人工智能（Artificial Intelligence, AI）在医学领域的应用已成为变革性的范式，为应对多个医疗学科中持续存在的挑战提供了创新解决方案。其中，口腔颌面放射学因其依赖复杂的基于图像的数据进行诊断和治疗规划，被认为是AI整合的理想领域。AI驱动方法的最新进展已引发该专科的范式转变，其在常规临床实施中的潜力正得到越来越多的探索。口腔颌面放射学涵盖多种影像学检查方式，包括锥形束计算机断层扫描（Cone-Beam Computed Tomography, CBCT）、计算机断层扫描（Computed Tomography, CT）、根尖片、咬翼片、全景片和咬合片摄影，以及超声检查和磁共振成像。这些检查方式为硬组织和软组织提供了互补的可视化信息，使研究人员能够对颌面部区域进行全面评估以用于诊断和治疗目的。开发能够定量和定性分析这些影像学检查方式中解剖结构的精确而稳健的计算模型，有望显著提高诊断准确性并优化治疗规划。
本研究为一项基于Web of Science Core Collection数据库的书目计量学研究，样本来源于2024年12月25日检索获得的751篇口腔颌面放射学领域AI相关英文原始研究及综述文献。研究采用VOSviewer、CiteSpace和Biblioshiny三种分析工具，对1997年至2024年间该领域的出版物趋势、全球贡献、合作网络及关键词动态进行了系统分析。
**研究背景与问题**
人工智能在医学领域的应用已成为变革性范式，为应对多个医疗学科中持续存在的挑战提供了创新解决方案。口腔颌面放射学因其依赖复杂的基于图像的数据进行诊断和治疗规划，被认为是AI整合的理想领域。该专科涵盖锥形束计算机断层扫描（CBCT）、计算机断层扫描（CT）、根尖片、咬翼片、全景片、咬合片摄影以及超声检查和磁共振成像等多种影像学检查方式，这些检查方式为硬组织和软组织提供了互补的可视化信息。基于AI的模型，特别是采用深度学习技术的模型，在识别复杂模式和细微影像特征方面表现出卓越性能，已越来越多地应用于图像分类、解剖结构分割、病变检测、异常识别和预测建模等任务。然而，尽管AI相关出版物近年来呈指数级增长，该领域的整体研究图景、核心 contributors、主题演变及未来方向尚缺乏系统性梳理。因此，研究人员开展此项书目计量分析，旨在全面描绘AI在口腔颌面放射学中的研究现状、识别有影响力的贡献者和主题趋势，并highlight新兴研究方向。
**主要技术方法**
本研究的技术路线包括：数据采集阶段，通过Web of Science Core Collection数据库采用多层面检索策略获取文献；数据清洗阶段，两名研究人员独立筛选，排除会议论文、社论、非英语文献等后纳入751篇论文；数据分析阶段，运用Biblioshiny进行引用分析和合作网络分析，利用VOSviewer生成国家、机构、作者和关键词的网络可视化图谱，通过CiteSpace进行引文突现检测和时区图分析以揭示研究演变趋势。
**研究结果**
**出版物趋势**：1997年至2015年间该领域研究极少，仅6篇论文发表。2016年起研究活动开始增加，2017年累计出版物达11篇。2018年后出现激增，当年发表11篇，2019年26篇，2020年跃升至73篇，2021年111篇，2022年127篇，2023年174篇，2024年达到峰值218篇。累计出版物从2017年的11篇增长至2024年的751篇，呈加速上升趋势。
**国家与机构贡献**：94个国家参与了该领域的合作研究。美国以166篇领先，中国161篇紧随其后，韩国75篇排名第三，其后为德国（64篇）、比利时（49篇）、瑞典（44篇）、巴西（41篇）、沙特阿拉伯（40篇）、日本（40篇）和荷兰（38篇）。中心性分析显示美国以0.45居首，印度（0.15）、中国（0.12）等亦为关键合作枢纽。机构层面，鲁汶天主教大学以46篇居首，鲁汶大学医院、卡罗林斯卡研究所各40篇，安卡拉大学30篇，延世大学、北京大学、埃斯基谢希尔奥斯曼加齐大学各22篇。
**期刊与被引期刊**：171种期刊发表了该领域论文，《Medical Physics》以48篇居首，《Dentomaxillofacial Radiology》42篇、《Journal of Dentistry》32篇紧随其后。共被引分析显示《Medical Physics》被引1597次居首，《Dentomaxillofacial Radiology》（1092次）、《Physics in Medicine and Biology》（982次）位列前三。
**作者与共被引作者**：Reinhilde Jacobs以40篇、918次引用为最高产且最具影响力的作者，Kaan Orhan（28篇，448次引用）、Ibrahim Sevki Bayrakdar（21篇）等次之。共被引作者中J.H. Lee以234次居首，F. Schwendicke（171次）、O. Ronneberger（141次）等为代表性学者。
**高被引论文**：2019年发表的"Tooth detection and numbering in panoramic radiographs using convolutional neural networks"被引72次居首；2019年"Deep Learning for the Radiographic Detection of Apical Lesions"（60次）、2018年"Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm"（54次）等紧随其后。25篇论文自2017年起出现引用突增。
