根尖周病变(PLs)是最常见的口腔病变之一，其在个体水平的患病率估计为52%，在牙齿水平的患病率为5%。PLs是根尖牙周炎(AP)的表现，被定义为限制根管中与病原体及其毒素相关的炎症的屏障。PLs表现为根尖周围的放射透光度，通常无症状，通常是偶然的影像学发现。PLs既影响受影响牙齿的存活，也有可能严重损害全身健康。持续性AP最常见的并发症是牙齿脱落。这些病变的存在也影响了各种医疗干预的临床决策，从观察到假肢治疗和心脏手术。

根尖周围的放射率不应被认为是AP的唯一表现，也可能归因于非炎症过程。由于炎症过程占根尖周辐射率的78%，因此并非所有靠近牙根的病变都是由炎症引起的。鉴别诊断包括牙源性和非牙源性病变，包括良性和恶性实体。此外，创伤可导致类似PL的变化。临床评估和牙髓活力测试仍然是评估牙齿和指导治疗决策的基本方法。

放射检查是病人管理的基本工具。牙科诊断和治疗计划除了监测治疗结果和并发症外，还依赖于临床检查和诊断成像。牙科诊断的主要诊断方法包括根尖周X线片(PRs)、OPGs和CBCT图像。PR是牙齿病变检测中应用最广泛的方法，其诊断准确率超过90%。OPG是一种基本的成像方式，通常作为评估下颌骨和上颌骨的一线诊断工具。OPGs在PL检测中的诊断准确性仍然较低，灵敏度在28% ~ 48.8%之间。然而，OPG成像在检测PLs方面具有很高的特异性和阳性预测值(positive PRedictive value, PPV)，其诊断准确性很大程度上依赖于病变的位置。PR和OPGs都存在固有的局限性，如解剖结构的叠加、几何畸变、解剖噪声和二维表示。此外，PL必须达到30-50%的骨矿物质损失才能在X线上可见。

自2000年代推出以来，CBCT已被证明是一种有价值的牙髓评估工具，许多研究都证实了这一点。CBCT克服了传统二维牙科成像的局限性，提供了对牙齿和骨骼结构多平面细节的准确洞察，空间分辨率小于100µm。在诊断PLs方面，CBCT已被证明在观察者内部和观察者之间的一致性、与患者和其他从业人员的沟通以及结果评估方面比根尖周X线摄影(PR)更有效。此外，多项研究证实，CBCT在检测PL方面具有更高的诊断准确性，约有三分之一的病变被PR遗漏。Mostafapoor等人最近的一项研究表明，CBCT诊断PL的敏感性为95%，特异性为90%。然而，一些相互矛盾的结果显示可能存在PL的过度诊断，组织学分析的阴性结果证实了这一点。

最近人工智能(AI)工具在医学上的应用热潮并没有绕过牙科，特别是在牙颌面放射学领域。放射学检查的数量不断增加，加上从业人员工作负担的增加，促使了放射诊断工具的发展。诊断有限公司(San Francisco, CA, USA)开发了一种利用卷积神经网络(CNN)的系统，旨在提供精确和全面的牙科诊断。该公司声称，该系统接受了超过35,000张牙科X光片的培训，以确保其诊断性能。该系统的一个显著特点是使用了PL检测工具，这有助于及时诊断。尽管有很好的结果，但一些作者报道了人工智能在通过正位断层成像(OPGs)评估PL中的低准确性。因此，评估人工智能通过OPG和CBCT检测PL的诊断准确性是有意义的。

本研究的目的是比较人工智能驱动平台的诊断性能，用于检测从同一患者获得的OPG和CBCT图像的根尖周围病变，并将程序的结果与经验丰富的人类读者的评估结果进行比较。

其中一例被人工智能工具误诊为扩大的PDL空间，但被人类读者分类为PL(蓝色箭头)。冠状面(A)，轴向面(B)。

OPG人工智能假阴性诊断样本，由OPG读卡器诊断(A)(病变放大为白色矩形)。CBCT确认的PL(蓝色箭头):冠状面(B)，轴向面(C)

OPG中PL的人工智能假阳性诊断样本，在OPG中被读取器正确诊断(A)。CBCT未见根尖周放射性征象(B)。

OPG和CBCT评估中的人工智能诊断假阴性样本，由金属伪影的高图像噪声引起。在OPG图像中，病变在黑色矩形(A)中被放大。PL在轴向面(B)和矢状面(C)呈彩色椭圆形的CBCT图像。

Tags： J Clin Med:全景X线和CBCT成像中的根尖周病变——人工智能诊断准确性的评价