在现代口腔医学的发展进程中，临床摄影已成为记录患者口腔状况、辅助治疗规划的重要手段。然而，牙齿的分割与编号这一关键环节，长期以来依赖人工操作，不仅耗时费力，而且由于不同牙医的判断标准差异，结果缺乏客观性，准确性难以保障。与此同时，人工智能（AI）在医学领域的蓬勃发展，为解决这些难题带来了新的曙光。在众多 AI 研究中，卷积神经网络（CNN）凭借其强大的图像分析能力脱颖而出，在医学图像识别等方面取得了显著成果。但令人遗憾的是，在口腔医学领域，AI 的应用大多集中在牙科 X 光片，针对口腔照片的研究相对较少，尤其是针对混合牙列中乳牙和恒牙同时检测与编号的研究，更是凤毛麟角。而早期识别和治疗儿童龋齿，对预防疾病进展、降低口腔疾病负担至关重要，这使得开发一种能准确检测和编号混合牙列中牙齿的模型迫在眉睫。
在此背景下，来自伊朗 Shahid Beheshti 医科大学的研究人员，开展了一项旨在利用 YOLOv8 技术开发自动化系统，实现咬合面口腔照片中乳牙和恒牙检测与编号的研究。最终，他们成功开发出一种基于深度学习的模型，该模型在各类牙齿检测中展现出卓越性能，为口腔医学领域带来了新的突破。这项研究成果发表在《BMC Oral Health》杂志上，引起了广泛关注。
研究人员为开展此项研究，运用了多个关键技术方法。首先，在数据集准备方面，他们从 Shahid Beheshti 医科大学牙科学校正畸科的患者处收集口腔内图像，经筛选仅保留咬合面图像。数据集涵盖不同条件下的图像，包括有划痕、唾液及正畸托槽的图像，以增强模型的适应性。其次，利用两个协同工作的 CNN 模型，一个负责检测牙齿的存在和位置，生成边界框；另一个对边界框进行定位、分类和编号。模型训练基于 PyTorch 框架，使用了预训练的 YOLOv8n 和 YOLOv8n-cls 模型，并通过多种图像增强技术提升模型性能。最后，通过多种评估指标，如敏感度、精度、F1 分数、平均精度均值（mAP）和受试者工作特征曲线（ROC）等，对模型进行全面评估。
研究结果如下：
- 数据集划分及模型整体性能：研究共纳入 3215 张符合标准的图像，按 7:1.5:1.5 的比例划分为训练集、验证集和测试集。模型在所有牙齿类型中的敏感度达到 99.89%，总体精度为 95.72%，F1 分数为 97.76%。排除第三磨牙和乳切牙后，部分性能指标略有提升。
- 不同牙齿类型的检测性能：恒牙中，中切牙和上颌第二前磨牙检测效果最佳，敏感度达 100%，精度和 F1 分数超 99%。乳牙中，上颌磨牙表现最优，精度超 94%，F1 分数超 97%。下颌乳尖牙性能相对较低，精度为 88.52%，F1 分数为 93.91%。
- 模型训练效果评估：在 40 个训练周期内，训练集和验证集的损失均稳步下降，验证集损失曲线前期虽有轻微波动，但整体趋势与训练集一致，表明模型未出现过拟合现象。训练至 20 个周期后，损失值变化极小，说明模型已有效学习。
- 模型性能综合评估：ROC 曲线显示模型的敏感度和精度较高，所有曲线集中在左上角。混淆矩阵揭示了模型对各类牙齿的分类情况，如乳尖牙常被误判为恒尖牙，乳磨牙常被误判为第一恒磨牙。此外，通过对少量智能手机拍摄照片的初步测试，模型能准确分类大多数牙齿，展现出对非标准图像的适应性。
研究结论和讨论部分表明，该研究开发的 AI 驱动模型在咬合面照片中牙齿检测和编号方面取得了显著进展。模型整体性能强大，尤其在恒牙检测上表现出色，但在乳牙检测方面，由于数据集中乳牙比例较低，部分乳牙检测精度有待提高，如乳切牙和上颌乳尖牙。同时，模型在区分形态相似的牙齿时存在一定困难，如下颌第一和第二磨牙。不过，模型的高敏感度和面积曲线下面积（AUC）得益于牙齿与口腔软组织的明显对比度。与以往研究相比，该研究使用了更具多样性的数据集，涵盖各种拍摄条件下的图像，且模型专门针对混合牙列设计，更适用于儿科牙科护理，在精度和 F1 分数上也优于以往研究。此外，模型架构采用 CNN 框架和 YOLOv8 设计，使其具备处理速度快、准确性高的优势，且训练中纳入非标准图像，提升了模型在实际场景中的适用性，在远程医疗和流行病学研究方面具有巨大潜力。然而，研究也存在局限性，如特定牙齿类型在数据集中代表性不足，未来可通过扩充数据集加以改进，还可将模型与其他系统集成，进一步拓展其功能，如识别龋齿、缺失或多生牙以及正畸问题等。同时，随着 3D 数字技术在牙科的应用，未来研究可聚焦于基于 3D 口腔扫描数据的深度学习模型开发，提升牙齿检测和编号的精度与适用性。
综上所述，该研究开发的模型为口腔医学诊断带来了创新和变革，有望在实际应用中发挥重要作用，推动口腔医学领域的发展，为改善公众口腔健康提供有力支持。
生物通微信公众号
