PanMB2-Net：一种用于全景X光片术前MB2牙根管风险评估的深度学习框架

《BMC Oral Health》：PanMB2-Net: a deep learning framework for preoperative MB2 canal risk assessment on panoramic radiographs

　　

摘要

研究目的

本研究旨在利用全景X光片，开发并验证一种基于临床需求的人工智能框架，用于评估上颌第一磨牙第二近中颊侧根管（MB2）的术前风险。

材料与方法

共收集了388张全景X光片用于回顾性分析。第一阶段使用YOLOv5定位上颌第一磨牙，并截取感兴趣的牙齿区域图像。第二阶段应用基于全景图像的MB2预测网络（PanMB2-Net，即包含灰度引导注意力机制、感受野模块、对比度正则化以及Sobel边缘损失的ResNet50模型）来进行MB2根管的分类。数据按80/20的比例进行划分，用于训练和验证。检测性能通过定位精度来评估，而分类性能则通过准确率、精确度、召回率和F1值来衡量。此外还通过消融实验和类别激活热图来进行验证与可视化分析。

研究结果

PanMB2-Net的验证准确率为72.9%，高于该平衡数据集50%的统计基准值。在MB2根管预测方面，其精确度、召回率和F1值分别为0.687、0.673和0.679。对比实验表明，该模型的性能优于常见的卷积神经网络和Transformer基模型；消融实验则证实了灰度引导注意力机制、多尺度增强处理以及辅助正则化损失机制之间的协同作用。

结论

PanMB2-Net是一种适用于基于全景X光片进行MB2根管风险评估的实用工具。虽然它无法替代CBCT，但可以通过识别需要重点关注的病例，为术前决策提供帮助，且无需额外的辐射暴露或检查成本。

临床意义

PanMB2-Net能够在牙髓治疗前，通过常规全景X光片对MB2根管的风险进行评估，从而确定哪些牙齿需要进一步检查或采用CBCT检查，进而帮助医生在无需额外辐射照射和成本的情况下做出更合理的决策。它是对医生判断力和CBCT检查的补充，而非替代品。