| Kim等[6]（2019） | 12 179张口腔全景曲面体层片训练集（11 189）、验证集（190）和测试集（800） | 纳入韩国一家牙科诊所的12 179张口腔全景曲面体层片。 | 预测每颗牙齿存在或不存在牙周骨吸收，没有明确定义或使用特定的牙周疾病分期或分级标准。 | DeNTNet+CNN+迁移学习和临床先验知识。 | AUROC：0.95；灵敏度：0.77；特异性：0.95。 | 将DeNTNet的性能与测试集中五位牙科临床医师的性能进行了比较。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：模型能够自动检测病灶并提供相应的牙齿编号，能显著提高临床工作效率；使用迁移学习来解决训练数据有限的问题，结合了临床先验知识以提高性能。
劣势：全景X光片的分辨率较低，这可能会阻碍局部形态变化的检测；由于数据集中第三磨牙的示例有限，DeNTNet在第三磨牙上的性能低于临床医师；仅检测了RBL，未进行牙周炎分级。 |
| Chang等[8]（2020） | 检测数据集：330张口腔全景曲面体层片（检测牙槽骨水平）；115张（检测CEJ水平）73张（检测牙齿）。分类数据集：10张口腔全景曲面体层片（评估牙周炎分期性能）。 | 排除标准：排除了乳牙或混合牙列期患者的图像。 | AAP/EFP 2017新牙周炎分类。 | 检测：基于Mask R-CNN架构、FPN和ResNet101主干网络的改进CNN模型；
分类：传统的CAD处理方法。 | 通过比较模型诊断结果和3位放射科医师的诊断结果，计算MAD、PCC和ICC来评估分类性能。 | 将AI模型对牙周炎分期的诊断结果与3位口腔放射科医师（包括1位教授、1位研究员和1位住院医师）的诊断结果进行比较。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：该方法能够自动检测牙槽骨水平和CEJ水平，并对牙槽骨丧失程度进行分期；混合框架结合了深度学习的特征提取能力和传统CAD的定量分析能力。
劣势：因为全景X光片中存在图像放大和失真，该模型无法提供牙槽骨丧失的绝对值；研究中使用的训练数据量相对较小；缺乏外部验证，限制了模型的泛化能力。 |
| Jiang等[9]（2022） | 640张口腔全景曲面体层片（80%训练集和20%测试集）。 | 排除了乳牙和混合牙列患者的图像。 | AAP/EFP 2017新牙周炎分类。 | 两阶段深度学习架构（UNet, YOLO-v4）。 | 总体分类准确率：0.77；
总体敏感性：0.77；
特异性：0.88。 | 将AI分析结果和3位具有3年以上临床经验的牙周病医师的诊断结果进行比较。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：首次提出结合UNet和YOLO-v4的两阶段深度学习架构；除了检测牙槽骨吸收量，还包括了垂直骨吸收和根分叉病变的检测；对于Ⅰ期和Ⅱ期牙周炎检测灵敏度显著高于普通全科医师。
劣势：不同牙位表现有差异；对垂直吸收检测的特异性相对较低；无法区分无牙槽骨吸收和Ⅰ期牙周炎患者；未结合临床数据进行全面诊断。 |
| Lee等[10]（2022） | 原始数据集：37例患者的693张根尖片；附加数据集（用于验证）：46例患者的644张根尖片。 | 纳入标准：有牙周诊断史的患者；
无明确排除标准。 | 2018年牙周炎分类。 | ResNet-34编码器的U-Net（骨骼区域和牙齿）+具有CNN的U-Net（CEJ线分割）。 | 牙周炎诊断准确率：0.85；牙周炎分期准确率：0.87；牙周炎分级准确率：0.96。 | 将深度学习模型的测量和诊断结果与独立检查者（牙周医师和1位牙周住院医师）的测量和诊断结果进行比较。 | 在模型附加数据集上进行评估。 | 实验室阶段，暂无开放获取方式。 | 优势：不同于传统RBL百分比可能会产生误导，本文章提供了CEJ与牙槽骨水平之间距离的信息；
劣势：该模型需要更大的数据集进行验证；模型容易低估垂直骨缺损；相比于对范围、分级的诊断，对牙周炎分期的诊断准确率较低。 |
| Liu等[11]（2023） | 原始数据集：1 924张口腔全景曲面断层片（训练集n=1 276，验证集n=376，测试集n=272）
外部验证集：351张口腔全景曲面断层片。 | 排除标准：口腔全景曲面断层片有大量金属伪影、严重模糊和噪声；由于PBL，无法准确选择受影响的区域。 | 2018年EFP和AAP发布的新分类系统。 | 基于AlexNet构建的CNN架构；Grad-CAM工具可视化PAR-CNN模型。 | AUC：测试集：0.843，外部验证集：0.793；敏感度：0.820；特异度：0.780；准确度：0.800。 | 对比了该模型与牙周专家、普通牙医在影像判读准确率和耗时方面的差异。 | 双中心验证 | 实验室阶段，暂无开放获取方式。 | 优势：诊断牙周炎的准确性接近牙周专家水平，高于普通牙科医师；阅读曲面断层片的时间显著少于牙周专家和普通牙科医师；使用了Grad-CAM方法来可视化模型关注的区域，提高了模型的可解释性；在多中心数据上进行了验证，增加了模型的泛化能力。
劣势：回顾性研究，可能存在选择偏倚；健康对照组包含了牙龈炎患者，这可能会影响模型的准确性。 |
