基于改进的生成对抗网络的牙科图像分析与手术决策支持

《BMC Oral Health》：Dental image analysis and surgical decision support using modified generative adversarial networks

　　

摘要

背景

由于多模态特征整合不足，以及无法将临床领域文献和循证原则纳入分析平台，牙科护理与风险评估中仍存在诸多问题。基于深度学习的诊断方法能够对来自不同来源的复杂病例进行深入分析，因此需要通过创新组件将其整合到单一系统中，以实现适当的结构调整。

方法

本文提出了一种改进的生成对抗网络（mGAN），包含三项关键创新：（1）我们设计了一种新的W-Net架构，该架构结合了U-Net和V-Net，形成了双路径编码与跳跃门解码机制，能够针对复杂的牙科解剖结构实现多尺度特征分析。（2）大型语言模型（LLM）可基于下颌骨解剖结构和常见牙科病理学的领域知识，对经过处理的特征进行条件化处理，并将其直接引入深度学习流程，从而实现超越单纯数据驱动模式识别的复杂医疗场景分析。（3）概率特征融合（PFF）是一种用于自适应多模态特征整合的新机制，能够根据局部图像内容和LLM提供的临床信息动态调整不同信息源的权重。PFF在统一的分析框架内整合多模态特征，从而在生成表示下颌第三磨牙根与下颌窦管接触点的概率真实值地图时，保持结果的可解释性和临床相关性。

结果

所提出的mGAN框架在牙科临床评估中的根面面积准确率为95.7%，在解剖结构分割中的Dice相似性系数为0.925。在判断手术必要性方面，该系统的敏感度为91.8%，特异性为96.7%，与专家意见相符。消融实验表明，与基础GAN模型相比，结合LLM的知识整合使风险相关性提升了6.4%，而概率特征融合则使敏感度再提升1.9%。与最接近的基准模型（TSTNet）相比，各项改进指标均相似，且核心指标的95%置信区间没有重叠。每例病例的处理时间为2–2.2分钟，足以应用于临床工作流程。我们使用1500份由专家标注的CBCT扫描图像对该方法进行了测试。

结论

所提出的mGAN架构能够将领域专业知识与深度学习相结合，用于牙科手术规划。该方法可通过提供对不确定性敏感的预测结果并保持较高的计算效率，为口腔外科的临床决策提供支持，有望减少医源性并发症并提升治疗效果。