Point cloud deep learning-based automatic grading system for tooth wear

doi:10.1186/s12903-026-09333-z

Point cloud deep learning-based automatic grading system for tooth wear

2026-07-24

0

OA

AI

DOI：10.1186/s12903-026-09333-z

原文链接

原文求助

摘要

En 中文

本研究旨在构建一个用于自动分级每颗牙齿磨损程度的机器学习模型。回顾性收集了200名患者（4,556颗牙齿）的口腔内扫描模型，并由三名经过校准的牙医独立使用2001年Lobbezoo牙齿磨损分类系统进行标注。排除后，4,256颗牙齿用于模型训练，300颗用于测试（平衡分布，每磨损等级100颗：无、轻度、中度）AQ。采用SnowflakeNet方法结合点云深度学习提取形态特征并构建三分类模型。使用带有雪花点反卷积的SnowflakeNet方法生成点云，提取每颗牙齿的形态特征，并构建机器学习模型。使用混淆矩阵、受试者工作特征曲线和精确召回曲线以及曲线下面积（AUC）评估分类模型的性能。预训练的Point-MAE模型的总体准确率为73.7%。各类别性能存在差异：中度磨损达到最高精确率（91.4%）和特异度（96.5%），而轻度磨损——早期干预中最具临床关键性的类别——则表现出较低精确率（61.6%）和F1分数（0.65）。无、轻度、中度磨损的曲线下面积（AUC）值分别为0.88、0.80和0.92。在外部验证的50名患者（1,363颗牙齿）中，AI与牙医之间的一致性加权Kappa系数为0.827（95% CI：0.802–0.852），表明一致性良好。点云学习模型可实现口腔内扫描模型的自动分级，显示出作为辅助工具的潜力，但仍需进一步优化和验证以分级无、轻度、中度磨损的牙齿。然而，其分级效能需进一步优化AQ。

Keyword:

Tooth wear

Intraoral scanning

Machine learning

Artificial intelligence

Digital dentistry

Point cloud deep learning-based automatic grading system for tooth wear

摘要

期刊

机构

引用论文