Automated Detection of Retained Deciduous Teeth from Real- World Smartphone Oral Photographs Using a Two-Stage Deep Learning Framework
本研究提出并验证了一种鲁棒的两阶段深度学习框架，该框架能够有效检测真实世界智能手机口腔照片中的滞留乳牙，展现出适用于儿科牙科筛查的高准确性与可解释性。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在四岁到十二岁之间，儿童的口腔是一个不断变化的地方。乳牙，即第一套牙齿，注定要脱落以给恒牙腾出空间。然而，有时一颗乳牙会拒绝离开。它会留在原处，阻挡试图萌出的新牙。这种被称为“滞留乳牙”的情况是儿童就诊于牙医的常见原因。如果未被察觉，它会导致恒牙长歪，从而导致需要复杂治疗的拥挤或错位。对于许多家庭，尤其是那些获得定期牙科护理机会有限的地区，及早发现这一问题是很困难的。家长可能不知道该观察什么，而且专业的检查也并非总能获得。
近年来，使用标准智能手机拍摄清晰照片的能力为健康监测开启了一扇新的大门。研究人员正在探索人工智能是否可以学习阅读这些日常照片，并发现普通人可能会忽略的牙科问题。这种方法依赖于深度学习，这是一种计算机科学领域，程序通过研究数千张图像来识别模式。该系统并不是通过设定关于牙齿外观的严格规则进行编程，而是通过示例学习，逐渐建立对正常与异常情况的理解。目标是创建一个能够在非无菌诊室、而非在光线完美的环境下工作的工具，而是能在家庭或学校这种杂乱、多变的现实环境中工作。
来自北京大学的一个研究团队通过开发一个旨在自动检测真实世界智能手机照片中滞留乳牙的系统，在这一方向上迈出了重要一步。他们的工作填补了牙科技术的一个特定空白。虽然人工智能已被用于发现龋齿或牙龈疾病，但很少被应用于识别未能脱落的乳牙这一特定挑战。此外，以往的大多数研究都依赖于在受控环境下由专业牙科相机拍摄的高质量图像。然而，这个新系统旨在处理由家长或监护人拍摄的、具有缺陷的照片，这些照片在亮度、角度和背景杂乱程度方面往往各不相同。
为了训练他们的系统，研究人员收集了大量的口腔照片。主要来源是五位儿科牙医提供的、由患者监护人在咨询期间拍摄的图像。他们还包括了一组来自公共在线渠道的较小规模图像。总计，他们使用了587张图像来教计算机如何识别该状况，并使用另一组526张图像来测试系统是否能将其学到的知识应用到新的、未见过的图片中。每张图像都由牙科专业人员仔细标注，以指示是否存在滞留牙齿。为了确保计算机能够有效地学习，团队平衡了数据，使其不会偏向于某一种结果。
他们构建的系统分为两个不同的阶段，非常类似于人类观察照片然后聚焦于某个特定细节的过程。首先，计算机扫描整个图像以找到口腔。它使用检测模型在口腔区域周围画一个框，忽略脸部其他部分或背景。这一步至关重要，因为它隔离了感兴趣区域，确保系统不会被头发、衣服或其他特征所干扰。一旦识别出口腔，系统就会裁剪该部分并将其传递到第二阶段。在这里，分类模型会检查该框内的牙齿，以决定是否存在乳牙滞留。这种两步法允许系统在缩小对重要牙科结构的关注范围之前，处理全脸照片的复杂性。
当研究人员测试该系统时，结果令人瞩目。第一阶段（即定位口腔）几乎是完美的，在几乎所有的图像中都成功识别了口腔区域。第二阶段（即判断是否存在滞留牙齿）也表现出了极高的可靠性。在一个将数据分为五部分并进行反复训练和测试的严格测试中，该系统在约95%的情况下正确识别了该状况。更重要的是，当系统在完全独立的、从未见过的图像组上进行测试时，它依然保持了极高的捕捉能力。它仅漏掉了极小比例的实际病例，对患有滞留牙齿的儿童的识别率达到了97.3%。这种高敏感度对于筛查工具至关重要，因为比起漏掉需要治疗的孩子，标记一名健康的儿童去进行检查要好得多。
研究人员还想知道，如果照片不完美，系统是否会失效。在现实世界中，图像可能会模糊、有颗粒感或光线不佳。为了测试这一点，他们故意引入了各种类型的图像退化，例如添加噪声或使图片模糊，以观察系统的反应。该模型表现得非常鲁棒（稳健）。即使图像质量显著降低，系统检测该状况的能力依然保持稳定。它并没有在照片不清晰时突然开始出错。这表明该工具可以在无法控制照明和相机质量的日常环境中有效工作。
为了理解计算机是如何做出决策的，团队使用了一种可视化技术，该技术可以突出显示系统关注的图像特定部分。结果显示，模型观察的是正确的区域。当存在滞留牙齿时，系统的注意力集中在那颗特定的牙齿以及新牙试图萌出的周围区域。它并没有被阴影或背景物体所迷惑。这种透明度很重要，因为它表明系统正在使用临床相关的特征，就像牙医一样，而不是依赖随机模式。
研究人员还构建了一个演示该技术如何在实践中应用的在线应用程序原型。用户可以上传一张儿童口腔的照片，系统会立即进行分析并返回预测结果。这个原型代表了一个闭环，即数据可以被收集、分析，并随着时间的推移用于改进系统。作者强调，这个工具并不是为了取代牙医。相反，它是旨在作为家长、学校或初级保健提供者的辅助筛查手段。它可以帮助识别需要尽早看专科医生的儿童，从而潜在地减轻牙科诊所的负担，并改善欠发达社区儿童的健康状况。
尽管结果令人鼓舞，但研究人员也承认该研究存在局限性。所使用的图像来自特定来源，这可能无法代表儿童可能遇到的所有场景。该系统目前仅识别滞留牙齿的存在，而无法详细说明受影响的牙齿数量或确切位置。此外，这项研究是回顾性的，这意味着它查看的是过去的数据，而不是在实时患者互动的临床环境中测试该系统。未来的工作需要扩大数据范围，以包含更多样化的人群，并在前瞻性研究中测试该系统在日常实践中的表现。
这个两阶段框架的开发标志着人工智能在儿科牙科领域的实践性进展。通过专注于一个常见但常被忽视的状况，并构建一个能处理人们实际拍摄的不完美图像的系统，研究人员创造了一个具有真正潜力的公共卫生工具。该模型的高准确性和鲁棒性表明，它有望成为筛查过程中有价值的一部分，帮助确保儿童能够获得及时的护理，守护他们的笑容发育。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。