一个新的AI驱动的放射分析超越了II-IV期牙周炎检测的专家:一个多中心诊断研究
Yuan Li1,2,3,4, Zhiming Cui5, Lanzhuju Mei5
1Shanghai PerioImplant Innovation Center, Institute for Oral, Craniofacial and Sensory Research, Ninth People's Hospital, Shanghai Jiao Tong University School of Medicine, Shanghai, China.
NPJ digital medicine
|November 18, 2025
概括
HC-Net+是一种人工智能牙科放射系统,通过分析骨干影像 (OPG) 准确检测牙周炎. 这种深度学习模型超越了人类专家,改善了早期诊断,使专家级的牙科护理更容易获得.
科学领域:
- 人工智能在牙科中的应用
- 对于医学成像的深度学习
- 牙周病的诊断 牙周病的诊断
背景情况:
- 错误诊断牙周炎是一个重大的临床挑战.
- 现有的牙科放射学AI系统缺乏与临床标准和广泛的上下文理解的整合.
- 骨造影图 (OPG) 是广泛使用的牙科放射图,具有检测牙周炎的潜力.
研究的目的:
- 引入和评估HC-Net+,一个新的深度学习模型,用于从OPG中增强牙周炎检测.
- 与牙周病专家相比,评估HC-Net+的诊断准确性.
- 确定系统在不同经验水平和国际临床环境中的有效性.
主要方法:
- 开发HC-Net+,一个深度学习模型,将局部牙损伤分析与OPG的上下文理解相结合.
- 在10881个与临床诊断相关的OPG上进行HC-Net+预培训和微调.
- 从四个国际中心使用382个临床标记的OPG (10,198颗牙) 和760个放射标记的OPG进行双重基准测试.
主要成果:
- 与牙周病专家 (85.6%,p < 0.01) 相比,HC-Net+显示出更高的诊断准确性 (AUROC: 94.2%).
- 人工智能系统显著改善了所有培训和经验水平的早期牙周炎检测.
- 在多中心评估中观察到一致的高性能 (>92.4%准确度).
结论:
- HC-Net+代表了精密牙科的变革性工具,在牙周炎检测方面超过了专家诊断的准确性.
- 人工智能模型增强了早期牙周炎检测,并使所有级别的牙医更容易获得专家诊断能力.
- 这种人工智能系统有望提高牙周病诊断的可靠性和可访问性.
