目的:牙周病是导致牙齿缺失的首要原因。该病的诊断通常依靠牙周专科医生的牙周探诊、病史询问以及影像学判读等。但我国牙周专科医生不足、基层医院与三甲医院医疗资源也存在差异,难以应对牙周病发病率较高的现状。牙周病若得不到早期诊断和及时治疗,最终可能导致牙齿缺失,给患者的心理和经济带来严重的负担。人工智能是一种利用计算机模拟人类行为以更高效完成相应任务的技术。其中,以卷积神经网络（Convolutional Neural Network,CNN）为代表的深度学习可以模仿人脑进行数据处理,在图像识别等方面具有优越的性能。近年来CNN在医学研究领域中得到广泛应用,在口腔医学领域也有相关的报道。本研究基于深度学习技术构建口内数码照图像智能化分析模型,通过对口内数码照图像病灶进行识别,有效对牙周疾病进行早期筛查。方法:本研究回顾性收集来自南昌大学第二附属医院口腔医学诊疗中心2019年9月～2021年10月就诊患者以及牙周健康人群的口内数码照图像和临床资料。经研究对象知情同意后,由牙周专科医生对口内数码照图像进行诊断分类,分为牙周健康图像和牙周非健康图像,并建立相应的数据库,将入组数据分为训练集、测试集。利用训练集构建基于CNN结构的口内数码照图像智能化分析模型,根据测试集的结果评判CNN模型的性能,并通过逆卷积可视化分析显示牙周病早筛模型提取的图像特征。结果:本研究共收集到578位研究对象的3869张口内数码照图像,其中牙周健康图像2230张,牙周非健康图像1639张。通过对九宫格口内数码照、正位咬合口内数码照、以及剔除无效背景之后的正位咬合口内数码照进行CNN训练,本研究建立了三种口内数码照图像智能化分析模型。其中,口腔九宫格口内数码照图像分类模型（训练集3153张,测试集716张）的曲线下面积（Area Under Curve,AUC）值为0.651;正位咬合口内数码照图像分类模型（训练集445张,测试集133张）的AUC值为0.767;剔除无效背景之后的正位咬合口内数码照图像分类模型的AUC值为0.784。三种CNN模型对口内数码照图像识别的准确度分别为66.62%,64.66%,77.44%,精确度分别为0.4375,0.4824,0.6944,召回率分别为0.5805,0.9318,0.5682,F1值分别为0.4990,0.6357,0.6250。通过逆卷积可视化分析显示,三种CNN模型在对不同的数据集进行分类时,提取图像特征的能力有所不同,基于剔除无效背景之后的口内数码照建立的CNN模型获得的特征提取高亮区最符合临床预期。结论:（1）基于CNN结构的智能化牙周病早筛模型,能快速、客观、高效的对口内数码照进行识别,仅将图像输入模型即可得出预测结果,为牙周病早期筛查提供了有效方法;（2）根据不同的数据库构建的CNN模型性能存在差异,经剔除无效背景的口内数码照数据构建的模型性能最佳;（3）本研究的逆卷积可视化分析可以标识可能的患病区域,为牙周病的规范化治疗提供指导。