深度学习平台的可用性,用于检测放射性骨损失和裂纹干扰
Chun-Teh Lee1, Tanjida Kabir2, Alaa Alsaffar1,3
1Department of Periodontics and Dental Hygiene, The University of Texas Health Science Center at Houston School of Dentistry, Houston, Texas, USA.
Journal of periodontology
|March 9, 2026
概括
一个新的深度学习平台从牙科X射线准确评估放射性骨损失和牙周病的阶段. 临床医生发现人工智能工具非常可用,这表明它作为辅助诊断辅助工具的潜力.
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
- 牙周诊断 牙周诊断 牙周诊断
背景情况:
- 精确评估放射性骨状况对于牙周病诊断至关重要.
- 放射性解释的准确性在很大程度上取决于临床医生的经验.
- 需要标准化,可靠的AI驱动的放射性骨评估工具.
研究的目的:
- 开发一个基于深度学习的在线平台,用于使用周围牙 X射线图来诊断牙周炎.
- 评估开发平台的诊断性能和可用性.
- 评估平台作为临床医生辅助诊断工具的潜力.
主要方法:
- 开发了一个端到端的深度学习平台,以测量放射性骨损失 (RBL),识别裂参与,并建议牙周诊断.
- 评估了100个临床病例的平台性能,使用6,552张口内放射图像.
- 通过一项由牙科学生,住院医生和牙医完成的调查 (系统可用性量表) 来评估平台的可用性.
主要成果:
- 该平台在诊断牙周炎的程度 (0.86),阶段 (0.87) 和等级 (0.97) 方面表现出高准确性.
- 平均系统可用性尺度得分为79.13 (学生),74.13 (居民) 和80.75 (牙医),表明不同组的可用性很好 (p=0.333).
- 该平台成功确定了662个垂直骨损失的部位和864个裂参与缺陷.
结论:
- 开发的深度学习平台可靠地评估放射性骨状况,并提供准确的牙周诊断.
- 该平台受到牙科专业人员的高度认可,证明了良好的可用性.
- 这种人工智能驱动的工具显示出作为改善牙周病诊断和治疗规划的有价值辅助工具的潜力.


