基于YOLOv8的修復牙科器械深度學習檢測：推動牙科供應單元工作流自動化與感染控制新突破

《Scientific Reports》：Deep learning-based object detection of restorative dental instruments with potential implications for workflow automation and infection control in dental supply units

【字體： 大 中 小 】 時間：2025年12月05日 來源：Scientific Reports 3.9

　　

在現代牙科診所的日常運營中，修復牙科器械的管理是一項至關重要卻又繁瑣的任務。每次治療結束后，牙科助理都需要仔細清點、識別、清潔并重新打包這些器械，確保它們被正確滅菌以備下次使用。這個過程不僅耗時耗力，而且高度依賴人工操作，極易出現疏漏——比如器械遺漏、錯放或滅菌不徹底。這些看似微小的失誤，卻可能引發一系列連鎖反應：導致后續治療延誤，增加交叉污染的風險，并最終影響患者安全和診療效率。傳統上，牙科供應單元會采用條形碼掃描或RFID（Radio Frequency Identification）技術來追蹤器械，但這些方法仍需要大量人工參與，難以實現真正的自動化。面對日益增長的門診量和對高效、安全醫療服務的需求，開發一種能夠自動、準確識別和計數牙科器械的創新解決方案顯得尤為迫切。

近年來，深度學習（Deep Learning）技術，特別是卷積神經網絡（Convolutional Neural Networks, CNNs）在計算機視覺領域取得了突破性進展。其中，YOLO（You Only Look Once）系列模型以其高速、高精度的單階段目標檢測能力而聞名。近期發布的YOLOv8模型更是在架構上進行了多項優化，例如采用C2f模塊的骨干網絡（Backbone）、混合FPN-PAN（Feature Pyramid Network - Path Aggregation Network）頸部和解耦檢測頭（Decoupled Head），使其在保持實時性的同時，具備了更強大的特征提取和泛化能力。這為復雜場景下的物體識別，包括醫療環境中的精密器械識別，提供了新的技術可能。然而，在牙科領域，專門用于修復器械檢測的公開數據集尚屬空白，這限制了對相關深度學習模型的有效訓練和評估。

為了填補這一空白，并探索人工智能（AI）在優化牙科供應單元工作流程中的應用潛力，由Suvit Poomrittigul、Bhornsawan Thanathornwong等人組成的研究團隊在《Scientific Reports》上發表了他們的概念驗證研究。他們開發了一個包含14種常用修復牙科器械的專用數據集，并系統性地評估了YOLOv8模型在該數據集上的檢測性能，同時與YOLOv5、YOLOv6、YOLOv7等前期版本進行了對比，旨在驗證深度學習自動化檢測牙科器械的可行性及其對工作流自動化和感染控制的潛在影響。

為開展此項研究，作者團隊主要應用了以下幾項關鍵技術方法：首先，構建了一個包含1,000張圖像、14,000個標注實例的修復牙科器械專用數據集，器械來源于泰國詩納卡寧威洛大學牙科學院綜合牙科系臨床實際使用后的器械。其次，采用基于會話級（Session-level）的數據劃分策略作為主要評估方法，以更真實地評估模型泛化能力。第三，選用并訓練了YOLOv8n（nano）模型，并與YOLOv5、YOLOv6、YOLOv7在相同實驗設置下進行性能比較。第四，使用標準目標檢測指標進行評估，包括精確度（Precision）、召回率（Recall）和平均精度均值（mean Average Precision, mAP），并設定了IoU（Intersection over Union）閾值0.5（mAP@0.5）和0.5:0.95（mAP@[0.5:0.95]）。最后，通過模擬臨床常見干擾條件（如器械遮擋、反光、運動模糊等）進行了模型魯棒性測試。

研究結果

模型性能評估

YOLOv8模型在修復牙科器械檢測任務中表現出色。在主要的會話級數據劃分評估中，模型的mAP@0.5達到95.9%，mAP@[0.5:0.95]達到80.9%，這表明模型在嚴格的目標框匹配標準下仍具有穩健的檢測能力。相比之下，YOLOv5、YOLOv6和YOLOv7的mAP@0.5分別為78.9%、69.2%和95.5%，mAP@[0.5:0.95]分別為54.5%、50.1%和78.5%。YOLOv8在兩項關鍵指標上均優于所有對比模型，尤其是在更嚴格的mAP@[0.5:0.95]指標上優勢明顯。

