深度学习助力精准判断：下颌第三磨牙与下颌管关系的自动化评估

《Clinical Oral Investigations》：Automatic mandibular third molar and mandibular canal relationship determination based on deep learning models for preoperative risk reduction

为解决下颌第三磨牙（MTM）与下颌管（MC）关系评估难题，研究人员开展基于深度学习模型的研究，发现 MobileNet 性能最佳，有助于提升手术风险评估水平。

　　

深度学习在口腔医学领域的创新突破：下颌第三磨牙与下颌管关系的精准解析

在口腔医学的世界里，下颌第三磨牙，也就是我们常说的智齿，看似毫不起眼，却隐藏着大麻烦。智齿常常因为空间不足等原因无法正常萌出，被困在牙槽骨里，这种情况被称为智齿阻生。阻生的智齿不仅会引发冠周炎、邻牙龋齿和牙周问题，更棘手的是，它与下颌管的距离非常近，而下颌管里走行着下牙槽神经（IAN）。在智齿拔除手术中，如果不小心损伤了下牙槽神经，患者可能会出现下唇、下巴和牙龈的麻木、感觉异常等症状，严重影响生活质量。

传统上，医生主要依靠手动在影像学图像上对智齿和下颌管的关系进行分类评估，比如通过全景 X 线片来观察。但这种方法存在很大的局限性，一方面，不同医生的判断可能存在差异，也就是所谓的观察者间变异性；另一方面，全景 X 线片是二维图像，很多时候无法准确反映智齿和下颌管的真实空间关系，容易造成误判。随着科技的发展，锥形束计算机断层扫描（CBCT）技术出现了，它能提供三维图像，成为评估两者关系的金标准。然而，手动分析 CBCT 图像既耗费时间又具有主观性，所以急需一种更高效、客观的方法。

在这样的背景下，来自塞尔丘克大学（Selcuk University）和内杰梅丁?埃尔巴坎大学（Necmettin Erbakan University）的研究人员开展了一项极具意义的研究。他们旨在开发并验证一种基于深度学习的系统，利用 CBCT 图像对下颌第三磨牙和下颌管的解剖关系进行分类，从而为术前风险评估和手术规划提供有力支持。该研究成果发表在《Clinical Oral Investigations》上。

研究人员采用了多种先进的技术方法。首先，他们收集了 305 例患者的 CBCT 图像，并将其按照下颌第三磨牙和下颌管的解剖关系分为 “未接触”“接近接触”“接触” 三类。这些图像由三位经验丰富的颌面放射科专家手动标注并反复核对，以确保分类的准确性。之后，研究人员运用分层交叉验证的方法，将数据集分为 10 等份，在每次迭代中，用 9 份数据训练模型，1 份数据进行测试，共重复 10 次。他们选用了包括 DenseNet201、InceptionResNetV2、InceptionV3、MobileNet、VGG16、VGG19 和 Xception 在内的多种卷积神经网络（CNNs）模型进行训练和评估，通过调整批量大小、学习率等参数优化模型性能，最终使用准确率、精确率、召回率、F1 评分等多种指标来衡量模型的表现。

在实验结果方面，研究人员发现不同模型表现各异。MobileNet 在所有评估指标中表现最为出色，当学习率为 0.0001、批量大小为 16 时，其准确率达到了 99.44%，精确率为 99.45%，召回率为 99.44%，F1 评分也为 99.44%，同时具有极低的对数损失（0.022）和近乎完美的受试者工作特征曲线下面积（ROC-AUC，0.9993），这表明 MobileNet 具有强大的预测能力和可靠性。Xception 和 DenseNet201 的表现也相当优异，在最优条件下，它们的准确率分别达到了 98.74% 和 98.73%，各项指标也都表现出色，ROC-AUC 评分均超过 0.998。相比之下，VGG16 和 VGG19 的表现则不尽如人意，在不同学习率下，其准确率波动较大，且对数损失较高，预测性能欠佳。

研究人员还利用梯度加权类激活映射（Grad-CAM）技术对模型进行了分析。通过将 Grad-CAM 热图叠加在原始 CBCT 图像上，临床医生可以直观地看到模型在分类时重点关注的区域。例如，在 “未接触” 类图像中，热图对下颌管区域的关注度较低；“接近接触” 类的热图则集中在皮质边界附近；“接触” 类的热图在智齿牙根和下颌管的重叠区域有强烈聚焦，这与实际的风险类别高度一致，不仅增强了对自动化系统预测结果的信任，还验证了模型的可靠性。

在讨论部分，研究人员指出，虽然目前牙科研究大多集中在年龄预测和分割任务，但分类任务也逐渐受到关注。在本研究中，较低的学习率（0.0001）通常能使模型表现更好，不过 MobileNet 在不同学习率下都能保持稳定的性能。此外，不同批量大小对模型性能也有影响，如批量大小为 16 时，能为梯度更新提供足够的稳定性，同时保证训练效率。

总的来说，这项研究充分展示了深度学习模型在分类下颌第三磨牙和下颌管空间关系方面的卓越效能。MobileNet、Xception 和 DenseNet201 等模型的出色表现，为自动化分类提供了可靠的工具。这不仅能有效减少观察者间的变异性，提高诊断的一致性，还能极大地改善临床决策，提升手术成功率，为口腔外科手术的精准化发展奠定了坚实基础。未来，进一步将这些模型整合到临床工作流程中，探索其在不同患者群体和临床场景中的应用，有望为口腔医学带来更多的突破和进步。