人工智能与修复学的未来：一项叙述性综述

目的：本叙述性综述旨在系统总结和汇编关于人工智能（AI）在修复学主要领域（包括全口义齿、可摘局部义齿、固定修复、种植修复和颌面修复）应用的现有证据。方法：使用PubMed和Scopus数据库进行结构化文献检索，并结合手动筛选相关期刊，以识别2006年至2025年间发表的同行评审临床、实验和综述研究。检索策略结合了与“人工智能”、“机器学习”、“深度学习”和“神经网络”以及修复学领域特定术语相关的关键词组合。共选择54篇符合纳入标准的研究进行分析。由于研究设计、数据集和报告结局的异质性，无法进行定量荟萃分析，因此采用描述性叙述方法综合研究结果。本综述作为叙述性研究进行，未遵循PRISMA方案。结果：纳入研究表明，人工智能在修复学中的应用主要集中在种植修复，其次为固定和可摘修复。AI方法常用于牙弓分类、图像解读、预测建模、修复体设计、种植系统识别和工作流程优化，许多研究报告在受控条件下准确率超过90%。尽管有这些结果，但大多数证据来自回顾性或实验性环境，前瞻性临床验证有限。常见挑战包括数据质量、模型透明度不足、伦理考量以及在常规临床工作流程中使用AI系统的困难。结论：当前证据表明，人工智能已作为支持性辅助工具在数字修复学工作流程中得到广泛探索。需要进一步标准化验证、前瞻性临床研究和伦理监督，以阐明临床适用性并指导其负责任地整合到常规修复学实践中。

**人工智能与修复学的未来：一项叙述性综述解读**

**研究背景与问题**
修复学涉及缺失或受损牙齿及颌面组织的康复，以恢复口腔功能、美观和生活质量。传统修复学决策依赖于临床经验和手动流程，虽有效但在复杂或多学科病例中存在结局变异性。数字牙科的普及（如计算机辅助设计与制造、三维成像和虚拟治疗计划）产生了大量数据，而人工智能（AI）凭借其模式识别、数据解读和决策支持能力，成为分析复杂数据集的潜在工具。然而，AI在修复学中的应用证据在 study 设计、数据集、验证策略和临床终点方面存在异质性，缺乏系统梳理。因此，该综述旨在总结AI在修复学各领域的应用现状、结局、局限性和未来方向。研究人员（即本文作者）开展了这项叙述性综述，对2006–2025年间PubMed和Scopus收录的54篇同行评审研究进行定性综合，结果发现AI在种植修复中应用最广，准确性多数超过90%，但证据多源于回顾性或实验性场景，前瞻性临床验证不足。该论文发表在《The Saudi Dental Journal》，其重要意义在于为AI在修复学中的临床整合提供了全面证据基础，并指出了标准化、前瞻性研究和伦理监督的必要性。

**主要关键技术方法**
研究人员使用的方法包括：通过PubMed和Scopus数据库进行结构化文献检索，结合手动筛选相关期刊，纳入2006–2025年间发表的同行评审临床、实验和综述研究。搜索策略结合了“人工智能”“机器学习”“深度学习”“神经网络”等关键词与修复学领域特定术语。共54篇研究入选，因研究设计、数据集和报告结局的异质性，采用描述性叙述综合方法。该综述未遵循PRISMA方案。样本队列来源于各纳入研究，未指定具体队列来源。

**研究结果**

**3.1 全口义齿修复**
AI主要用于数字诊断和设计工作流程中的分类、设计辅助和客观结局评估。卷积神经网络（CNN）模型通过临床照片和数字扫描自动分类牙弓形态，在受控条件下表现良好。深度学习模型用于牙排列和咬合方案设计，基于现有义齿数据集识别牙位模式。AI辅助图像分析通过粉碎测试材料评估咀嚼效率，预测模型基于面部软组织变形数据估计戴义齿后的面部变化。证据显示，这些应用仍处于探索或早期临床评估阶段。

**3.2 可摘局部义齿修复**
AI主要研究自动化牙弓分类和决策支持。CNN模型通过口内照片识别Kennedy分类和缺牙模式。基于本体的临床决策支持系统（结构化的临床概念与设计规则的逻辑整合）辅助可摘局部义齿（RPD）支架设计，减少操作者差异。AI学习平台用于教育，但临床结局验证有限。

