正畸报告AI新突破：咬合几何闭式求解，准确率从0.601飙至0.683！
Occlusal Geometry in Closed Form for Orthodontic Report Generation
📖 AI 总结
该研究针对正畸报告自动生成任务，提出了一种基于闭式咬合几何的生成方法。由于Bite2Text数据集中的口内扫描已预先配准于咬合状态，许多咬合量可直接测量而非推断。作者从牙弓锥度和闭合度恢复解剖坐标系，将每侧牙弓简化为牙弓角坐标下的咬合嵴轮廓，以闭式解计算覆咬合、覆盖、中线偏移、横向重叠、反咬合范围、牙尖交错滞后及咬合曲线等指标，并通过梯度提升将31项测量映射到13个模板字段，仅保留优于多数基线的字段，再由确定性渲染器生成六段式叙述；融合五种标准照片视图的ConvNeXt-Tiny分类器后，平均字段准确率从0.601提升至0.683。研究还发现挑战赛评估器的BLEU-4与METEOR为局部变体，其F均值对召回赋予九倍权重，两名临床医生对同一患者的发现一致率仅47%，导致恒定报告反而比真实医生报告得分高0.165。该系统在留出集上对扫描参考达到BLEU-4 0.458、METEOR 0.677，在ODIN 2026测试阶段位列第三，且可在CPU上十秒内完成单例推理。
🔑 关键词速览
| Bite2Text | 一个将口内扫描数据与正畸报告文本配对的多模态数据集，用于训练和评估报告生成系统。 |
| Occlusal ridge profile | 在牙弓角度坐标系下对牙弓咬合面形态的简化表示，用于以闭式形式计算覆𬌗、覆盖等咬合量。 |
| Gradient boosting | 一种集成机器学习方法，通过迭代添加弱预测器来逐步减小预测误差，本文用于将咬合测量值映射到报告模板字段。 |
| ConvNeXt-Tiny | 一种轻量级卷积神经网络架构，本文用作分类器从标准化照片视图中提取特征以辅助报告字段预测。 |
| BLEU-4 / METEOR | 两种常用的自然语言生成评价指标，分别基于n-gram精确度和召回率加权，用于评估生成报告与参考报告的相似度。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