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

好的牙·讯 | 近日，上海交通大学医学院附属第九人民医院口腔颅面及感官综合健康研究院托内特（Maurizio S. Tonetti）教授团队，在《自然》合作期刊《数字医学》发表研究论文，推出基于口腔全景片的深度学习模型HC-Net+，在多中心临床验证中实现94.2%的诊断准确率，优于牙周专科医生的85.6%。

据悉，这是首个以临床牙周探诊结果（而非影像学测量）作为训练标准的AI诊断模型。HC-Net+通过10400例未标注全景片数据预训练，融合局部病灶识别与整体图像理解，模拟临床诊断路径，可检测II-IV期牙周炎。在涉及中国香港大学、上海九院、意大利罗马大学等四个国际中心的760例影像验证中，模型灵敏度达95.6%，特异度为82.6%，单张影像评估耗时仅0.02秒。

该系统的核心突破在于改变了传统AI依赖影像学标注（如骨吸收距离测量）的训练方式，转而直接学习临床探诊结果与影像特征的关联。传统全景片肉眼识别早期骨吸收准确性有限，不同设备间影像差异也影响诊断一致性。HC-Net+通过多中心数据训练，泛化能力显著提升，在不同质量影像中均保持稳定表现。

更具临床价值的是，研究显示AI辅助可提升各级别牙医的诊断水平。在对比实验中，牙周专科医生借助HC-Net+后准确率从85.1%提升至90.8%，普通牙医从80.9%提升至87.2%，牙科医学生从80.4%提升至85.7%。

WHO数据显示，全球约有超过 10 亿成年人罹患严重牙周炎，是最常见的口腔疾病之一。而现有的牙周探诊检查需要逐牙、多点测量，具有一定侵入性、操作耗时且高度依赖医生经验，难以支撑大规模人群筛查。

研究团队认为，该系统在多中心临床验证中显示出较高诊断准确性，有望作为社区中心及偏远地区牙周炎早筛的技术路径，缓解优质口腔医疗资源分布不均的问题。

但研究团队也指出，HC-Net+对早期局部性II期牙周炎的识别准确性仍有提升空间，未来将整合口内照片、CBCT等多模态影像数据，进一步优化早期病变检测能力。

【特别鸣谢】如果本文有错漏之处需要勘误，请联系我们的客服，届时我们会为您准备小礼物，感谢！

【免责声明】上述内容源于公开信息，可能存在不准确性，仅供参考。本文不构成对任何人的投资与决策建议，好的牙不对因使用本资料而导致的损失承担任何责任，并对本内容拥有最终解释权。文中图片均已获版权方授权

@好的牙口腔行业研究【特别鸣谢】如果本文有错漏之处需要勘误，请联系我们的客服，届时我们会为您准备小礼物，感谢！

【免责声明】上述内容源于公开信息，可能存在不准确性，仅供参考。本文不构成对任何人的投资与决策建议，好的牙不对因使用本资料而导致的损失承担任何责任，并对本内容拥有最终解释权。文中图片均已获版权方授权

@好的牙口腔行业研究