块可减少报告变异性并改善沟通。牙周骨水平分割模块有意聚焦正常牙槽骨嵴而非牙周骨丧失，以在扩展至病理状况前建立可靠解剖参照。框架部署于Docker云环境，模块化架构便于未来扩展。牙科治疗的自动检测与分割使牙位图绘制超越解剖分析。根尖周病变的自动检测与分类有助于放射学解读和临床决策，尽管明确鉴别需组织病理学检查。但根尖周诊断分支性能需谨慎解读，因根端囊肿和根尖周肉芽肿独立测试集分别仅含16和14张X线片，置信区间较宽。该分支有意设计为检测与分类而非分割，因全景X线片上的轮廓仅代表二维投影，可能无法准确反映真实三维范围。与既往研究相比，Panognostics-Plus以统一YOLO26框架取得相当或更优的检测和分割性能。局限性包括：未进行多中心外部验证；根尖周病变测试集较小且限于孤立性下颌病变；框架仅检测预定义发现集；完整工作流程（牙位映射、自动牙位图绘制和结构化报告）未在患者层面独立验证；系统为临床决策支持工具而非专家解读的替代。结论：Panognostics-Plus呈现了一个统一的基于云AI框架，通过将牙解剖结构和修复性发现的检测与分割、根尖周病变的检测与分类、临床推理、牙位图绘制及结构化放射学报告生成整合至单一工作流程，实现自动化全景X线片分析。与聚焦解剖的Panognostics框架相比，其关键技术进展为模块化、分层多任务架构，将图像分析、诊断分类和结构化输出生成整合于统一系统。该框架证明了整合这些任务的技术可行性，支持标准化牙科文档和增强放射学解读。这些发现凸显了Panognostics-Plus作为临床决策支持工具改善牙科实践工作流程效率和诊断一致性的潜力。然而，在常规临床实施前，尚需使用更大规模、独立的多中心数据集和更广泛临床场景进行进一步验证。