**3.3 固定修复**
AI用于提升数字设计精度和减少操作者变异性。深度学习算法基于三维牙预备数据集自动检测边缘，点云分割方法可靠识别预备体边缘。机器学习模型分析预备体几何、材料特性和咬合参数，预测冠粘接失败和结构断裂风险。生成模型和深度学习模型复制天然牙形态和颜色匹配，提升一致性。研究多集中在CAD/CAM环境中的技术可行性。

**3.4 种植修复**
AI在图像分析和决策支持中应用最广。深度学习模型用于锥形束计算机断层扫描（CBCT）和全景片中的解剖标志识别、骨评估和种植位点评估。机器学习技术用于钻针方案选择、种植系统识别及并发症检测。AI增强的导航系统整合实时手术引导与术前CBCT数据，优化种植定位。机器人辅助植入流程支持精度，但临床证据有限。AI还用于评估种植支持修复体的机械并发症（如部件断裂）。

**3.5 颌面修复**
AI主要用于修复体设计、面部对称重建和解剖建模。深度学习图像分析辅助缺损分析和虚拟修复体设计。生成对抗网络（GAN）用于三维面部结构重建和镜像未受影响区域，指导修复体制造，多与增材制造流程整合。AI还用于组织工程中的支架设计、组织行为预测和感觉反馈系统开发。研究样本量小、方法异质大，伦理问题突出，多数应用仍为探索性。

**4 结局与临床影响**
AI在修复学中主要用于分类、图像分析、预测和设计支持。多数研究描述回顾性或受控条件下的技术性能，在种植和固定修复中较突出。结局测量、数据集和验证策略差异大，限制直接比较。AI作为支持工具可提高效率、减少手工重复任务变异性，但以工作流程支持、设计标准化和决策辅助为主，缺乏患者中心长期获益证据。

**5 挑战与局限性**
常见限制包括：数据质量和可用性（多源于回顾性或机构特定数据集，泛化能力有限）；研究设计异质性（领域、任务、数据集、验证策略不一致）；多数实验性或回顾性，缺乏前瞻性临床评估；算法透明性和可解释性不足（深度学习“黑箱”模型降低信任，增加监管和临床责任难度）；数据隐私、知情同意和算法偏见等伦理问题；实践障碍（数字基础设施需求、培训成本、临床熟悉度差异）。

**6 伦理考量**
AI在修复学中需应对敏感数据存储、网络安全和数据保护合规。医-法责任问题突出：当AI参与临床决策（如修复体设计或种植规划）时，出现并发症的责任归属需明确，修复医师应保持最终决策权。解释性AI技术需开发以提高信任。算法偏见可能加剧口腔医疗不平等。过度依赖AI输出可能损害临床判断，尤其在时间压力下。患者和医生需清楚了解AI的角色、局限性和人类监督程度。

**7 未来方向**
未来研究应从技术可行性转向临床有效性，评估AI是否改善效率、治疗质量、一致性、安全性和决策。各领域需开发特异证据：全口义齿中评估AI辅助分类和预测能否减少调整时间；可摘局部义齿需在真实病例中验证决策支持；固定修复需检查自动边缘检测、形态设计和颜色匹配对修复体适合度、重做率和长期存活的影响；种植修复需前瞻性研究展示以修复为导向的结局改善；颌面修复需多中心合作和罕见病例数据共享。临床采用取决于实用性和成本效益，报告应更一致（数据集描述、验证策略、失败模式、临床参与度）。需修复医师、工程师、数据科学家和伦理专家协作。

**结论部分翻译**
人工智能越来越多地应用于修复学中数字诊断、图像分析、治疗计划、修复体设计和工作流程优化，涵盖固定、可摘、种植和颌面病例（Sikri et al. 2023）。然而，当前证据应谨慎看待：多数研究基于回顾性数据、实验室条件或小样本，主要关注技术准确性而非真实临床结局。尽管AI模型在受控条件下常表现出高性能，但这并不一定转化为日常实践中的有意义获益，因为患者变异性、工作流程限制、临床专业知识和长期结局仍然关键。AI在修复学中的未来角色将较少依赖孤立的准确性指标，而更多依赖于这些工具能否在真实临床环境中展示可靠价值。为实际整合，AI系统必须经过外部验证、可解释、受伦理约束并与现有修复学流程兼容。目前，AI最好被视为增强临床决策和数字效率的支持性辅助工具，而非取代修复学专业知识。总体而言，AI作为现代修复学的重要辅助工具具有巨大前景，但其临床成熟度仍不均衡。有意义的进展需要证据表明在常规条件下治疗质量、效率、安全性和患者中心结局的改善。在此之前，应采用谨慎、批判的态度，并在专业监督下进行采纳。