| Li等[15]（2021） | 纳入625例患者，共3 932张口内照，年龄14 ~ 60岁 | 纳入标准：纳入在牙周科、牙体牙髓科就诊的患者，使用智能手机和相机拍摄患者口内照，未对图像进行特定的纳入或排除标准设定。允许纳入曝光不足、对焦不准的照片。 | 基于多任务学习的CNN（包含3个子网：FNet、LNet、CNet） | AUC：87.11%（牙龈炎），80.11%（牙结石），78.57%（软垢）；LPM：58.19%（牙龈炎），49.39%（牙结石） | 将模型结果与3位获得执业认证的牙医手动标记图像进行对比。 | 无外部验证 | 实验室阶段，暂无开放获取方式。 | 优势：在数据纳入阶段故意不设置标准，允许曝光不足、对焦不准的照片纳入训练，证明其在真实、复杂的环境下更为耐用；使用边界框和热力图标出牙龈红肿和结石的位置，具有良好的可解释性。
劣势：相比牙结石，软垢的定位评分较低，难以精准锁定软垢位置；数据来源单一，未覆盖老年人群和不同人种人群；过度曝光和对焦失败依然会导致模型的误判，仅定位为筛查工具。 |
| Chau等[14]（2023） | 567名志愿者的口内照 | 纳入标准：≥18岁；有5颗或更多前牙；张口充分，能看到上颌和下颌牙龈边缘至少3 mm的牙龈组织；能够按时参加牙科预约，并在拍摄口内照片时保持不动。排除标准：患有与牙菌斑无关的口腔黏膜疾病，且该疾病导致无法使用口镜牵开的受试者。 | DeepLabv3+神经网络模型 | 敏感度：0.92；特异度：0.94 | 将AI模型结果与牙医诊断进行比较。 | 对以此模型为基础研发"GumAI"，并进行了外部验证[40] | 研发阶段，暂无开放获取方式。 | 优势：能够直观显示出牙龈炎症病变；GumAI可在移动设备上安装使用；在社区老年人群中进行了外部验证，证明了其广泛适用性。
劣势：模型针对华人参与者照片进行训练，可能具有种族差异；对全身（如：糖尿病、吸烟、妊娠等）和局部修饰因素（如：牙结石、不良修复体、牙齿排列不齐等）的适应性未知。 |
| Wen等[19]（2024） | 826张口内照 | 纳入标准：所有年龄段的患者、吸烟者、孕妇和哺乳期妇女、接受过稳定全身性疾病治疗但无活动性全身性疾病的患者。排除标准：服用抗生素的患者、接受抗癌治疗的患者、严重牙龈增生的患者，以及牙龈色素沉着过多或颜色异常的患者。 | 牙齿移除算法+基于DenseNet的CNN模型 | 准确率：76.32%；AUROC：0.82；MIoU：0.727±0.117 | 五折交叉验证，将模型分析结果与牙科医师标注结果和之前提出的ResNet、Inception-v3和EfficientNet模型进行性能比较。 | 无外部验证 | 实验室阶段，暂无开放获取方式。 | 优势：不只能够识别出牙龈炎症，还适用t-SNE方法对牙龈炎症进行评分；使用Grad-CAM++工具，使模型具有可解释性。
劣势：数据集来源单一；一些特殊图像（如：严重的牙龈增生和黑色素沉着）可能会误导诊断。 |
| Li等[16]（2025） | 120例牙周炎患者的牙周探诊数据和口内扫描图像 | 纳入标准：符合慢性牙周炎的诊断标准；无其他全身疾病。排除标准：牙齿和牙龈有明显色素沉着；上唇系带附着过低；正在接受正畸治疗；患有颞下颌关节紊乱病；患有严重全身性疾病、精神障碍或帕金森病且无法自理；开口度异常。 | GC-U-Net | Dice系数：77.8%，IoU：65.4%，PA：93.7%；与龈沟出血指数高度相关（r = 0.836），与出血指数呈强相关（r = 0.618） | 4位牙周专家标注作为"金标准"；和在医学图像分割领域具有重要影响力和代表性的多个深度学习模型进行比较。 | 无外部验证 | 实验室阶段，暂无开放获取方式，设计和算法可应合理请求向通讯作者获取。 | 优势：结合口扫设备获得高分辨率图像进行牙龈炎症识别，避免了实际临床环境中光照、患者个体差异所带来的偏倚；模型对比传统模型在牙龈炎症识别方面具有卓越性能，能够描绘出炎症区域边界；结合Grad-CAM++技术，使得模型具有可解释性；模型表现与临床指标（龈沟出血指数）呈强正相关，具有临床应用潜力。
劣势：模型结果与探诊深度呈负相关，无法识别深层病理改变；在背景复杂性高或牙龈图像对比度低的病例中，模型性能有所下降。 |
