基于CBCT全景重建图像的深度学习方法在区分手术定义的囊性及肿瘤性颌骨病变与骨髓炎中的应用：一项单中心回顾性研究

《Scientific Reports》：Application of a deep learning method based on CBCT panoramic reconstruction images for differentiating operationally defined cystic and neoplastic jaw lesions from osteomyelitis: a single-center retrospective study

　　

摘要

这项单中心回顾性研究基于锥形束计算机断层扫描（CBCT）的全景重建图像，开发并内部验证了一种二维深度学习模型，用于初步区分手术定义的囊性及肿瘤性颌骨病变与颌骨骨髓炎。研究共纳入400名患者，其中200名患有颌骨肿块病变，200名患有颌骨骨髓炎。颌骨肿块病变组包括囊性、良性肿瘤性和恶性肿瘤性病变，作为单一阳性类别进行初步筛查，而非按病变亚型分类。在本研究中，“颌骨肿块病变”这一术语是用于指代在CBCT全景重建图像上表现为具有临床意义的膨胀性、破坏性或肿块状骨异常的颌骨病变，这一术语并不意味所有纳入的病变都是肿瘤或软组织肿块；尤其是牙源性角化囊瘤被归类为囊性病变。图像在患者层面以70:10:20的比例随机分为训练集、验证集和独立测试集。研究以ResNet-50作为基线模型，并在相同的评估标准下将其与EfficientNet-B4、Swin Transformer和ConvNeXt-Tiny进行了比较。模型性能通过接收者操作特征曲线下面积（AUC）、精确度-召回率曲线下面积（AUPRC）、准确率、灵敏度、特异性、精确度和F1分数来评估。采用梯度加权类激活映射（Grad-CAM）进行事后可视化分析，同时还开展了一项探索性阅读研究，以初步评估人工智能辅助对图像解读的潜在影响。在独立测试集中，ResNet-50的AUC值为0.9781，AUPRC值为0.9714。该模型旨在作为初步筛查和分诊辅助工具，而非替代增强型MDCT、磁共振成像（MRI）、组织病理学检查或多学科评估。