使用深度学习对年轻恒牙进行微生物牙菌斑分析

牙菌斑被定义为嵌入基质中的微生物群落，基质由细菌衍生的聚合物和牙齿表面形成的唾液成分组成。 清洁牙齿后几秒钟内，微生物牙菌斑就会吸附到牙齿表面，并保持其功能。 这些分子主要与唾液一起存在于龈下沟的液体中，并在该区域沉积。 牙龈炎和牙周炎的首要病因是菌斑，它会导致牙龈组织和牙周附着的破坏。 对于儿童来说，如果在牙齿萌出后没有立即建立口腔卫生，并且没有养成定期刷牙的习惯，细菌生物膜层就会沉积在与口腔环境相关的牙齿表面和牙龈边缘，引发牙龈炎症。

儿童牙周病在早期阶段的早期发现和治疗具有重要的临床意义，因为这些疾病可能会在后期加剧并导致不良后果。 菌斑是儿童牙龈疾病的首要病因。 识别和区分患者的微生物牙菌斑可能具有挑战性。 牙菌斑可以通过常规临床实践使用牙周探针和/或牙菌斑显示溶液来检测。 尽管这些方法被广泛采用，但它们可能会产生主观结果。 然而，这些评估方法对于不合作的儿童来说可能很麻烦、耗时且不成功。 此外，用于微生物牙菌斑检测的牙菌斑暴露溶液可能会暂时染色口腔粘膜和嘴唇。 该文献还包括数字成像分析，例如用于检测微生物牙菌斑的激光诱导自发荧光光谱和 HIS 色彩空间。 但设备成本高、技术标准化等缺点限制了其使用。

出于这些原因，本研究旨在开发一种负担得起且易于使用的人工智能（AI）模型，用于早期、准确地诊断儿童微生物牙菌斑。 目的是通过评估该人工智能模型的诊断和检测性能来预防各种牙周问题并为口腔卫生提供动力。

随着图像处理人工智能的进步，对牙科相机捕获的图像中的牙菌斑进行检测、分割和量化的研究显着增加。 一项研究尝试使用增强型 K 均值机器学习算法来检测牙菌斑。 此外，还开发了基于 Mask R-CNN 的牙科健康物联网 (IoT) 平台，用于对包括牙菌斑在内的七种不同口腔疾病进行分类，尽管不能用于分割，但对于牙菌斑识别具有完美的准确率。

虽然 U-Net 模型在生物医学图像处理领域被广泛认为是成功和主流的，但文献中还没有使用 U-Net 及其变体分析牙菌斑的研究。 此外，还没有关于儿童年轻恒牙牙菌斑分析的研究。 因此，本研究致力于训练六种最先进的人工智能模型，结合 U-Net 模型的变体，用于儿童年轻恒牙的牙菌斑预测。 随后，对他们的表演进行了细致的总结和呈现，以供综合分析。 最后，为了验证最佳性能模型的临床可行性，进行了统计假设检验，将人工智能模型的预测与三位牙医的评估进行比较。