引言
人工智能（AI）作为计算机科学的一个重要分支，正在深刻改变医疗健康领域的研究与临床实践。在牙医学中，AI技术的整合为口腔疾病的病因探索、病程管理、诊断、治疗计划制定及术后护理带来了革命性的进步。机器学习（ML）作为AI的核心，使计算机能够通过分析大量数据来学习和识别模式，而无需显式编程。人工神经网络（ANN）是其中最流行的模型，其结构模仿生物神经元，包含输入层、隐藏层和输出层。深度学习（DL）作为ML的一个子集，通过增加隐藏层的数量，能够处理更复杂的任务，如自然语言处理（NLP）、行为识别和医学图像分析。在牙科应用中，常见的DL算法包括卷积神经网络（CNN）、循环神经网络（RNN）及其扩展模型，如生成对抗网络（GAN）、多模态模型（MM）、强化学习（RL）和变换器（Transformer）。牙科AI的输入数据多样，包括图像（如病变照片、计算机断层扫描（CT）图像、病理切片图像）和文本（如电子病历（EMR））或音频（如会诊记录），这些数据通过DL架构转化为具有临床指导意义的输出，辅助医生进行诊断、治疗规划、疾病预测和患者管理。
AI在牙医学中的技术路径
AI图像识别技术
图像识别是计算机视觉的基础任务。在牙医学中，大多数口腔疾病的筛查、诊断和治疗计划都依赖于对图像数据的解读。DL模型，特别是CNN，在图像分类和模式识别任务中表现出色，已成为牙科图像分析的主导框架。
- •
放射影像：AI在口腔影像中的应用涵盖图像处理和图像分析两个方面。基于DL的图像优化算法和重建技术能有效降低CT和磁共振成像（MRI）图像中的噪声和伪影，提高图像质量。AI辅助的初步诊断任务包括对牙齿、骨骼等解剖结构的分割、分类和标记。自动分割系统能够从口内X线片、锥形束CT（CBCT）图像和全景片等影像中精确识别牙齿和颌骨结构，其准确性可与经验丰富的放射科医生相媲美，同时显著提高操作效率。
- •
临床照片：计算机视觉应用也扩展到对口腔内照片的分析，这些照片通常由智能手机和数码相机拍摄。DL图像识别可用于常见口腔黏膜疾病的临床照片分析，在口腔潜在恶性疾患（OPMDs）的识别和口腔鳞状细胞癌（OSCC）的早期筛查中发挥关键作用。此外，在修复学中，计算机视觉系统用于牙体修复时的比色，减少了主观因素的干扰，提高了比色准确性。基于DL的龋病筛查系统通过分析口腔全景照片，也取得了令人满意的疾病识别效果。
- •
组织病理学图像：组织病理学检查仍是诊断口腔癌和口腔潜在恶性病变的金标准。AI能够提取、筛选和分析组织病理学图像的数据特征，如边缘、颜色、形状乃至更复杂的特征，并整合影像和临床数据信息，目前已应用于多种口腔病变的筛查、诊断、鉴别诊断和预后预测。
- •
其他图像：共聚焦激光内窥镜（CLE）和高光谱成像（HSI）等光学技术也为AI应用提供了新的数据源。AI辅助的CLE可能提高诊断准确性，而基于CNN的HSI技术有助于区分正常组织和SCC组织，为口腔癌筛查和术中肿瘤边缘识别提供高效工具。
NLP在牙医学中的应用
自然语言处理（NLP）技术的发展始于AI研究的早期阶段。大型语言模型（LLMs）如ChatGPT和DeepSeek是NLP中DL模型的知名代表，并正逐步扩展到牙医学领域。NLP在牙科中的辅助作用主要体现在提升诊疗效率和患者体验。
在公共卫生领域，基于NLP技术的聊天机器人和虚拟助手可远程提供个性化的口腔健康建议。在医院工作流程中，NLP有助于EMR自动化，包括语音到文本的转换和结构化数据生成。此外，它还能从EMR、文献以及影像和病理诊断报告中提取关键信息，以辅助诊断和治疗决策。例如，有研究利用BERT等NLP技术开发了临床决策支持系统（CDSS），通过分析牙科图表和临床记录来预测牙周炎的分期和分级。在延伸医疗服务方面，AI驱动的语音转文本技术越来越多地用于慢性病患者和术后患者的护理和随访管理，这有助于提高护理质量和患者依从性，同时显著降低相关成本。
行为识别技术
