基于CBCT图像上额外远中根管的AI辅助下颌第一磨牙分类：自动化的下颌根管检测

《Journal of Imaging Informatics in Medicine》：AI-Assisted Classification of Mandibular First Molars According to the Presence of an Additional Distal Canal on CBCT Images: Automated CBCT Mandibular Canal Detection

　　

摘要

本研究构建了一种基于深度卷积神经网络（CNN）的混合融合架构，用于通过锥形束计算机断层扫描（CBCT）图像判断下颌第一磨牙是否存在额外远中管，从而实现人工智能辅助分类。该混合深度融合架构是通过253份CBCT扫描数据集进行训练的，其中包含175颗三管型下颌第一磨牙和78颗四管型下颌第一磨牙。首先将原始CBCT扫描数据按扫描/牙齿级别划分为训练集、验证集和测试集，随后在每个子集中分别应用数据增强技术，以避免增强后的数据在不同子集之间产生交叉污染。参考标准是由经过独立校准的口腔颌面放射科医生和牙髓病专家共同确定的。最终在38个原始的、独立的、未经增强的测试案例上评估了模型的诊断性能。以是否存在额外远中管/四管型结构作为临床阳性指标时，所提出的Fusion IncepDenseCBAM模型显示出97.4%的准确率（95%置信区间：92.3–100.0%）、91.7%的灵敏度（95%置信区间：76.0–100.0%）、100.0%的特异性（95%置信区间：100.0–100.0%）、100.0%的阳性预测值（95%置信区间：100.0–100.0%）、96.3%的阴性预测值（95%置信区间：89.2–100.0%）、95.7%的F1分数（95%置信区间：83.5–100.0%）以及0.958的AUC值（95%置信区间：0.880–1.000）。此外，该模型还表现出较高的一致性及均衡的分类性能，其麦克卡比系数为0.940（95%置信区间：0.812–1.000），科恩卡帕值为0.938（95%置信区间：0.817–1.000）。这些结果表明，所提出的混合融合架构在检测CBCT图像中的额外远中管方面具有较好的初步诊断潜力。不过，在将其作为牙髓病诊断流程中的决策支持工具投入临床应用之前，还需要通过更大规模的独立数据集进行进一步的外部验证。