收益：
- 能够解释人工智能支持的扫描工具的作用、它们标记的发现以及它们在全景和根尖X光照片中的限制。
- 能够建立一个工作流程，将人工智能预评估用作“第二只眼”，医生在临床检查的同时提供最终的放射线解读
- 能够识别图像质量、伪影和定位错误如何降低 AI 输出并消除不可靠的输出
放射线照相术是牙科的眼睛。用于一般筛查的全景射线照相（X 射线在一张宽幅胶片中显示所有牙齿、颌骨和周围结构）；根尖周射线照相（小胶片显示几颗牙齿直至根尖的细节）用于精确评估。近年来，自动扫描这些图像的人工智能工具已经变得普遍。这些工具可以标记龋齿、骨质流失、根尖周病变（根尖的炎症区域）、受影响的牙齿和一些解剖结构。在本单元中，我们将逐步了解这些工具能做什么、不能做什么，以及如何将它们定位为诊所中安全的“第二只眼睛”。
我们从一开始就明确一点：AI摄影工具是一个筛选和吸引注意力的工具。最终的射线照相解释由医生结合临床检查和患者病史做出。无论该工具是否标记出结果，责任都在于医生。
AI放射成像工具如何工作？
这些工具是在数千张先前标记的射线照片上训练的模型。 “标记”是指专家在每张图像中标记出瘀伤和病变的位置。该模型从这些示例中学习模式，并在新图像中寻找相似的模式。输出通常是这样的：
- 图像上用框或热图（颜色突出显示）标记的可疑区域。
- 每个区域的置信度得分（表示模型“置信度”程度的数字，例如 0-100%）。
- 有时牙齿编号和发现类别（龋齿、根尖病变、骨水平等）。
提示：置信度分数是概率估计，而不是证据。 92% 的分数并不意味着“存在空洞”，而是意味着“该图像与训练数据中的空洞相似度为 92%”。差异至关重要。
逐步确保工作流程安全
- 首先检查图像质量。如果存在不正确的定位、移动、鬼影或曝光不足，AI 输出就不可靠。
- 自己读书。在查看 AI 之前先自行解读图像；所以人工智能不会引导你（“自动化偏见”——对工具的盲目信任）。
- 比较人工智能标志。匹配你自己对人工智能标记和未标记区域的阅读。
- 解决矛盾。如果人工智能标记了它而你没有看到它，反之亦然，请再次检查该区域；如有必要，拍摄更多图像。
- 与诊所相关。将放射线检查结果与口内检查、症状和病史结合起来。
- 作为医生写下最后的评论。请注意，报告中人工智能被用作“第二只眼”，决定权在于医生。
人工智能的优点和缺点
主题
人工智能强大吗？
注释
快速扫描大量图像
是的
减少俯视，吸引注意力
邻间龋齿（牙齿之间）标记
部分地
可能会错过早期病变
骨水平测量
部分地
参考和校准很重要
对低质量图像的评论
不
文物误导
罕见病症
不
在训练数据中可能很少见到
结合临床背景
不
只有医生才能做到这一点
注意：人工智能在与训练数据不相似的情况下是不可靠的。如果存在罕见囊肿、非典型病变或异常解剖结构，该工具可能会保持沉默或错误标记。
迷你案例 1：第二只眼睛捕捉到被忽视的东西
在忙碌的一天结束后，医生会快速评估全景放射线摄影。 AI 工具在第三磨牙（智齿）区域标记了医生没有注意到的射线可透区域（在 X 射线上显示为黑色的可能病理区域）。医生回去检查，将其与临床和根尖周片相关联，在鉴别诊断中包括毛囊囊肿（受影响牙齿周围充满液体的囊），并指导其进行进一步评估。人工智能在这里的价值在于它可以减少与疲劳相关的失误。
迷你案例2：错误定位错误标记
在全景照片中，一名患者的下巴过于靠前；门牙已经模糊。 AI工具在这个模糊区域给出了三个独立的“rot”标志，置信度分数为70-85%。医生注意到图像质量，发现标记是由伪影引起的，并以正确的位置重新拍摄胶片。新图像中不存在任何标记。教训：在糟糕的形象中，人工智能的输出是垃圾。
迷你案例 3：数字效率
