人工智能助力前磨牙畸形中央尖检测：开启口腔正畸精准诊断新时代

研究人员开发 BiStageNet 模型检测正畸口腔内照片中畸形中央尖（DE），结果良好，有望用于临床。

　　在口腔正畸的领域中，牙齿的健康状况对治疗效果有着至关重要的影响。畸形中央尖（Dens Evaginatus，DE）作为一种常见的牙齿发育异常，就像隐藏在牙齿中的 “小恶魔” ，常常在不经意间给患者带来诸多麻烦。它通常表现为从牙齿咬合面或腭面突出的额外牙尖，就像牙齿多长了一个 “小疙瘩”。这个小小的 “疙瘩” 可不容小觑，它不仅容易导致咬合干扰，还特别容易发生折断、磨损，进而引发牙髓暴露等问题，让患者承受疼痛的折磨，治疗过程也会变得复杂且预后不佳。而且，由于患者在早期往往没有明显症状，医生在忙碌的临床工作中很容易忽略它，尤其是在像中国这样患者众多、医生工作量大的情况下，误诊的风险更高。

此外，在正畸治疗中，前磨牙常常是拔牙的首选对象。而患有 DE 的前磨牙，更是需要优先考虑拔除，以避免影响正畸效果和口腔健康。但要准确识别出这些患有 DE 的前磨牙，对于医生来说并非易事。因此，开发一种高效、准确的检测方法迫在眉睫。

为了解决这一难题，四川大学华西口腔医院的研究人员展开了深入研究。他们致力于开发一种基于深度学习的模型，用于自动检测正畸口腔内照片中的 DE 前磨牙，并构建一个适用于正畸临床应用的 DE 检测平台。最终，他们的努力取得了丰硕成果，相关研究发表在《BMC Oral Health》杂志上。

在研究过程中，研究人员运用了多种关键技术方法。首先是数据收集，他们从四川大学华西口腔医院正畸科收集了大量的口腔内图像作为样本。接着，通过图像标注，由经验丰富的牙医对前磨牙位置和是否患有 DE 进行标注，为模型训练提供 “标准答案”。然后，他们创新性地提出了一种名为 BiStageNet 的两阶段深度学习模型，该模型结合了 VGG16 和 VGG-Lite 等卷积神经网络（Convolutional Neural Network，CNN）进行特征提取和分类预测。最后，利用 Dice 系数、准确率（Accuracy，ACC）、灵敏度（Sensitivity，SE）、特异性（Specificity，SP）等多种评估指标对模型性能进行全面评估。

研究结果主要从以下几个方面呈现：

• 前磨牙识别和 DE 检测结果：在测试集中，前磨牙识别和分割阶段的平均 Dice 系数达到 0.961，表明模型对前磨牙的识别效果极佳。经过第二阶段的 CNN 训练后，DE 检测的整体准确率达到 85.0%，灵敏度为 88.0%，特异性为 82.0%，阳性预测值和阴性预测值分别为 83.0% 和 87.2%，F1 评分达到 0.854，曲线下面积（Area Under Curve，AUC）为 0.930。通过 Grad-CAM 热图可视化发现，算法在自动检测过程中主要关注前磨牙咬合面的牙尖特征。
• DE 检测工具的测试：研究人员基于两阶段 CNN 算法和训练结果，成功构建了一个自动识别前磨牙和检测 DE 的应用工具。该工具操作简便，医生只需导入口腔内图像，调整自动生成的矩形框，就能快速获得 DE 检测结果。在与三名牙科实习生的对比分析中，该工具与实习生的诊断结果一致性较高，Kappa 值分别为 0.859、0.839 和 0.818。而且，在使用检测工具后，实习生诊断的特异性显著提高，同时灵敏度并未受到明显影响，这意味着该工具在临床应用中能够有效降低误诊率。

在研究结论和讨论部分，该研究具有多方面的重要意义。一方面，研究人员成功构建的 BiStageNet 模型，证明了深度学习方法能够在口腔内照片中实现高精度的前磨牙识别和 DE 检测。基于此模型开发的自动 DE 检测平台，对牙医和非专业人员都适用，且诊断结果良好。这不仅有助于提高 DE 的早期诊断率和诊断准确性，还能提升临床工作效率，对改善公众口腔健康状况具有积极作用。另一方面，虽然该研究存在一些局限性，如 DE 牙齿的诊断准确性有待进一步提高，模型关注范围还需优化等，但也为后续研究指明了方向。未来研究可以进一步拓展 DE 检测的牙齿类型，对 DE 进行更细致的分类，同时整合多种口腔疾病检测算法，形成更高效准确的临床诊断模式。

总之，这项研究为口腔正畸中 DE 的检测提供了新的思路和方法，是人工智能在口腔医学领域的一次成功应用，有望为广大患者带来更精准、更高效的口腔医疗服务。