综述：深度学习模型在下颌第三磨牙临床治疗决策中的应用：系统综述与荟萃分析

本综述系统评价了深度学习（DL）在颌面外科影像诊断中的价值，聚焦下颌第三磨牙（MM3）与下牙槽神经（IAN）的解剖关系识别。荟萃分析显示DL模型诊断敏感性达0.89（95% CI 0.85-0.93），显著优于临床专家（0.76），尤其在MM3拔除难度预测和IAN损伤风险评估中展现卓越效能，为口腔全景片（OPGs）智能诊断工具开发提供循证依据。

引言

下颌第三磨牙（MM3）拔除术是口腔颌面外科最常见的手术之一，其复杂性主要源于MM3与下牙槽神经（IAN）的密切解剖关系。传统依赖医生经验的诊断模式存在约24%的IAN损伤误判率，而深度学习（DL）通过分析口腔全景片（OPGs）可显著提升术前评估精度。

研究方法

基于PRISMA-DTA指南的系统检索覆盖PubMed等4大数据库，纳入33项研究（含45,029例影像）。采用QUADAS-2工具评估偏倚风险，通过双变量混合效应模型比较DL与16位临床专家的诊断差异。

核心发现

在MM3-IAN空间关系识别中，DL模型展现出接近94%的受试者工作特征曲线下面积（AUROC），阳性似然比（PLR）达7.4，意味着DL判断"高风险"的病例实际风险提升7倍以上。特别值得注意的是，DL对埋伏阻生MM3的定位准确率比资深医师高13个百分点。

应用拓展

除神经关系评估外，DL在预测MM3萌出状态（敏感性0.80-0.94）和拔牙难度分级（特异性0.75-0.97）方面同样表现优异。某些模型甚至能通过牙根弯曲度分析，预判手术时间超过90分钟的概率。

临床转化

目前北京大学首钢医院团队正开发基于OPGs的智能决策系统，其测试版可将初学者诊断准确率从68%提升至85%。该系统整合了MM3三维位置重建、IAN管自动追踪和出血风险预测三大模块。

伦理考量

尽管DL优势显著，但研究强调其应作为辅助工具而非替代临床判断。部分案例显示，当MM3根尖与IAN管距离<1mm时，DL可能出现假阴性，此时仍需结合锥形束CT（CBCT）复核。

未来方向

下一代DL模型将整合术中实时导航和术后愈合预测功能。值得关注的是，已有研究尝试通过MM3影像特征预测邻牙远中龋风险，这或将重塑预防性拔牙的临床指征标准。