| Kong等[12]（2023） | 1 747张口腔全景曲面体层片（训练集∶验证集∶测试集=7∶1∶2） | 涵盖了可能遇到的各种临床特定情况，包括：缺牙、根管治疗、修复体、正畸附件的病例。 | AAP/EFP 2017新牙周炎分类。 | 两阶段PDCNN检测器。 | 分类准确度：0.762 ± 0.003；平均精度均值：0.782。 | 将PDCNN的性能与RetinaNet、YOLO-v4、CenterNet和Faster R-CNN进行比较。 | 无 | 开源于Github: https://github.com/PuckBlink/PDCNN | 优势：所提出的检测器使用无锚框编码，实现了更快和更准确的预测结果；候选区域连接模块能够正确定位相关的ROI，并加速检测过程；数据集涵盖范围广，包含了临床中各种可能遇到的情况。
劣势：无锚点编码的缺陷导致其难以处理重叠的牙齿；离散化带来的误差使得分界线附近的病例容易被误诊；无外部验证；缺乏临床多模态数据。 |
| Chen等[13]（2023） | 270例患者的8 000张根尖片。 | 由于样本量不足排除智齿；排除存在严重失真、重叠或骨水平线显示不全。 | AAP/EFP 2017新牙周炎分类。 | 集成模型（YOLOv5+VGG-16/ResNet/Inception+U-Net+Mask R-CNN）。 | 模型整体准确率：90%。
牙周骨水平检测准确率：92.61%；
牙槽骨丧失检测准确率：97.0%。 | 将AI分析结果与5位经验丰富的牙医手动标注结果对比。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：为集成模型，减少过拟合出现，提高泛化能力，增强模型准确性。
劣势：由于X线的投影角度和重叠问题，放射影像往往会低估骨流失的严重程度；对早期病变不敏感；X线中高密度伪影会导致AI对骨水平的误判。 |
| Ertaş等[41]（2023） | 144例患者的临床资料用于机器学习，口腔全景曲面体层片用于机器学习。 | 排除非诊断性放射影像，与指定放射影像的临床记录不符以及龈炎的患者。 | 2018年牙周和牙种植体疾病和状况分类法。 | 机器学习阶段：临床数据构建机器学习模型；深度学习阶段：对全景X线片使用ResNet50架构与支持向量机算法相结合的混合网络模型算法进行分类。 | 准确度：0.882；
精确度：0.864；
AUC：0.799。 | 使用了十重交叉验证。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：利用了临床数据和放射影像进行综合分析。基于机器学习的决策系统有可能促进牙周疾病的诊断。
劣势：该研究承认当前系统的局限性以及需要进一步优化；与分期相比，放射影像在分级方面的准确率较低。 |
| Xue等[7]（2024） | 320张口腔全景曲面体层片（训练集n=288，测试集n=32）。 | 排除标准：12岁及以下患者影像；存在严重噪点或模糊的影像；牙齿部分缺失或严重变形的影像。 | AAP/EFP 2017新牙周炎分类。 | YOLOv8，Mask R-CNN，TransUNet。 | 准确度：89.45%。 | 由3位有丰富经验的高年资医师完成初始标注，标注结果经过另外2位高年资牙医独立复核。将深度学习模型输出结果与牙周病专科医师的标注进行对比分析。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：引入结合Transformer全局特征提取能力的TransUNet，提高组织分割精细度；影像检测效率与精度双优，可提升临床工作效率；为低年资医师及学生提供标准化学习工具；在牙周炎Ⅰ期和Ⅱ期诊断上有显著进步（Ⅰ期准确率由64.2%提升至88.16%）。
劣势：对复杂牙齿结构适应性弱，对单根牙识别准确率明显高于多根牙；模型诊断结果通常比医师判断得更严重；无外部验证。 |
| Vigil等[42]（2024） | 使用Kaggle数据集（534张根尖片和100张口腔全景曲面体层片用于训练）。 | 纳入在线数据集的根尖片和口腔全景曲面体层片，无具体排除标准。 | AAP/EFP 2017新牙周炎分类。 | DenseUNet++，ADGRU，RRKOA。 | 准确度：94.45%。 | 对比研究模型和LSTM，DenseNet，GRU，DenseNet-GRU等其他模型对两个数据集分析的结果。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：该模型能够有效地检测牙周骨丢失和诊断牙周炎的阶段；所提出的ADGRU模型通过RRKOA算法进行了优化，以提高性能；显著降低了假阴性率，有利于疾病的早期发现。
劣势：训练成本高；模型性能评估仅基于训练数据集与其他算法的横向对比，未引入独立外部验证数据集进行泛化能力验证；模型可解释性不足。 |