行为识别技术涉及通过摄像头/传感器收集行为数据，并利用CNN、图卷积网络（GCN）、骨骼点跟踪和时间建模（如RNN）来识别动作模式，将行为转化为结构化数据。姿势识别技术（如关节运动捕捉）用于分析异常行为特征。配备先进AI算法的机器人可以显著提高头颈肿瘤手术的精度，这些机器人能够利用先进的传感器和成像技术分析患者解剖结构，并为外科医生提供实时详细反馈，以精确导航复杂的解剖结构并更新手术计划。AI术中导航系统有助于调整机器人轨迹，提高侵入性操作的准确性。此类机器人系统在种植手术中的应用可帮助牙医实现最佳的种植体植入。
AI在口腔疾病中的应用
牙体牙髓病学
在牙体牙髓病学中，疾病的诊断和治疗策略主要依赖于临床影像。基于AI的算法应用包括精确识别复杂的根管系统和根尖周病变、标记异常牙体结构以及辅助根管治疗。
- •
龋病检测：AI已被用于训练和建立龋病检测模型以辅助诊断。研究表明，YOLOv8、MI-DCNNE等AI模型在口内咬翼片、根尖片上诊断龋病的准确率较高。基于临床照片数据的AI模型还可扩展应用于大规模人群的龋病筛查。
- •
根尖周病变诊断：影像学是根尖周病变的主要辅助诊断方法。基于CNN的算法（如U-Net, U2-net）已用于从全景片等影像中分割根尖周病变。研究表明，AI在CBCT图像上的检测性能优于全景片，具有较高的敏感性和特异性。
- •
根管治疗：AI模型在根管治疗中的应用包括根尖孔定位、根管充填效果评估以及识别根管解剖变异（如第二近中颊根管（MB2）和C形根管）。这些DL系统在精确识别复杂根管形态方面展现出巨大潜力，有助于提高牙髓治疗的成功率并优化临床工作流程。
牙周病学
牙周炎是一种常见的口腔疾病。AI在牙周炎防治中的应用研究集中于提高筛查、早期辅助诊断、预后预测和长期随访监测的效率。
基于2017年牙周病分类，ANN等模型被用于检测牙槽骨吸收。AI系统（如YOLOv8）能够从全景片中自动进行牙周炎分期和分级，其检测牙齿、牙骨质釉质界（CEJ）和牙槽骨的模型准确率较高。此外，AI还尝试辅助非侵入性临床检查，如测量牙周袋深度。尽管当前模型受限于特定数据集且缺乏外部验证，但其在影像骨丧失评估方面表现出巨大应用潜力。
口腔黏膜疾病
口腔黏膜疾病的鉴别诊断对经验不足的临床医生构成挑战。AI辅助识别和分析口腔黏膜病变的临床照片有助于疾病诊断。
研究表明，ANN和DL模型能够以极高的准确度识别口腔白斑病（OLK）、口腔扁平苔藓（OLP）等疾病。对于OPMDs和OSCC的区分，DL模型也表现出色，CNN模型在分类中可实现高灵敏度和特异性。此外，基于CNN的口腔黏膜风险分层模型能够识别具有口腔癌高风险的OLK患者，有助于口腔癌的早期诊断和预防。然而，现有AI系统对OLP的诊断性能存在不一致性，主要源于临床样本量有限和选择偏倚。未来研究需扩大样本多样性和规模以增强模型稳健性。
口腔颌面外科
AI在口腔颌面外科的应用已显著扩展到各种诊断和治疗领域。
- •
牙槽外科：在拔牙术前评估中，AI图像识别应用在检测阻生牙和分析其与邻近解剖结构（如下牙槽神经管、上颌窦）的空间关系方面被证明有效。研究不仅关注影像分析，还综合临床因素（如患者性别、年龄、体重和医生操作技能）来更准确地预测手术时间。AI在三维图像（如CBCT）上的应用能更全面地评估阻生牙。
- •
头颈部囊肿与肿瘤：AI模型在头颈部囊肿和肿瘤的诊断和鉴别中发挥作用。DL模型可用于检测和分类牙源性角化囊肿（OKC）、含牙囊肿和根尖周囊肿等牙源性病变，并在CBCT图像上的性能优于全景片。对于成釉细胞瘤等肿瘤，AI模型可用于图像分割。在口腔癌方面，基于CNN的模型能够从临床照片中分类和检测OSCC。AI还应用于预测OSCC的分级和淋巴结状态，以及对手术切缘进行评估。结合分子生物学和ML的研究也推进了头颈部肿瘤的机制探索和预后评估。
- •
颞下颌关节紊乱病：AI在TMD诊断中显示出潜力，有助于提高效率和准确性。CBCT图像为基础的AI诊断工具可用于诊断颞下颌关节骨关节炎（TMJOA）。DL工具也能在全景片上检测骨关节炎。对于TMJ盘移位，ML和DL训练的AI模型可辅助诊断盘移位和复位，并已应用于MRI和超声图像分析。
