基于深度学习的龋源性牙髓炎露髓风险预测

目的基于卷积神经网络模型,预测根尖片图像中影像表现近髓的患牙露髓的风险,并将网络模型的预测结果与高年资医生的预测结果相比较,评估网络模型的性能,以用于教学训练口腔医学生和年轻医生,并辅助医生术前明确治疗计划和进行良好的医患沟通。方法选取2019—2022年于天津医科大学口腔医院牙体牙髓科就诊的深龋引起的牙髓炎病例206例,其中去腐备洞期间露髓的病例104例,未露髓的病例102例。将收集的206张根尖片图像按比例随机分为3组,分别为训练集126张根尖片、验证集40张根尖片和测试集40张根尖片。选取视觉几何群网络(VGG)、残差网络(ResNet)和密集卷积网络(DenseNet)3个卷积神经网络分析训练集中根尖片的规律,使用验证集的根尖片调整网络超参数,最终使用测试集的40张根尖片图像测试3个网络模型的性能,同时选择1名牙体牙髓专业的高年资主任医生预测测试集的40张根尖片影像深龋是否露髓。以临床操作过程中去腐备洞后是否露髓作为金标准,通过受试者工作特征曲线(ROC)、ROC曲线下面积(AUC)及准确率、灵敏度、特异度、阳性预测值、阴性预测值和F1评分比较VGG、ResNet、DenseNet 3种网络模型和高年资医生对测试集的40张根尖片是否露髓的预测效果,并选出最佳网络模型。结果最佳网络模型为DenseNet模型,其AUC为0.97;ResNet模型的AUC为0.89;VGG模型的AUC为0.78;高年资医生的AUC为0.87。比较高年资医生(0.850)与DenseNet模型的准确率(0.850),差异无统计学意义(P>0.05);Kappa一致性检验结果显示为中等可信度(Kappa=0.6>0.4,P<0.05)。结论在VGG、ResNet、DenseNet 3个卷积神经网络模型中,DenseNet模型对影像表现近髓的患牙是否露髓的预测效果最佳,该模型的预测效果等同于牙体牙髓专业的高年资医生水平。

牙体预备导板引导下全程数字化美学微创修复1例

利用口腔数字化技术对1例口腔美学修复患者进行牙齿及口腔颌面部美学分析、术前数字化三维虚拟仿真设计、数字化诊断蜡型制作, 利用牙体预备导板配合显微牙体预备实现精准的美学转移, 术后在患者口内精确地再现美学设计方案, 实现全程数字化美学微创修复, 术后及术后半年疗效良好, 患者满意。