《Diagnostics》：Automated Detection and Ordinal Severity Grading of Periapical Lesions on Panoramic Radiographs Using a Lesion-Preserving Tiling and Ordinal-Aware YOLO Framework
编辑推荐：
背景与目的：根尖周炎是口腔最常见疾病之一，其影像学严重度在全景片（panoramic radiograph）上按序贯根尖指数（periapical index, PAI 3<4<5）分级。现有计算机辅助系统常将各等级视为独立类别，并将影像下采样至固
背景与目的：根尖周炎是口腔最常见疾病之一，其影像学严重度在全景片（panoramic radiograph）上按序贯根尖指数（periapical index, PAI 3<4<5）分级。现有计算机辅助系统常将各等级视为独立类别，并将影像下采样至固定输入，抹去定义早期病变的小周缘透射区。本研究评估一种病变保留、序贯感知的YOLO框架用于根尖周病变同步检测与严重度分级。方法：共3924张专家标注全景片（PAI 3/4/5）经自适应病变保留切片算法映射至原生分辨率640×640切片，使每处病变完整落入唯一切片，得4641张切片。六种连续YOLO代次（YOLOv8、YOLOv9、YOLOv10、YOLO11、YOLO12、YOLO26）在同一流水线锁定留出测试集（985处病变：628处PAI 3、274处PAI 4、83处PAI 5）基准比对。YOLO12m点估计最高且运行间波动最小，随后逐步加入序贯感知检测损失、高分辨率P2检测头、严重度类别加权与测试时增强。定位用COCO mAP衡量，分级用严重度加权平均精度（severity-weighted average precision, Sev-wAP）、二次加权kappa（quadratic weighted kappa, QWK）、灾难性跨两级的错误率与各级别召回率衡量。结果：病变保留切片提升各代次检测，YOLO12m的mAP@0.50由0.494升至0.615（六代最高点估计）。累计加入序贯损失、P2头、严重度加权与测试时增强后，mAP@0.50达0.664，mAP@0.50:0.95达0.333，Sev-wAP达0.704，QWK达0.780；PAI 5平均精度由0.268升至0.331，PAI 5召回率由0.602升至0.663（83例中55例），轻度与重度间灾难性混淆为0.41%（985例参考中4例）。结论：病变保留切片与序贯严重度感知检测相结合，以可分辨幅度改善定位与严重度加权精度，令各重度指标朝临床偏好方向偏移，并为该任务上检测器架构比较提供可复现参考协议。
研究背景与问题提出
根尖周炎（apical periodontitis）由根管系统微生物感染引发，呈进行性周缘骨破坏，全景片（panoramic radiograph）上表现为周缘透射区扩大。临床采用五点序贯根尖指数（periapical index, PAI）分级，常规筛查关注PAI 3（骨结构改变伴矿物丢失）、PAI 4（界限清楚透射区）、PAI 5（重度破坏）。PAI等级具序数性（ordinal）而非名义性（nominal），跨两级误判（如PAI 3判为PAI 5）临床代价远高于相邻级误判。现有深度学习系统多将等级当作独立类，且将全景片下采样至固定尺寸（如640×640），使中位边长约60像素的早期透射区缩至约16像素，95.7%病变低于COCO小目标阈值（32×32），导致早期病变丢失。同时已有研究多在单中心、单设备、已筛选含病变片上做单模型评估，缺乏同协议跨YOLO代次比对，且序数结构未进入训练目标。该研究即在此背景下，构建病变保留切片与序数严重度感知YOLO框架，在《Diagnostics》报道。
主要技术方法概括
研究人员使用2016年1月至2021年3月河内医科大学附属牙科中心单台Sirona Orthophos XG采集的公开数据集，剔除增强副本后保留3924张含至少一处病变的全景片（共6741处病变，PAI 3占63.45%、PAI 5占10.52%），按片级划分训练3195片/验证780片/测试666片（测试985处病变）。核心方法含四件：①自适应病变保留切片算法，按病变原生坐标贪心分组，输出原生分辨率640×640切片且每病变仅落一切片；②同流水线基准六种YOLO中等规模代次（v8–v26），选YOLO12m为骨干；③序数感知分类损失，以平滑矩阵M将单热点标签各移α=0.05质量至相邻级；④加P2（stride 4, 160×160）检测头、严重度权重（PAI3/4/5为0.8/1.0/2.0）与测试时增强（原图、水平翻转0.83尺度、0.67尺度三视图非极大抑制合并）。评估用COCO mAP、Sev-wAP、QWK、灾难性错误率及逐级召回，区间由按片重采样的簇bootstrap（2000次）给出。
研究结果（按原文小节）
3.1 病变保留切片效应：六代YOLO在切片上mAP@0.50均提升0.039–0.121（均0.077），YOLO12m由0.494升至0.615，五换代次提升可信（YOLOv10m边界不显著），证明增益来自表示层而非骨干。
3.2 跨代次基准：YOLO12m点估计最高（mAP@0.50 0.615，PAI5召回0.602），但与YOLO11m、YOLO26m定位差未超分辨率；YOLO12m胜出依据为严重度加权精度与PAI5召回最高且运行间波动最小（range 0.012），故选为骨干。
3.3 累计消融：自切片YOLO12m基线起，加序数损失使Sev-wAP 0.667→0.691（灾难性4/985），加P2头升mAP@0.50:0.95至0.298，加严重度加权使PAI5召回0.542→0.614（灾难性回至4例），加测试时增强终值mAP@0.50 0.664、Sev-wAP 0.704、QWK 0.780、PAI5召回0.663（55/83），灾难性0.41%（4/985）。α=0.05优于0.10，权重软于逆频。
3.4 训练动态：六代验证mAP轨迹相似但停epoch不同；终模分类损失隙0.035最小，P2头未过拟合，验证mAP最高检查点当选。
3.5 逐级与严重度分析：终模PAI3/4/5 AP分别为0.323/0.346/0.331（基线后升13%、24%、24%），PAI5不再最难；混淆矩阵显示PAI5正确50→55，跨两端灾难性6→4且均为重度判轻；QWK 0.758→0.780，严重度MAE 0.184→0.169。
3.6 定性结果：置信0.30下留出片所有病变检出且分级正确无伪框；失败分析示终模漏173/985、伪检497、错级132，相对基线引入30处回退与40处新漏（含5处PAI5）。
3.7 无标签推理：密铺窗口（stride 320）整片推理mAP@0.50 0.5125、QWK 0.7654，较下采样全图基线（0.4937）定位不劣、分级更优但Sev-wAP略低（伪检多）；原仅病变片训练的模型在密扫中37.5%伪检出自无病变窗，补无病变片训练后降至9.6%，但注释片任务上稍弱，证明病变保留切片方案在部署时需补背景窗。
3.8 阅片者研究：三位牙髓医师在249例分层样本（含全部83例PAI5）上QWK 0.525–0.704，两两QWK 0.312–0.648，跨两级分歧1.61%–17.27%；模型同批QWK 0.766、完全一致73.0%，优于或部分媲美人类。
讨论与结论翻译
讨论指出：性能估计存在谱偏倚（仅共识明确病变），单中心单设备限制泛化；PAI5仅83例使该级区间±0.10；序数损失与严重度加权仅在分类项作用，不改回归；无标签推理暴露病变保留切片“未见纯背景”的盲区，是该类方案通用教训。结论原文意译：将病变保留切片与序数严重度感知检测耦合，以可分辨幅度改善定位与严重度加权精度，令每一重度指标朝临床偏好方向偏移，并为该任务上检测器架构比较提供可复现参考协议。
