在发达国家和发展中国家中,牙周炎是一种普遍存在且不可逆转的慢性炎症疾病,影响全球约20%-50%的人口。所以自动诊断牙周炎的工具的需求量非常高,它可以用来筛查潜在患者患有牙周炎的可能,早期发现牙周炎等症状可以防止牙槽骨进一步褪缩,甚至牙齿脱落,这种工具尤其受用于牙科医生数量稀少的社区和医疗机构中。在医学领域中,医生需要理解并信任计算模型所做出的决策,所以开发可解释的机器学习模型对于疾病的诊断至关重要。基于这些考虑,本文提出了一种基于可解释性的机器学习方法,Deetal-Perio,用于诊断牙科全景X光片中牙周炎的严重程度。在Deetal-Perio中,牙周炎诊断的临床标志是牙槽骨褪缩（Alveolar Bone Loss,ABL）,它是此模型中具有可解释性的关键特征。为了计算ABL,本文还提出了一种用于牙齿编号和分割的方法。首先,Deetal-Perio通过Mask R-CNN结合本文提出的校准方法对每个牙齿进行分割和编号。接下来,Deetal-Perio分割牙槽骨的轮廓,并计算每颗牙齿的ABL。最后,通过所有牙齿的ABL,Deetal-Perio可以预测此患者的牙周炎的严重程度。本研究分别从两个医院获得其内部数据集,Deetal-Perio中的牙周炎严重程度预测任务的Marco F1-score和准确性在第一个数据集上分别达到了0.894和0.896,第二个数据集上分别达到了0.820和0.824。整个模型的效果不仅好于其他现有的模型,而且在牙周炎预测以及牙齿编号和分割任务方面,在两个数据集上均显示出强大的性能,除此之外,ABL的表征作为预测牙周炎严重程度的关键可解释性特征,还向医生证明了Deetal-Perio产生精确结果的原因。