| Guler Ayyildiz等[43]（2024） | 2 533张口腔全景曲面体层片。 | 排除患有牙科植入物、正畸丝、外科微螺钉板和完全无牙颌患者的口腔全景曲面体层片，以及具有严重伪影和变形的X线片。 | AAP/EFP 2017新牙周炎分类。 | 3种基于迁移学习的CNN模型（ResNet50，DenseNet121，InceptionV3）+机器学习模型分类。 | DenseNet121 + GAP：准确率：0.794，AUC：0.769；
ResNet50 + GAP：准确率：0.795，AUC：0.769；InceptionV3 + GAP：准确率：0.785，AUC：0.758。 | 本研究的报告遵循STARD-AI指南；进行十重交叉验证。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：深度学习模型能够自动学习图像中的特征，无需手工选择；迁移学习可以克服小数据集问题，减少计算成本；DenseNet模型通过层之间的连接，有助于更快地学习并抵抗过拟合。
劣势：CNN模型可能难以区分相似的类别；深度网络可能存在梯度消失的问题，且随着层数增加，计算成本也会增加。 |
| Erturk等[44]（2025） | 1 752张咬翼X线片（80%的训练验证集和20%的测试集）。 | 排除标准：有缺失牙齿的图像，以及因中心重叠和角度误差而缺乏足够诊断信息的图像。 | AAP/EFP 2017新牙周炎分类。 | YOLOv8进行基于AI的分类。 | 准确率：86.1%；
精确率：84.79%；
召回率：82.35%；
F1分数：84.411%。 | 使用了五重交叉验证进行训练。并在每一轮验证后都生成一个混淆矩阵，以评估模型在不同数据子集上的性能。 | 无 | 实验室阶段，暂无开放获取方式。 | 优势：在区分涉及根分叉的严重病例方面表现出很高的成功率；使用Eigen-CAM可解释性图令模型思考过程可视化。
劣势：模型在区分轻度和中度牙槽骨丧失方面表现不如区分正常和重度牙槽骨丧失；对于中度牙周炎，模型的假阳性和假阴性率高于其他类别。 |
| Li等[18]（2025） | 利用10 400张无标签口腔全景曲面体层片进行自监督对比学习预训练；使用来自香港和上海的临床标注数据进行微调；再使用外部数据集Ⅰ（382例患者）和来自全球4个中心的数据集Ⅱ（760例患者）进行外部验证。 | 纳入标准：18岁及以上的接受全景曲面断层片的成年患者。
排除标准：无牙颌患者和孕妇。 | 2018年牙周炎分类。 | 在HC-Net基础上，通过大规模自监督预训练与临床探诊数据微调后生成的HC-Net+模型。 | 与人类医师对比AI模型准确率：95.2%；牙周专科医师准确率：85.6；外部验证数据集Ⅱ中：92.4%以上。 | 采用全口牙周临床检查作为金标准，并设置了三组不同资历医师进行两阶段交叉对照试验。 | 两个外部验证数据集：外部数据集Ⅰ（382例患者）和来自全球四个中心的数据集Ⅱ（760例患者）进行外部验证。 | 处于临床验证阶段，暂无开放获取方式。 | 优势：首次采用临床医师手工探诊测量作为金标准；经过多国、多中心验证，在不同设备和人群中表现稳定，准确率超越专科医师；使用热图显示病灶位置，具有良好的可解释性；速度突破0.02 s，适合大规模筛查。
劣势：无法检测Ⅰ期牙周炎；对种植体、金属冠等高密度修复体敏感，容易产生假阳性；对于局限型病变稳定性需提升。 |
