| CNN | 分类 | ResNet、VGG、Inception、DenseNet | 牙周炎有无筛查。 | 图像提取能力强，能自动提取特征；技术最成熟。 | 对病灶位置缺乏空间定位能力；缺乏整体逻辑；解释性差。 |
| | 检测 | YOLO系列(v5/v8)、RetinaNet、Faster R-CNN | 识别图像中所有感兴趣目标并给出坐标框，用于在X线片中自动定位出所有牙齿的位置。 | 具有空间定位能力；支持多目标识别，可以分辨轻微重叠；单阶段模型（如：YOLO）具有极高的推理效率。 | 只能输出矩形框，无法描述不规则形状；对小目标检测较弱。 |
| | 分割 | U-Net、Mask R-CNN | 牙槽骨水平线描绘；CEJ定位；根分叉病变轮廓。 | 实现像素极精度；可进行自动定量测量（如RBL%）。 | 标注成本高；对模糊影像边缘敏感度较低。 |
| RNN/LSTM | 序列建模/预测 | ConvLSTM、GRU | 纵向骨吸收进展预测；牙周病历文本处理。 | 擅长处理随时间变化的"序列数据"。 | 难以直接处理图像；容易产生梯度消失问题限制长记忆。 |
| Transformer/Attention | 全局特征理解 | ViT、Swin Transformer | 全口牙周状态评估；复杂解剖结构关联分析。 | 具备"全局视野"，能理解全口牙齿间的相互影响。 | 计算资源需求大；需要超大规模数据集才能发挥性能 |
| Hybrid | 多任务融合/临床逻辑模拟 | TransUNet | RBL%自动计算；临床参数与影像结合诊断。 | 集合各种架构，为目前的主流架构。实现性能与精度的双赢，优化计算效率，具有更好的解释性和逻辑链。 | 系统集成复杂度高；容易形成错误累积效应。 |
