基于深度学习的头颅侧位X线片自动诊断分类研究

目的:基于深度学习构建头颅侧位X线片自动诊断分类模型，为正畸临床诊断提供参考。方法:收集2015年1月至2021年12月就诊于首都医科大学口腔医学院正畸科的正畸患者头颅侧位X线片2 894张，构建数据集，包括1 351例男性和1 543例女性，年龄（26.4±7.4）岁。先由1名正畸专业主治医师和1名博士研究生（正畸工作年限分别为8和5年）进行人工定点，测量头影测量项目并进行初分类，再由1名正畸专业主任医师和1名主治医师（正畸工作年限均超过20年）进行核查，内容包含8项骨性和牙性诊断分类。数据按7∶2∶1的比例分别纳入训练集、验证集和测试集。使用开源DenseNet121网络（一种深度学习模型）构建头颅侧位X线片自动诊断分类模型。模型训练后，使用测试集计算模型的分类准确性、精确性、敏感性、特异性，输出受试者工作曲线并计算曲线下面积评估模型性能；输出热力图，可视化模型关注区域。结果:成功构建头颅侧位X线片自动诊断分类模型，其对1张头颅侧位X线片作出8项诊断分类平均需要0.112 s。其中5项诊断分类的准确性为80%~90%，包括矢状骨面型、下颌发育、垂直骨面型、上前牙倾斜情况和下前牙突出情况；3项诊断分类的准确性为70%~80%，包括上颌发育、下前牙倾斜情况、上前牙突出情况。各项诊断分类的总体95%可信区间曲线下面积均≥0.90。热力图显示，分类成功的头颅侧位X线片的激活区域分布于分类相关结构区域。结论:本项研究基于DenseNet121网络构建了头颅侧位X线片自动诊断分类模型，其可实现8项临床常用诊断项目的快速分类。