基于ACO优化的MobileNetV2-ShuffleNet混合模型在龋齿自动分类中的创新应用

《Scientific Reports》：ACO-optimized MobileNetV2-ShuffleNet hybrid model for automated dental caries classification

本研究针对口腔X光影像中龋齿诊断存在的类别不平衡和细微解剖结构差异识别难题，提出了一种结合蚁群优化算法（ACO）的混合深度学习模型。通过聚类技术平衡数据集分布，采用Sobel-Feldman边缘检测强化特征提取，构建MobileNetV2与ShuffleNet的混合架构，最终实现92.67%的分类准确率，为低功耗设备上的自动化牙科诊断提供了可靠解决方案。

　　

当甜食与细菌在口腔中相遇，一场悄无声息的"牙齿战争"就此打响。统计显示，超过90%的20岁以上人群至少经历过一次龋齿困扰。传统的牙科诊断依赖医生手动探查，不仅过程繁琐，还让患者备受不适。尽管X光影像能揭示隐藏的龋损，但人工判读需要丰富的专业经验，且易受主观因素影响。更棘手的是，龋齿在影像中往往表现为细微的解剖结构变化，加之医疗数据固有的类别不平衡问题，使得自动化诊断系统面临严峻挑战。

针对这一难题，印度 Siddartha 高等教育学院的研究团队在《Scientific Reports》上发表了创新研究成果。他们巧妙地将生物启发算法与轻量级深度学习模型相结合，开发出一套精准高效的龋齿自动分类系统。该研究通过聚类技术重构数据集分布，利用Sobel-Feldman算子增强边缘特征，构建MobileNetV2与ShuffleNet的混合架构，并引入蚁群优化算法（ACO）进行超参数调优，最终实现了92.67%的分类准确率，显著优于单一模型表现。

关键技术方法包括：基于K-means聚类的数据平衡处理（从9931张非龋齿影像中筛选3069张）、Sobel-Feldman边缘检测预处理、MobileNetV2与ShuffleNet的混合特征提取架构（包含深度可分离卷积和通道混洗技术），以及ACO算法（设置10只蚂蚁和10次迭代）的超参数优化。实验使用6138张全景X射线影像（含3069张龋齿影像），按7:2:1比例划分训练集、验证集和测试集。

性能分析

MobileNetV2模型准确率达76.6%，但存在94例假阳性；ShuffleNet模型准确率提升至82.9%，但对龋齿样本的识别能力有限（75例假阴性）。

混合模型优化

融合双网络特征的混合模型将准确率提升至83.55%，AUC（曲线下面积）达0.909。通过五折交叉验证显示各折叠准确率均高于86%，证明模型稳定性。

ACO增强效果

引入ACO算法后，模型获得最优超参数组合（学习率0.00455，动量0.830，批量大小50），准确率跃升至92.67%，精确度达93.67%，AUC提升至0.9679。Grad-CAM热力图可视化证实模型能精准聚焦龋损区域。

研究结果表明，ACO优化的混合模型有效解决了牙科影像中类间差异微弱和样本不平衡的难题。MobileNetV2的深度可分离卷积与ShuffleNet的通道混洗机制形成互补，而ACO的全局搜索能力显著提升特征选择效率。相较于传统方法（如U-Net的64.14% F1-score），该模型在保持轻量化的同时实现性能突破，为移动端牙科辅助诊断奠定基础。未来研究可拓展至龋损严重程度分级和多模态影像分析，进一步推动AI在口腔医学领域的临床转化。