AI牙周炎模型診斷準確率94.2%，高專科醫生8.6個百分點

圖源：A novel Al-powered radiographic analysis surpasses specialists in stage ll-lV periodontitis detection: a multicenter diagnostic study

好的牙·訊 | 近日，上海交通大學醫學院附屬第九人民醫院口腔顱面及感官綜合健康研究院托內特（Maurizio S. Tonetti）教授團隊，在《自然》合作期刊《數字醫學》發表研究論文，推出基于口腔全景片的深度學習模型HC-Net+，在多中心臨床驗證中實現94.2%的診斷準確率，優于牙周專科醫生的85.6%。

據悉，這是首個以臨床牙周探診結果（而非影像學測量）作為訓練標準的AI診斷模型。HC-Net+通過10400例未標注全景片數據預訓練，融合局部病灶識別與整體圖像理解，模擬臨床診斷路徑，可檢測II-IV期牙周炎。在涉及中國香港大學、上海九院、意大利羅馬大學等四個國際中心的760例影像驗證中，模型靈敏度達95.6%，特異度為82.6%，單張影像評估耗時僅0.02秒。

該系統的核心突破在于改變了傳統AI依賴影像學標注（如骨吸收距離測量）的訓練方式，轉而直接學習臨床探診結果與影像特征的關聯。傳統全景片肉眼識別早期骨吸收準確性有限，不同設備間影像差異也影響診斷一致性。HC-Net+通過多中心數據訓練，泛化能力顯著提升，在不同質量影像中均保持穩定表現。

更具臨床價值的是，研究顯示AI輔助可提升各級別牙醫的診斷水平。在對比實驗中，牙周專科醫生借助HC-Net+后準確率從85.1%提升至90.8%，普通牙醫從80.9%提升至87.2%，牙科醫學生從80.4%提升至85.7%。

WHO數據顯示，全球約有超過 10 億成年人罹患嚴重牙周炎，是最常見的口腔疾病之一。而現有的牙周探診檢查需要逐牙、多點測量，具有一定侵入性、操作耗時且高度依賴醫生經驗，難以支撐大規模人群篩查。

研究團隊認為，該系統在多中心臨床驗證中顯示出較高診斷準確性，有望作為社區中心及偏遠地區牙周炎早篩的技術路徑，緩解優質口腔醫療資源分布不均的問題。

但研究團隊也指出，HC-Net+對早期局部性II期牙周炎的識別準確性仍有提升空間，未來將整合口內照片、CBCT等多模態影像數據，進一步優化早期病變檢測能力。