目的建立基于人工智能技术的牙菌斑智能判读系统,分析影响其判读结果的相关因素。方法2018年10月至2019年6月用家用口腔内镜(1280×960像素,东莞立港医疗器材有限公司)拍摄北京大学口腔医学院的25名研究生志愿者[男性12名,女性13名,年龄(23±3)岁]口内牙齿唇颊侧照片,使用菌斑染色剂(Cimedical,日本)进行菌斑染色后,用同样拍摄方法再次拍摄照片,共收集符合纳入标准的549组恒牙牙菌斑染色前后的牙齿照片。将549组图像采用随机数字表法分为440组训练数据集和109组测试数据集。设计并实现基于DeepLab的深度学习模型,采用LabelMe软件(Windows版3.2.1,MIT,美国)进行标注,对标注后的440组训练数据集进行训练,并据此建立恒牙牙菌斑智能判读系统,使用平均交并比(mean intersection over union,MIoU)作为评估该算法识别准确性的量化指标,用建立的恒牙牙菌斑智能判读系统对109组测试照片进行判读。使用Matlab软件(Windows版R2017a,MathWorks,美国)提取109组照片的牙菌斑边缘线,计算菌斑边缘线像素点个数,以此衡量牙菌斑边缘的复杂性,并计算牙菌斑面积百分比。基于多元线性回归分析牙位、牙菌斑面积百分比、牙菌斑边缘线像素点个数、镜头光源光斑是否位于菌斑区域对于恒牙牙菌斑判读准确性的影响,通过方差检验比较模型调整后的决定系数R2选择拟合效果更优的模型。结果恒牙牙菌斑智能判读系统对测试组判读的MIoU值为0.700±0.191。当牙菌斑面积百分比、牙菌斑边缘线像素点个数进入回归模型时,R2值为0.491,高于只有牙菌斑百分比进入模型时的R2,牙菌斑面积百分比、牙菌斑边缘线像素点个数对恒牙牙菌斑判读准确性有显著影响(P<0.05)。牙菌斑边缘线像素点个数的标准化系数为-0.289,菌斑面积百分比的标准化系数为-0.551。结论本研究通过家用口腔内镜采集的恒牙牙面图像构建了恒牙牙菌斑智能判读系统,该系统可以较准确地判断牙菌斑的附着情况;牙菌斑边缘线越复杂,牙菌斑面积百分比越高,菌斑识别的准确性越低。
目的研究绝经期女性骨质疏松与牙周重度附着丧失的相关性。方法纳入2017年3月至2018年8月在北京大学国际医院就诊,以及在此期间通过网络招募的50至65岁绝经期女性195例,进行牙周检查、填写调查问卷并接受骨密度检查。牙周检查指标包括:临床附着丧失(clinical attachment loss,CAL)、简化口腔卫生指数(oral hygiene index simplified,OHI-S)、探诊出血阳性位点(bleeding on probing,BOP)百分比[BOP(+)%]。受试者口内牙齿存在CAL≥5 mm的位点不少于3处且位于不同象限时,计为重度CAL。受试者填写调查问卷,内容包括一般身体状况、生活习惯、社会经济背景、婚姻情况、口腔就诊情况和口腔卫生维护情况等。使用双能X线骨密度测量仪检查受试者左侧髋部以及腰椎的骨密度。按照世界卫生组织的标准,当骨密度与年轻白人健康女性骨密度峰值标准差的倍数(T值)≤-2.5时,诊断为骨质疏松。采用卡方检验,对年龄、绝经时间、体重指数、锻炼习惯、家庭收入、婚姻状况、教育程度、口腔就诊习惯、刷牙习惯、牙齿邻面清洁工具的使用、OHI-S、BOP(+)%、髋部骨质疏松、腰椎骨质疏松等14个因素进行初筛,选取P<0.05的因素进行多因素Logistic分析。采用Logistic回归分析评价骨质疏松与牙周重度CAL发生的相关性。结果195例绝经期女性年龄(57.8±4.3)岁,其中有重度牙周CAL者111例(56.9%),骨质疏松者89例(45.6%)。对年龄、家庭收入、口腔就诊习惯、OHI-S、BOP(+)%和髋部骨质疏松6个风险因素的回归分析结果显示,差异有统计学意义的3个因素OR值分别为:髋部骨质疏松(OR=2.466)、OHI-S(OR=2.262)、BOP(+)%(OR=7.274),这3个因素是绝经期女性发生重度CAL的危险因素。髋部骨质疏松的绝经期女性发生牙周重度CAL的风险是无骨质疏松者的2.466倍(P=0.017)。结论髋部骨质疏松的绝经期女性发生牙周重度附着丧失的风险增加。
暂无评论