各類器械檢測精度

研究對14類器械進行了逐一分析。YOLOv8對各類器械的檢測精確度在90.3%至100%之間，召回率在80.6%至98.5%之間。其中，Airotor Handpiece（高速手機）的檢測性能最佳，精確度和召回率分別達到100%和98.5%。Micro Motor Handpiece（微電機手機）和Prophy Handpiece（潔治手機）也表現出近乎完美的性能。而Dycal Carrier（Dycal輸送器）的檢測難度最大，精確度和召回率分別為89.5%和80.6%，這主要源于其尺寸較小、形狀特征不明顯，且在托盤上易被其他器械部分遮擋。

數據劃分策略比較

為了評估數據泄露（Data Leakage）的影響并更真實地反映模型泛化能力，研究比較了會話級劃分和圖像級（Image-level）劃分（70%訓練，10%驗證，20%測試）的結果。在圖像級劃分下，YOLOv8的mAP@0.5和mAP@[0.5:0.95]略高（分別為96.3%和81.1%），但這可能由于訓練集和測試集中存在相似圖像而高估了性能。會話級劃分下性能的小幅下降（mAP@0.5從95.9%降至94.8%，mAP@[0.5:0.95]從80.9%降至78.4%）表明模型在面對全新托盤配置時仍能保持良好的泛化能力，這為臨床實際應用提供了更可靠的依據。

模型魯棒性分析

研究還模擬了臨床環境中可能遇到的五種干擾條件對模型進行壓力測試：器械部分遮擋、反光與眩光、輕微運動模糊、背景/托盤顏色變化以及器械缺失場景。在這些挑戰性條件下，YOLOv8模型的mAP@0.5僅下降了1.5%至4.2%，顯示出較強的魯棒性。定量分析顯示，漏檢（Missed Detection）約發生在3.1%的器械實例中，尤其在模擬遮擋和反光條件下較高；誤分類（Misclassification）較少見（約1.2%），多發生在形態相似的工具之間（如Plastic Instrument（塑料器械）與Posterior Carver（后牙雕刻刀））；定位錯誤（IoU < 0.5）則很罕見（約0.7%）。

討論與結論

本研究成功驗證了基于YOLOv8的深度學習模型在自動化檢測修復牙科器械方面的可行性與有效性。模型的高精度和魯棒性表明，將其整合入牙科供應單元的工作流程中，有望顯著提升器械管理效率。例如，在治療后立即自動拍攝托盤圖像進行器械計數，可快速核對是否有器械遺失；在滅菌前后再次核查，可確保托盤完整性；將檢測數據與數字庫存系統連接，則能實現器械使用、滅菌周期的精準追蹤。這不僅能減輕牙科助理的手工勞動負擔，減少人為計數錯誤，還能加強感染控制的追溯能力。

與先前研究相比，本研究的優勢在于專門構建了高質量、貼近臨床實際的數據集，并采用了更嚴謹的會話級數據劃分評估策略。YOLOv8模型的優異性能也得益于其先進的網絡架構，如C2f模塊、錨點自由（Anchor-free）設計和解耦頭（Decoupled Head）等，使其能更好地處理器械間復雜的空間關系和細微的形態差異。

當然，本研究也存在一定的局限性。數據集雖力求真實，但可能仍未完全覆蓋真實臨床環境中的所有變異（如血液、唾液污染、更復雜的遮擋）。魯棒性測試基于對現有圖像的模擬增強，而非獨立的真實臨床圖像。此外，研究聚焦于14種常用器械，模型對更特殊或更不常見的器械的識別能力有待進一步驗證。特別是對Dycal Carrier等特征不明顯的器械，檢測性能相對較低，提示未來可能需要針對性地進行數據增強和模型微調。在實際部署此類AI系統時，還需充分考慮倫理、法律和安全性問題，例如引入人工核查環節、建立審計追蹤和錯誤上報機制，甚至參考“倫理防火墻”（Ethical Firewall）等治理框架，確保AI輔助工作流的安全、可靠和可問責。

綜上所述，這項研究為開發AI驅動的牙科器械自動化管理系統提供了有力的概念驗證。盡管邁向成熟的臨床應用仍需更多在多樣化環境中的驗證和優化，但它無疑為提升牙科供應單元的運營效率、保障患者安全開辟了一條充滿希望的新途徑。