基于深度学习的检测牙周红骨和裂缺陷在周周放射:一个可行性研究
Nicola Alberto Valente1, Lorenzo Maria Americo2, Fabrizio Ciancetta3
1Division of Periodontics, School of Dental Medicine, Department of Surgical Sciences, Faculty of Medicine, University of Cagliari, Cagliari, Italy; College of Dentistry, American University of Iraq Baghdad (AUIB), Baghdad, Iraq.
International dental journal
|January 16, 2026
概括
这项研究表明,人工智能 (AI) 可以在X射线上检测牙周缺陷,但准确性有限. 人工智能模型在牙周科中为一致的诊断和手术规划提供了潜力.
科学领域:
- 牙科 牙科是指牙科的专业.
- 牙周病学 牙周病学
- 放射学 放射学是一门学科.
- 人工智能的人工智能
- 医疗成像医学成像
背景情况:
- 准确检测和分类牙周骨缺陷对于牙周病的预后和手术规划至关重要.
- 传统的放射学方法在形态细节和解释一致性方面存在局限性.
- 人工智能 (AI) 在医疗图像分析方面表现有前途,但其应用于围牙X射线图上牙周缺陷分类的应用尚未得到充分探索.
研究的目的:
- 评估基于人工智能的物体检测模型的可行性,用于在周围放射图上对牙周骨缺陷进行分类.
- 评估YOLOv8物体检测模型在识别和分类不同类型牙周缺陷方面的性能.
主要方法:
- 追溯收集了7464张周围牙的X线图,其中581张含有牙周缺陷的注释图像.
- 缺陷被分为4种类型:一面墙,两面墙或多面墙,坑形和隙.
- 一个YOLOv8大物体检测模型被训练并使用患者独立的分割进行评估,其性能指标包括mAP,精度和回忆.
主要成果:
- 人工智能模型实现了0.592的整体精度和0.435的回忆 (mAP@0.5:0.504).
- 裂纹干扰显示了最高的检测率,而一壁缺陷是最具挑战性的.
- 较小或模两可的缺陷更频繁地被忽视,表明当前AI性能存在局限性.
结论:
- 人工智能辅助的物体检测是可行的,用于分类在X光片上的牙周缺陷,但目前具有有限的性能.
- 数据集不平衡和2D成像限制影响模型准确性.
- 尽管存在局限性,但人工智能模型有可能提高诊断一致性,并支持牙周科的治疗规划.