一家诊所平均每月拍摄 400 张全景照片。 AI预扫描将医生的注意力吸引到每张图像中平均2个潜在区域；医生发现其中大约 30% 具有临床意义，并消除其余的。因此，监督减少了，但医生也将时间浪费在被消除的 70% 身上。通过将置信度分数阈值从 60% 提高到 75%，诊所减少了误报标记的数量并稳定了工作流程。教训：阈值设置决定了工具的临床负担。
可复制模板
这些模板可帮助您解释和报告放射线摄影工具的输出；它不诊断。请勿包含真实的患者 ID。
角色：放射报告助理（不诊断）。任务：将以下人工智能射线照相打印输出翻译成检查清单以供医生验证。对于每个标志：位置、类别、置信度分数，注释“需要临床验证”AI 输出：[匿名列表]
角色：图像质量控制员。任务：评估以下拍摄条件并评论AI输出是否可靠。使用定位、移动、曝光、工件标题。条件：[描述]
作用：鉴别诊断提醒（不决定）。任务：列出医生针对以下射线可透/不透射线发现应考虑的鉴别诊断标题；对于每一个，写下可能需要哪些额外的审查。最终诊断写作。发现描述：[匿名]
角色：患者解释文字撰写者。任务：写一段简短的信息段落，用通俗易懂的语言向患者解释医生批准的放射线检查结果。使用可怕或明确的诊断语言。确认的发现：[写]
弱提示/强提示
弱：“列出这张全景图中有多少瘀伤。”
为什么它很弱：赋予人工智能解释图像和给出数字的作用，隐藏置信度分数，忽略临床相关性。
Strong：“列出人工智能工具返回的腐烂迹象以及位置和置信度分数；添加每项需要确认的临床测试（目视检查、探针、咬合片）。我将做出最终决定。”
为什么它强大：它将工具简化为检查表生成器，使验证步骤可见，将决定权留给医生。
全景和根尖周：不同的任务，不同的期望
全景和根尖 X 光片有不同的用途，您对 AI 的期望也应相应变化。全景显示大面积但细节较少；普通扫描适用于阻生牙、囊肿、颌骨病变和一般骨水平，但它不能可靠地显示小的邻间（牙齿之间）龋齿。根尖膜和咬翼膜显示了具有高细节的狭窄区域；它更适合龋齿深度、牙根形态和根尖细节。了解人工智能工具针对哪种胶片类型进行了训练和验证至关重要：期望从全景训练模型中获得根尖级龋齿细节是错误的。
这种区别也指导您的临床决策。当人工智能在全景图中标记一个区域时，通常需要使用根尖膜或咬合片对该区域进行详细说明。因此，人工智能全景预扫描也具有作为“指南”的价值，用于确定您需要从哪个区域获取额外的镜头；它本身并不是一个明确的决策工具。
迷你案例 4：导演正确的电影类型
人工智能在全景图中的下磨牙区域给出了模糊的标志。医生拍摄了有针对性的根尖片，因为他知道全景图不足以显示该细节。在高分辨率图像中，可以清楚地看出这种情况是早期根尖周变化，并且医生对其进行监测。教训：人工智能预扫描最有效地用作引导至正确的附加图像的触发器。
常见错误
- 依靠AI输出而不检查图像质量。
- 直接查看人工智能信号而不进行自己的阅读（自动化偏差）。
- 将置信度分数误认为是绝对概率。
- 自动将未被AI标记的区域视为“健康”。
- 解释患者病史和检查的人工智能输出。
总之
人工智能放射成像工具提供了强大的第二只眼睛，可以通过在全景和根尖图像中标记可疑区域来减少失误。然而，置信度分数并不能证明，不良图像的输出不可靠，并且在极少数情况下该工具是错误的。正确的工作流程：首先是图像质量，然后是医生自己的阅读，然后与人工智能进行比较、冲突解决、临床相关性和医生签署的最终解释。
应用任务
对于您拥有的 5 张全景图像（匿名或用于教育目的），首先编写您自己的射线照相读数，然后从 AI 工具将其打印出来。对于每张图像，将 AI 捕捉到但你错过的内容和你看到但 AI 错过的内容分两列进行比较。评估出现的差异，并注意该工具在哪种发现类型中较强/较弱。
清单
- [ ] 我首先对每张图像进行了质量控制。
- [ ] 我自己写的读物，没有看AI。
- [ ] 我将置信度得分解释为概率估计，而不是证据。
- [ ]我解决了AI和我自己阅读之间的矛盾。
- [ ] 我作为具有临床相关性的医生给出了最终的放射线解读。