超越算法的潜力：人工智能时代下的正畸拔牙决策

人工智能在正畸拔牙决策中的应用研究：系统综述与元分析显示AI模型敏感性70%、特异性90%，但置信度低且存在异质性。

摘要

评论文章

Ziaei, S., Samani, D., Behjati, M. 等。

人工智能在正畸拔牙治疗计划中的准确性：一项系统评价和荟萃分析。BMC Oral Health 2025;25:1576。https://doi.org/10.1186/s12903-025-06880-9

问题

机器学习（ML）能否在正畸治疗的背景下准确预测拔牙的必要性？

研究设计

本研究为观察性研究的系统评价。

研究选择标准

“入选标准”：横断面研究将基于人工智能的模型与正畸医生的意见进行比较，以评估其在正畸治疗计划中的拔牙决策能力。信息来源：检索了截至2025年6月的四个电子数据库（PubMed、Scopus、Web of Science和Google Scholar），检索过程中不限制语言或日期。检索策略结合了关键词和医学主题词（MeSH）进行搜索，并通过查阅相关文章的参考文献列表进行补充。

研究选择与数据提取

：由两名审稿人共同完成研究选择，随后提取相关数据。

偏倚风险与适用性

：审稿人使用JBI分析性横断面研究批判性评估清单对研究质量进行了评估。

数据合成

使用Python通过随机效应模型进行了敏感性和特异性的荟萃分析，随后采用混合效应模型进行了元回归分析，并进行了亚组分析。

结果

共有7项研究被纳入本评价。这些研究均为横断面研究，样本量不等，患者数量从192人到1636人不等，年龄范围广泛。所使用的人工智能模型主要为卷积神经网络（CNN），包括ResNet变体（ResNet-50、ResNet-101）和VGG网络（VGG16、VGG19），以及其他机器学习算法，如随机森林和决策树。其中3项研究的方法学质量被评为“高”，4项为“中等”。人工智能模型在敏感性估计方面的诊断性能范围为0.31（95%置信区间：0.22–0.42）至0.94（95%置信区间：0.90–0.96），总体合并敏感性为0.70（95%置信区间：0.61–0.78）。特异性估计范围为0.44（95%置信区间：0.30–0.59）至0.97（95%置信区间：0.95–0.98），总体合并特异性为0.90（95%置信区间：0.87–0.92）。亚组分析显示，ResNet模型（2项研究）的敏感性分别为0.76和0.82，VGG模型（2项研究）的敏感性分别为0.76和0.82；特异性方面，ResNet和VGG模型的特异性分别为0.94和0.93。然而，这些差异在统计学上并不显著。元回归分析发现患病率与敏感性之间存在统计学上的关联（β = 0.99，p = 0.05）。

结论

尽管确定性较低，但本荟萃分析表明，基于卷积神经网络的人工智能模型在预测正畸治疗所需的拔牙方面具有中等至较高的诊断准确性（敏感性：70%；特异性：90%）。