基于口内数码照图像深度学习的牙周病早期筛查研究

目的:基于卷积神经网络(convolutional neural network, CNN)的深度学习技术构建人工智能(artificial intelligence, AI)牙周病早筛模型，辅助非牙周医生对牙周病进行早期筛查。方法:收集南昌大学第二附属医院口腔医学诊疗中心就诊的牙周非健康人群以及牙周健康人群的口内数码照和临床资料。基于VGG-16结构对口内数码照图像进行训练和测试，建立口腔九宫格、正位咬合、正位咬合(剔除无效背景)3种训练集模型。结果:共收集到578位研究对象的3869张口内数码照图像，其中牙周健康图像2230张，牙周非健康图像1639张。采用VGG-16结构建立3种训练集模型，对九宫格口内数码照、正位咬合口内数码照、正位咬合(剔除无效背景)口内数码照预测的准确度分别为66.62%、64.66%、77.44%,曲线下面积(area under curve, AUC)值分别为0.651、0.767、0.784。结论:本研究构建的VGG-16模型能有效通过对口内数码照图像识别，辅助非牙周医生对牙周病进行早筛。