深度学习助力咬翼片影像检测邻面龋齿：YOLOv8 表现卓越

研究人员利用深度学习模型分析咬翼片影像检测邻面龋齿，发现 YOLOv8 比其他模型更有效。

　　摘要：本研究旨在全面回顾基于咬翼片（bitewing radiographs）检测邻面龋齿（interproximal caries）的深度卷积神经网络（Deep Convolutional Neural Networks，DCNN）。研究数据来自利用 DCNN 分析口腔内 X 射线设备拍摄咬翼片的相关研究。研究人员在谷歌学术（Google Scholar）、MDPI、PubMed、ResearchGate、ScienceDirect 和 IEEE Xplore 等多个学术数据库中进行了全面的文献检索，检索时间跨度为 2014 年至 2024 年。采用当前版本的诊断准确性研究质量评估工具（Quality Assessment Tool for Diagnostic Accuracy Studies，QUADAS - 2）评估偏倚风险。在查阅 291 篇文章后，10 项研究符合标准并被分析。这 10 项研究均使用咬翼片，聚焦于分割、分类和检测等深度学习任务。样本量差异很大，从 112 名参与者到 3989 名参与者不等。卷积神经网络（Convolutional Neural Networks，CNNs）是最常用的模型。根据 QUADAS - 2 评估，本综述纳入的研究中，只有 40% 在参考标准领域具有较低的偏倚风险。基于 DCNN 的龋齿检测系统有助于通过分析咬翼片早期识别龋齿，减少诊断错误。通过识别早期病变，患者可以接受微创治疗，而非更复杂的手术，从而改善牙科护理中的患者预后。本系统综述概述了多项利用深度学习模型识别咬翼片影像中邻面龋齿病变的研究。它突出了 YOLOv8 在从咬翼片检测邻面龋齿方面相较于其他深度卷积神经网络模型的有效性。