- •
颌骨创伤：当前研究主要集中于骨折诊断和手术设计，使用基于DL的模型来检测骨折部位和分类骨折类型。研究表明，CNN算法（如DenseNet-169, ResNet-50, YOLOv5）在检测下颌骨骨折方面表现良好，但其性能可能因数据集来源不同而有所差异。
- •
正颌外科：AI已用于头影测量分析、面部轮廓评估、手术计划和治疗结果预测。统计预测模型和ML算法（如XG-Boost）可帮助制定个性化治疗计划，并预测患者是否需要正颌手术。DL模型还能预测术后软组织轮廓变化和评估面部对称性。
正畸学
AI已融入正畸学的诊断、治疗计划和结果评估中。
- •
头影测量分析：AI模型可用于自动识别头影测量中的解剖标志点，其准确性和可靠性优异，能够实现高效的头影测量分析。
- •
骨龄评估：骨骼年龄评估是AI在正畸学中的另一应用。DL模型可用于评估颈椎成熟度（CVM）或手腕X线片来判断骨骼年龄，诊断准确性高。
- •
拔牙决策：AI工具已被引入拔牙决策过程。有研究成功建立了基于口内照片图像数据的AI诊断模型，通过计算牙弓长度差异对拥挤程度进行分类，并分析拔牙诊断的准确性。
- •
治疗效果预测：AI系统可用于预测治疗后的面部软硬组织形态，例如预测II类错颌畸形非拔牙治疗后的牙齿、骨骼和软组织变化，以及正颌手术后的面部对称性。
修复学
AI在口腔修复中的应用包括牙冠设计、修复体寿命预测和比色。
- •
牙冠设计：CAD/CAM系统与口内扫描仪结合，可创建剩余牙齿的3D表面模型。研究表明，3D-DCGAN等ML模型可用于设计牙冠，其形态可模拟天然牙，且AI设计比其他方法更省时。3D-CNN模型也可基于口内扫描数据生成部分冠。
- •
牙体预备：精确确定牙体预备的终点线对修复体的边缘适合性至关重要。结合DL和CAD的模型能够可靠精确地检测终点线。
- •
比色：比色的准确性受主观因素影响。基于SVM等算法的数字比色设备可用于测定牙齿颜色，匹配准确率高，并能克服光源条件的影响。
- •
可摘局部义齿（RPDs）设计：AI模型可帮助提供个性化的RPDs设计方案。基于CNN的模型在牙弓类型分类中准确率高，是RPDs自动化设计的第一步。
DL的进步有望促进修复牙科的智能化，包括嵌体、全冠和RPDs的设计、比色以及最终修复体产品的质量评估。
挑战与未来展望
尽管AI在牙医学中展现出巨大潜力，但其临床应用仍面临数据可用性、算法局限性和数据隐私等挑战。
AI算法的性能依赖于训练数据集的质量和代表性。数据采集层面的限制、临床信息的敏感性阻碍了有效的数据收集和利用。数据错误和偏见、样本选择不平衡、人工标注不一致以及数据采集设备差异等问题，可能被AI模型无意中学到并延续，导致应用于其他数据集时性能下降。数据隐私和安全是另一大挑战。LLMs在临床决策支持、医学教育和研究加速方面潜力巨大，但开放的数据访问和安全漏洞可能暴露敏感用户信息，带来重大数据安全风险。驱动这些模型的AI算法在数据解释方面往往缺乏透明度。此外，在临床环境中部署LLMs需要仔细考虑伦理问题，如患者隐私、知情同意和法律影响。
应对这些挑战的策略包括提高数据互操作性和共享以促进数据集标准化。通过建立数据标准和有意使用多样化、包容性的数据集，可以减轻表征偏见，使临床结果更加公平可靠。伦理挑战需要明确的法规和指南。政策制定者应优先考虑患者数据隐私和安全，寻求知情同意，并确保数据使用的透明度。此外，应在AI应用的全生命周期实施严格的审查和监控机制。
结论
本综述系统描述了AI在牙医学各专科领域的技术路径和应用现状。随着技术的不断突破和演进，大多数已报道模型的性能可匹配甚至超过牙医水平的准确性，展现出巨大的应用潜力。然而，AI模型在牙医学的临床应用目前仍面临数据集依赖、验证不足和数据隐私等挑战。未来的研究应侧重于通过算法优化、多中心数据融合和标准化评估体系，促进AI在临床实践中的整合，旨在发展更智能的医疗保健生态系统。
