深度学习助力磨牙发育阶段自动检测：口腔医学新突破

《BMC Oral Health》：Automatic detection of developmental stages of molar teeth with deep learning

为解决手动评估磨牙发育阶段存在观察者分类差异的问题，研究人员开展了用深度学习模型自动检测磨牙发育阶段的研究。结果显示 Deformable DETR 模型表现最佳，这一成果有望减轻牙医负担，辅助其工作。

　　在口腔医学领域，年龄估计对于评估儿童生长发育、制定个性化治疗方案以及法医学鉴定等方面都有着至关重要的意义。其中，通过观察磨牙（molar teeth）的发育阶段来推断年龄是一种常用的方法。传统上，医生依靠手动评估磨牙的发育阶段，但这种方式存在明显的局限性。不同医生之间的判断标准存在差异，这就导致了评估结果的不一致性，难以保证准确性。而且，手动评估效率较低，在面对大量病例时，医生需要耗费大量的时间和精力。为了解决这些问题，来自土耳其加齐大学（Gazi University）和安卡拉耶尔德勒姆贝亚兹特大学（Ankara Y?ld?r?m Beyaz?t University）的研究人员开展了一项关于利用深度学习（deep learning）自动检测磨牙发育阶段的研究。该研究成果发表在《BMC Oral Health》杂志上。

在研究过程中，研究人员使用了多种关键技术方法。他们收集了 210 张来自 5 到 25 岁患者的全景 X 光片（panoramic radiographs）作为样本。将磨牙的发育阶段根据 Haavikko 分类法进行修改，划分为 4 个类别（M1 - 4） 。采用 9 种不同的卷积神经网络（Convolutional Neural Networks，CNNs）模型，包括 Cascade R - CNN、YOLOv3、Hybrid Task Cascade (HTC) 等，对这些 X 光片进行训练和检测。为了更可靠地评估模型性能，研究人员运用了 k 折交叉验证（k - fold cross - validation，k = 6）的方法。

研究结果如下：

• 模型性能评估：通过平均精度均值（mean Average Precision，mAP）、准确率（Accuracy）、召回率（Recall）和 F1 分数（F1 - score）等指标对模型进行评估。结果显示，不同模型的定位性能在 0.70 - 0.86 之间，所有类别的平均准确率在 0.71 - 0.82 之间。其中，Deformable DETR 模型表现最为出色，其 mAP、准确率、召回率和 F1 分数分别达到 0.86、0.82、0.86 和 0.86 。HTC 和 Cascade R - CNN 表现也较为突出，而 SSD 模型表现最弱。
• 不同类别检测效果：进一步对不同类别的磨牙（M1 - M4）进行检测分析，发现 Deformable DETR、Cascade R - CNN 和 HTC 在所有四个类别中表现最为稳定和可靠。例如，在 M1 类别中，Deformable DETR 的 F1 分数最高；在 M2、M3 和 M4 类别中，这几个模型也都取得了较高的分数 。
• 外部数据集测试：研究人员使用外部公共数据集对表现最佳的 Deformable DETR 模型进行测试。结果显示，该模型在外部数据集上的准确率为 0.69，mAP 为 0.72，召回率为 0.82，F1 分数为 0.77，表明该模型具有较好的泛化能力。

在结论和讨论部分，研究表明深度学习模型在磨牙发育阶段检测方面具有很大的潜力，Deformable DETR 模型在多个指标上表现优异，能够为磨牙发育阶段的自动检测提供可靠的支持。这一研究成果对于推动口腔医学领域的自动化诊断具有重要意义，有望减轻牙医的工作负担，提高诊断效率和准确性。然而，研究也存在一些局限性，如对大量标记数据集的依赖、简化的分类方法以及缺乏标准化的报告实践等。未来的研究可以在这些方面进行改进和完善，进一步提高深度学习模型在口腔医学领域的应用价值。