**关键词趋势、热点与聚类分析**：高频关键词包括"artificial intelligence"（269次）、"deep learning"（248次）、"CBCT"（117次）、"machine learning"（100次）、"cone-beam computed tomography"（90次）、"classification"（75次）、"accuracy"（75次）、"segmentation"（74次）等。高中心性关键词为"computed tomography"（0.15）、"algorithm"（0.15）、"accuracy"（0.13）等。聚类分析识别出8个关键聚类：自适应放射治疗（#0）、全景放射摄影（#1）、人工智能（#2）、锥形束CT（#3）、法医人类学（#4）、图像重建（#5）、卷积神经网络（#6）、机器学习（#7）和锥形束计算机断层扫描（#8）。
**讨论与意义**
研究人员在讨论部分系统分析了该领域的研究格局与局限性。出版物自2016年以来的显著增长反映了AI技术的快速进步及其在口腔颌面放射学中日益增长的应用，这一加速趋势与全球医疗AI投资和政策发展的宏观趋势相一致。在不同影像学检查方式中，CBCT和全景放射摄影是AI辅助数据分析最常应用的模态。CBCT作为常规CT的改良形式，具有较低剂量辐射，可提供口腔颌面结构的三维视图，能够评估不同平面的目标区域，避免解剖结构重叠，在龋齿、病变、创伤等方面具有优势。AI增强的CBCT性能优于其他放射学模态，例如将AI整合入CBCT成像可显著提高垂直根折检测的准确性、灵敏度和特异度。卷积神经网络（CNN）是该领域最常用的算法之一，可用于种植体植入前牙槽骨的定量定性评估；其变体U-Net算法适用于检测下颌神经管以避免种植手术损伤。此外，AI模型在CBCT模态中还用于成釉细胞瘤与牙源性角化囊性瘤的鉴别诊断、颞下颌关节疾病的诊断、上下颌骨分割等。
全景放射摄影作为另一种常用的口外放射学方法，可扫描整个颌面硬组织及其周围骨结构。AI在全景放射摄影中的应用包括牙齿识别与编号（准确率93.67%）、龋病检测（91.5%）、骨质疏松诊断（89.29%）、牙周骨丢失和颌窦炎诊断等。研究表明AI在全景放射摄影病理和解剖结构诊断中的特异度（0.847–1.000）总体高于灵敏度（0.390–0.961）。然而，由于全景放射摄影存在结构重叠和尺寸 distortion 等固有限制，AI增强的全景放射摄影仍需进一步改进。书目计量证据表明，尽管全景放射摄影在聚类分析中出现频率较高，CBCT在常见关键词和高中心性关键词中更为突出，提示研究关注可能正从全景放射摄影向CBCT模态转移；但由于全景放射摄影辐射暴露较低，在无特定CBCT指征时其应用仍具合理性。
全球贡献分析显示美国和中国是最大出版物来源国，且在网络合作中具有高中心性，南韩、德国、比利时等的参与进一步强调了研究的全球性质。鲁汶天主教大学、鲁汶大学医院和卡罗林斯卡研究所作为主要贡献机构，反映了其将AI整合入口腔研究的战略重点。《Medical Physics》和《Dentomaxillofacial Radiology》等期刊的主导地位凸显了该领域的多学科性质。
研究人员指出，当前AI应用存在若干局限性：研究集中于有限数量的影像学模态（特别是CBCT和全景放射摄影）和相对同质的数据集，这在一定程度上解释了模型泛化性和外部验证方面持续存在的挑战；高被引研究对准确性等性能指标的重视，与相对较少关注可解释性、临床透明度和实际临床实施的出版物形成对比，这种不平衡与AI系统"黑箱"特性及其有限整合入常规临床工作流程的担忧相一致。AI在口腔颌面放射学中的应用具有重要临床和公共卫生意义，包括提高诊断准确性、减少观察者间和观察者内差异、增强工作流程效率，以及促进远程放射学服务和扩大资源有限地区专业诊断的获取。然而，临床验证、跨人群和成像方案的泛化性以及AI部署中的伦理考量等挑战仍然存在。
未来研究方向包括：加强临床医生与计算机科学家的逐步合作；提供提高泛化性和避免模型过拟合的新解决方案和协议；引入可接受的准确性、灵敏度和特异度最低标准；增强AI系统的可解释性以使临床医生能够监控处理机制；理解AI模型的认知特性，特别是其自我意识和在鉴别诊断与绝对诊断之间进行区分的能力。
**研究结论**
基于书目计量分析的发现，研究人员得出以下关键结论：首先，自2016年以来研究产出呈现显著且加速的增长，反映了利用AI提高该专科领域诊断精度和临床决策的扩展兴趣。美国是最多产的贡献者，展示了 robust 的国际合作，中国和南韩紧随其后。鲁汶天主教大学和鲁汶大学医院等有影响力的机构在推进该研究领域方面发挥关键作用。《Medical Physics》和《Dentomaxillofacial Radiology》等期刊已成为传播开创性工作的核心平台，体现了日益增长的学术兴趣以及AI驱动创新在放射学中日益增长的影响力。
当前研究图景由深度学习（DL）和机器学习（ML）算法的开发和应用主导，特别是用于图像分类、分割和异常检测等任务。新兴趋势highlight自动化量化、AI整合入临床工作流程以及个性化治疗策略。当前进展展示了AI增强放射学在识别牙齿以及检测龋病、牙周骨丢失和根尖周病变方面的潜力。此外，AI可为病理病变的鉴别诊断做出贡献。在所有这些领域，AI均可发挥辅助作用，增强临床诊断并优化治疗规划。
尽管取得这些进展，挑战仍然存在，特别是在转化研究方面。未来研究必须通过促进临床医生与计算机科学家之间的更密切合作，开发量身定制、可靠且符合伦理的AI系统，以应对当前局限。未来的书目计量研究对于跟踪新兴AI方法的出现和影响亦将具有重要价值，因为这些技术日趋成熟并在文献中变得更加突出。这种多学科努力对于充分利用AI的潜力以革新口腔颌面放射学和改善患者结局至关重要。
打赏
