深度学习AI模型在全景X光片牙石检测中的性能比较与YOLO-GNN混合模型优化研究

《Scientific Reports》：Comparative deep learning analysis of pulp stone detection in restored and healthy teeth on panoramic radiographs

　　

摘要

本研究的目的是比较评估基于深度学习的人工智能（AI）模型在检测修复牙和健康牙中的牙石（PS）方面的性能，这些模型是通过全景X光片训练的。本研究使用了2022年1月至2025年6月间获取的1,119张包含PS的全景X光片。使用LabelMe软件对全景X光片中的PS进行了标注。数据集中总共包含了4,230个PS标签。根据牙齿状况，这些标签被分为两组：健康牙（n?=?3345）和修复牙（n?=?885）。为了进行基线性能比较，使用了YOLOv8和YOLO11深度学习架构。此外，开发了一种YOLO–GNN混合模型，以减少在修复牙中观察到的性能损失。使用mAP??和mAP??–??指标在测试数据集上评估了模型性能。根据结果，在所有模型中，健康牙的PS检测性能始终高于修复牙。在所有评估的YOLO11变体中，健康类别的基线mAP??值范围为79.1%至81.5%，而修复类别的性能范围为67.6%至73.1%。经过YOLO-GNN混合训练后，所有三种架构的修复类别mAP??均有提升。在YOLO11l中观察到最大的提升，从67.6%增加到72.0%（+?4.4 pp），而YOLO11m达到了最高的绝对修复类别mAP??值76.3%，从73.1%增加（+?3.2 pp）。与原始基线相比，在最终的YOLO-GNN配置中，健康类别的性能得到保持或改善。这些提升反映了分辨率提高、微调策略和GNN集成的累积效应。消融研究证实，GNN模块在修复类别mAP??中的独立贡献范围为+?1.1至+?1.8 pp，在YOLO11m（p?=?0.001）和YOLO11l（p?<?0.001）中观察到具有统计学意义的病变水平差异。本研究证明，基于深度学习的AI模型在检测全景X光片中的PS方面具有能力和前景。健康牙的检测性能高于修复牙。YOLO11的表现优于YOLOv8，基于GNN的混合模型改善了修复牙的检测性能。需要进一步的多中心研究和更大的数据集以提高临床普适性。