上海交通大学医学院附属第九人民医院教授马里奇奥·托内特（Maurizio Tonetti）团队联合上海科技大学教授沈定刚团队，开发了首个基于口腔全景片，并经多中心、多标准验证的牙周炎诊断人工智能（AI）模型HC-Net+，为牙周炎筛查提供了一种高效、精准且易于推广的新工具。11月18日，相关研究成果发表于《npj数字医学》（npj Digital Medicine）。

牙周炎是全球高发的慢性口腔疾病，被称为“牙齿的隐形杀手”，早期症状隐匿，晚期可能导致牙齿松动脱落，严重影响人们口腔健康，是全球重要的公共卫生问题。目前临床常用的牙周探诊检查依赖医生经验，且具有侵入性、耗时久等特点，口腔全景片则存在肉眼难以识别早期骨吸收、设备差异影响诊断一致性等问题，无法满足大规模人群筛查需求。

在前期开发的HC-Net模型基础上，研究团队利用涵盖多中心的10881例全景片数据进行预训练与优化，迭代开发出深度学习模型HC-Net+。进一步地，研究团队在两类外部数据中验证了该模型的准确性，其中一类以临床牙周检查为金标准，另一类则基于国际专家组的影像学共识。验证结果显示，HC-Net+通过融合局部病灶识别与整体图像理解，有效模拟临床诊断路径，显著提升了模型的泛化性能与跨机构适应能力。

HC-Net+模型开发与评估。图片来源于 npj Digital Medicine

在真实多中心临床场景中，研究团队系统评估了HC-Net+对II–IV期牙周炎的诊断能力。HC-Net+展现出94.2%的诊断准确率，不仅显著优于牙周专科医生，更能辅助初级口腔医生达到专科医生诊断水平。

研究团队介绍，HC-Net+的核心优势是“高效、精准且易推广”，无需基层机构追加设备投资，通过现有全景片即可提供高质量的牙周炎筛查服务，有效降低了诊疗门槛与患者不适感。这使其在社区卫生服务中心及偏远地区的普及应用成为可能，为缓解优质口腔医疗资源分布不均的难题提供了可行技术路径。

相关论文信息：https://doi.org/10.1038/s41746-025-02077-0