基于深度学习的牙菌斑荧光图像定量评估系统的临床验证及其在牙周健康管理中的应用意义

　　本研究针对牙菌斑评估主观性强、耗时繁琐的临床痛点，开发了基于YOLO v11的深度学习网络，通过荧光图像计算菌斑-牙面面积比（Plaque–Tooth Area Ratio）实现客观量化。验证显示模型检测牙齿与菌斑的mAP50达0.838，与专家评估具有极高一致性（ICC=0.947），评估时间减少97.9%，为牙周病预防提供了高效精准的数字化工具。

　　

评估牙菌斑虽是牙周保健的基础任务，却长期受限于主观性强、耗时繁琐的痛点。为此，研究人员开发并验证了一款基于深度学习（Deep Learning）的网页应用程序，能够通过计算菌斑-牙面面积比（Plaque–Tooth Area Ratio），对荧光图像中的牙菌斑进行客观量化。

研究采用2,490张来自498名参与者下颌前牙舌面的荧光图像，训练并测试了超参数优化的YOLO v11模型（You Only Look Once version 11），用于同步检测牙齿和菌斑区域。模型开发完成后，另招募30名参与者进行临床验证，通过组内相关系数（Intraclass Correlation Coefficient, ICC）分析对比人工智能预测与临床专家评估结果。

该深度学习模型在牙齿和牙菌斑的检测与分割中表现优异，两项任务的F1分数均达0.81。在交并比阈值0.50（Intersection over Union threshold, IoU=0.50）条件下的平均精度均值（mean Average Precision, mAP₅₀）分别为0.83和0.84。牙齿的平均精度（Average Precision, AP）为0.969，菌斑为0.706，整体mAP₅₀达到0.838。临床验证显示模型与专家评估高度一致（ICC=0.947），且评估时间大幅减少97.9%。

该网页应用在荧光图像中客观识别和量化牙菌斑方面表现出高准确性，有望成为口腔卫生评估工具，助力牙周病预防。其临床意义在于提供了一种高效、客观、可扩展的牙菌斑量化方案，可提升诊断精确性、支持及时牙周干预。融入临床工作流程后，或可优化治疗计划、提高患者依从性，实现口腔卫生状态的标准化监测，最终改善牙周健康结局。