Multi-view deep learning for classification of maxillary canine impaction severity using CBCT-derived images
本研究开发并评估了一种基于四视角CBCT衍生图像的多视图DenseNet-121深度学习模型，用于准确分类上颌犬齿阻生严重程度，实现了91.2%的总体准确率，并展示了其支持早期正畸干预的潜力。
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
在人类牙列的复杂景观中，上犬齿占据着一个独特且往往令人困扰的位置。这些牙齿对于撕裂食物和塑造笑容至关重要，也是继智齿之后第二容易发生嵌顿（卡住）的牙齿。由于它们在到达最终位置的过程中路径漫长且曲折，因此经常被困在颌骨或牙龈组织内，这种现象被称为“嵌顿”。一旦发生这种情况，牙齿就无法自行萌出；如果任其不理，可能会导致囊肿形成、损伤邻近牙齿的牙根，或破坏整个牙弓的排列。为了解决这一问题，正畸医生依赖影像技术来精确观察牙齿的位置及其受阻程度。虽然标准的二维 X 光片很常见，但一种被称为锥形束计算机断层扫描（CBCT）的更详细的三维扫描，能够提供更清晰的牙齿空间位置视图。然而，解读这些详细的扫描图像需要大量的时间和专业知识，且由于涉及辐射，医生在使用时必须非常谨慎。
一个研究小组致力于探索人工智能是否可以帮助应对这一诊断挑战。他们开发了一个计算机系统，旨在通过查看 CBCT 扫描图像来自动判定犬齿嵌顿的严重程度。研究人员并没有尝试一次性处理整个颌骨的三维体积（这在计算上非常繁重），而是采取了另一种方法。他们将三维扫描切片成四种牙医已经熟悉的二维视图：全景视图（展示整个颌骨）、正面视图、侧面视图以及经过该牙齿的横截面切片。随后，他们训练了一个深度学习模型（一种受人类大脑启发的计算机程序），让它分别观察这四张图片，并判断牙齿是正常萌出、轻度嵌顿还是重度嵌顿。
该研究聚焦于 74 名患者，共检查了 148 颗上犬齿。针对每颗牙齿，研究人员根据四种不同的视图生成了 592 张不同的图像。首先由人类专家对这些图像进行标注，根据扫描中可见的特定角度和重叠情况，将每颗牙齿分类为正常萌出、轻度嵌顿或重度嵌顿。随后，计算机模型被教授识别这些模式。当研究人员测试该模型时，发现将四种视图结合起来观察比仅看单一视图要有效得多。通过整合全景、正面、侧面和横截面图像的信息，该系统正确分类嵌顿严重程度的准确率达到了 91.2%。这种多视图方法优于任何单一图像类型；例如，虽然全景视图单独使用时表现尚可（准确率为 88.5%），但正面视图单独使用时则表现挣扎，准确率仅为 74.3%。
结果显示，该系统在识别两个极端情况方面表现得尤为可靠：即正常萌出的牙齿和严重嵌顿的牙齿。它对正常病例的识别准确率达 93.4%，对严重病例的识别准确率达 91.5%。至关重要的是，该模型从未犯下将“严重嵌顿”误判为“正常”或将“正常”误判为“严重”这类危险错误。对计算机而言，最具挑战性的类别是处于中间地带的“轻度嵌顿”，其正确率约为 77%。这可能是因为在 X 光片上，轻度病例看起来与正常牙齿非常相似，导致即使是人类也难以区分。研究人员指出，该系统关注的部分与人类专家完全一致，即专注于犬齿的尖端和邻近牙齿的牙根，这表明计算机学习到了正确的特征，而非仅仅是在猜测。
这项工作证明，人工智能可以作为正畸领域的强大助手，能够综合多个角度的扫描信息，从而提供一致且快速的嵌顿评估。虽然该模型并非牙医的替代品，但它提供了一种更高效筛选患者并标记需要立即处理病例的方法。研究人员强调，为了让这一工具在现实世界的诊所中使用，它需要在更大规模的人群中进行测试，并涵盖不同地点和不同类型的扫描仪。在此之前，该系统仍处于极具前景的概念验证阶段，它展示了通过将复杂的三维问题分解为熟悉的二维片段，计算机可以学会以极高的准确度观察牙科问题，从而有望实现早期发现问题并指导更好的治疗方案。
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。