背景:牙周炎是一种微生物相关、宿主介导并导致牙周支持组织（牙龈、牙周膜、牙槽骨、牙骨质）附着丧失的炎症性疾病,引起牙槽骨的病理性吸收,是导致牙齿脱落的主要原因[1]。全世界20%至50%的人口患有不同程度的牙周炎,并与多种全身系统性疾病的发生发展息息相关。牙周炎的早期发现和诊断对于有效治疗疾病至关重要。但目前传统的诊断方法主要依靠牙周临床专科检查以及对口腔X线影像的人工判读,面临着技术敏感性强、检查费时以及基层难以普及的弊端。卷积神经网络（convolutional neural network,CNN）是一种带有卷积结构的多层人工神经网络,在计算机视觉、图像识别以及特征提取中表现出较高的准确度,已广泛应用于医疗影像的图像分割以及辅助诊断。在口腔领域也有相关研究,但是这些研究的样本量相对较小,没有进行多中心检测,并且缺乏进一步的临床数据来验证这类方法的可靠性。因此,本研究旨在开发一种基于卷积神经网络的牙周炎智能检测模型,用于辅助口腔医师快速、准确诊断牙周炎,并评估该方法在牙周炎早期筛查中的准确性和潜在用途。方法:收集南昌大学第二附属医院口腔医学诊疗中心和江西中医药大学附属医院口腔科的牙周炎病例及牙周健康对照组的全口曲面体层片（panoramic radiograph,PAR）、全口根尖片（periapical radiograph,PER）以及相关临床资料。分两阶段建立一个综合牙周炎智能检测模型,第一阶段使用深度CNN算法对PAR进行训练,建立PAR-CNN模型,获得PAR-CNN预测评分,初步筛查潜在的牙周炎病例。第二阶段使用深度CNN算法和支持向量机（support vector machine,SVM）算法对来自同一个个体的PER进行训练,建立PER-CNN+SVM模型,获得PER-CNN+SVM预测评分,确诊牙周炎病例。本研究应用这两个阶段来准确诊断牙周炎。通过计算灵敏度、特异度、接受者操作特征（receiver operating characteristic,ROC）曲线,ROC曲线下的面积（area under the ROC curve,AUC）、混淆矩阵和95%置信区间（confidence intervals,CIs）等对模型性能进行评估;通过热图聚类分析,发现PER-CNN预测评分同牙周炎病例和临床特征（包括性别、年龄、吸烟、高血压、糖尿病和遗传性牙周病）之间的相关性。结果:本研究纳入了3194例个体,共收集了2275张曲面体层片和11910张根尖片。使用来自南昌大学第二附属医院口腔医学诊疗中心的1924张PAR（包含训练集1276张、验证集376张、测试集一272张）和江西中医药大学附属医院351张PAR（测试集二）训练并评估CNN模型,测试集一评估PAR-CNN模型性能的AUC为0.843（95%CIs,80.3%-87.8%）,测试集二评估PAR-CNN模型性能的AUC为0.793（95%CIs,74.7%-83.4%）。同样,使用来自南昌大学第二附属医院口腔医学诊疗中心的11910张PER（包含训练集9190张和测试集2720张）训练并评估CNN+SVM模型,PER-CNN+SVM模型性能的AUC为0.977（95%CIs,92.3%-99.7%）。最后得到两种模型综合建模性能如下:灵敏度90.4%,特异度93.1%,准确度91.5%。通过热图聚类分析,发现PER-CNN预测评分与年龄和吸烟有显著的相关性。结论:本研究建立了一种基于CNN的牙周炎影像辅助诊断模型,结果显示该模型的性能优异,能够通过识别曲面体层片和根尖片,快速、准确的诊断牙周炎。总而言之,使用卷积神经网络算法来辅助口腔临床医师诊断牙周炎,可以大大减少口腔临床医师诊断工作量。