人工智能辅助诊断根尖片上的龋齿和牙周炎：一项临床验证研究

《BMC Medical Informatics and Decision Making》：Artificial intelligence-assisted diagnosis of dental caries and periodontitis on periapical radiographs: a clinical validation study

　　

摘要

背景

旨在评估一种人工智能（AI）辅助系统在利用根尖片检测龋齿和分期牙周炎方面的诊断性能，并评估其对不同临床经验水平临床医生诊断准确性的影响。

方法

本研究包括回顾性的AI模型开发与内部评估，使用2700张根尖片（含10,211颗标注牙齿），随后进行一项涉及54名患者的前瞻性单中心临床阅片研究。龋齿检测使用ConvNeXt-Tiny模型完成，而牙周炎分期则通过一个多阶段框架实现，该框架整合了You Only Look Once（YOLO）实例分割、YOLO语义分割、残差神经网络（ResNet）-50回归以及基于规则的后处理。模型性能通过准确率、灵敏度、特异度、精确率、召回率、F1分数和AUC进行评估。进一步比较有经验与经验较少的牙医在有无AI辅助下的诊断表现。

结果

AI辅助使经验较少临床医生的诊断准确率从67.9%提升至86.6%，而高级牙医则维持了相近的准确率（无AI辅助为94.0%，有AI辅助为94.1%）。ConvNeXt-Tiny模型实现了AUC 0.8828、准确率76.49%、召回率88.24%。在牙周炎分期方面，AI框架的总体准确率为61.3%，加权F1分数为61.3%，宏ROC-AUC为75.4%。III期牙周炎的召回率最高（79.6%），而I期和II期的召回率较低。

结论

所提出的AI辅助框架能够从根尖片中同时检测龋齿并自动分期牙周炎。AI显著提高了经验较少临床医生的诊断准确率，同时保持了经验丰富临床医生的高性能，支持其作为常规牙科实践中的临床决策支持系统的应用。

临床意义

该概念验证框架展示了AI在辅助临床医生评估根尖片上龋齿和影像学牙周骨丧失方面的潜力。然而，AI输出需要通过临床检查和专业判断进行确认，尤其是对于早期牙周骨丧失类别。