在研究中，团队使用了1,305张根尖片数据进行模型的训练与验证，经过严格的分配，训练和验证的比例为8:2。为确保数据的准确性，研究者排除了乳牙，并从200张未使用的根尖片中提取了717张单个牙齿图像进行进一步验证。评估指标包括准确率、精确度、敏感性、F1分数、AUC（曲线下面积）等。结果显示，YoCNET在各项评估指标上均表现优异：准确率达到90.93%，精确度为98.88%，敏感性为85.30%，F1分数为0.9159，AUC值为0.9757。

　　这些指标显著优于YoRNET（Yolov5+ResNet34），后者的对应指标为80.47%、83.78%、82.16%、0.8296和0.8822。这一集成模型在自动牙齿分割和根尖病变检测中展现出高效和准确。YoCNET的优秀表现使其成为临床应用中的更佳选择。该研究是课题组2024年9月在 《Journal of Medical and Biological Engineering》上发表《Deep Learning-Based Detection of Periapical Lesions in Periapical Radiographs》之后，围绕人工智能辅助识别口腔影像片中病损的又一研究成果。相关成果能够有效辅助医生进行精准诊断和决策，为患者提供更优质的医疗服务。