跳到主要内容
返回时间线
arXiv来源发表:

PeriaTrace把根尖片诊断钉到具体牙位:外院牙髓医生对两个队列分别留用91.16%和84.52%的报告

核心概要

根尖片是牙髓病诊疗中最常用的影像,但读片与写报告耗时,传统报告术语也让患者难以理解,现有牙科报告生成方法难以把诊断对应到具体牙齿和影像证据。PeriaTrace把流程分成三步:先从影像提取牙位、龋损与分割等视觉先验,再让视觉语言模型据此做逐牙诊断,最后用确定性校验和模板渲染出带证据标签的专业报告、患者解释与护理建议。在内部数据上,牙位定位与FDI编号联合F1为94.37%,报告接地标签F1为77.93%;两个外部队列中,两位高年资牙髓医生认为91.16%和84.52%的报告可保留修改而无需重写。

Source-provided article image: PeriaTrace: Tooth-Level Grounding Diagnosis and Patient-Facing Explanations from Periapical Radiographs
arXiv

深度剖析

根尖片自动报告现在能把每条诊断落到具体牙齿和影像区域上,而不只是给出一段整体描述。 此前的牙科视觉语言模型在原始根尖片上几乎不具备这种对应能力,六个基线模型的接地标签F1只有0到5.70%。 在统一报告模板下,即使把同样的第一阶段视觉先验提供给六个基线,其接地F1升至57.96%到62.96%,PeriaTrace仍以77.93%高出最强基线14.97个百分点。

系统先做多任务视觉分析,再让语言模型在结构化证据上推理,最后用规则校验和模板生成报告。 第一阶段用共享的SAM ViT-B编码器配四个任务头,分别做牙位定位与FDI编号、龋损检测、九类前景语义分割,以及判断绝对FDI编号是否可靠的质控分类。 第二阶段把龋损与分割成分按重叠、包含和质心距离关联到牙齿,连同原始影像和标注叠加图送入LoRA微调的Qwen3-VL-8B;第三阶段剔除无效牙位与不支持的诊断码,再渲染出带证据标签的报告。

质控模块决定报告使用绝对FDI编号还是相对编号,避免错误编号传导到后续诊断。 当绝对编号不可靠时,系统改用按可见牙从左到右排序的相对标识,而不是强行给出可能错误的FDI号。 该质控头在内部测试集上的F1为74.18%,敏感度60.36%,特异度99.53%。

启示与展望

评测覆盖南开大学第一附属医院内部MM-PRAD队列的10192张根尖片,以及天津两家医院的外部队列1742张和943张;外部队列只有医生对生成结果的评分,没有专家分割掩膜或参考报告。患者端结论来自196名无医学背景参与者的网络问卷,使用四个预设病例,而非真实临床流程。

作者指出所有队列来自同一地理区域,外部队列之间的差异提示设备、采集协议、人群和临床实践会影响泛化,需要在更多机构做前瞻验证。上游牙位定位、识别、病灶检测和分割的错误会沿分阶段结构传导到后续诊断描述与视觉接地。患者端评估基于预设病例和网络问卷,对临床效率、诊断决策、患者行为和临床结局的影响尚待真实世界研究确认。系统定位为辅助工具,输出须由有资质的牙科专业人员审核后方可用于临床决策或患者照护。