综述：人工智能在拔牙中的应用：一项系统评价

《Journal of Dental Sciences》：Applications of artificial intelligence in tooth extraction: A systematic review

牙齿拔除人工智能应用研究综述，系统评估AI在牙根神经评估、手术决策、难度预测及并发症管理中的效能，揭示机器学习与生成式AI技术提升临床精准度的潜力，提出需加强多中心数据验证及医疗伦理规范。

　　在现代医学和牙科领域，人工智能（AI）技术的快速发展正在改变传统诊疗方式，为牙科手术提供新的工具和方法。其中，牙科拔牙作为一种常见的手术操作，正逐渐成为AI应用的重要领域。通过对相关文献的系统回顾，我们发现AI在牙科拔牙中的应用涵盖了多个方面，包括风险评估、决策支持、术后并发症预测以及与手术相关的其他辅助功能。这些研究不仅展示了AI在提升诊疗效率和精准度方面的潜力，也揭示了其在实际临床应用中面临的挑战和局限性。

拔牙手术通常用于处理多种牙科问题，如龋齿、牙齿因龋齿或根管治疗而变得脆弱、牙周病、第三磨牙（智齿）问题、义齿修复需求、正畸治疗要求以及外伤等。随着技术的进步，拔牙手术的复杂性和风险也在不断增加，尤其是在涉及下颌神经和上颌窦等重要解剖结构时。传统上，这些判断依赖于医生的经验和影像学评估，但AI的引入为这一过程带来了更系统和精准的分析方式。

在本系统回顾中，我们检索了PubMed、Scopus和Web of Science三个数据库，使用关键词“tooth extraction”与“artificial intelligence”、“machine learning”或“deep learning”进行组合搜索，共获取了809篇相关文献。经过去重和筛选，最终确定了35篇符合研究要求的文献。这些文献涉及多个主题，其中与牙齿根部和下颌神经关系相关的研究最多，共有10篇，其次是拔牙决策支持相关的研究，共8篇。这些主题被认为是临床决策过程中影响风险评估和治疗选择的重要因素。此外，还有6篇研究关注拔牙难度、术前准备和手术时间，4篇涉及上颌窦评估，3篇研究探讨了下颌骨坏死和骨髓炎的预测模型，以及2篇分别涉及术后并发症和生成式AI的应用。

在与牙齿根部和下颌神经关系的研究中，许多学者利用全景X光片和锥形束CT（CBCT）图像，评估下颌第三磨牙与下颌管或下颌神经之间的位置关系。这些研究表明，AI在诊断准确性和风险预测方面具有与传统方法相当甚至更优的潜力。例如，Lee等人开发了一个模型，能够自动检测下颌第三磨牙并预测拔牙难度和下颌神经损伤风险。Picoli等人则通过分析手术结果，评估了下颌第三磨牙拔牙后可能出现的神经功能丧失风险。此外，On等人研究了术中下颌神经暴露对拔牙后损伤风险的影响，发现下颌神经暴露会显著增加损伤的可能性。

在拔牙决策支持方面，AI的应用主要集中在利用电子病历、影像数据和正畸变量等信息进行分析。例如，Miladinovi?等人在2010年首次提出了基于AI的拔牙决策支持系统，此后越来越多的研究开始关注这一领域。其中，有四篇研究涉及正畸治疗中的拔牙决策，这表明AI在正畸领域的应用正在扩展。其他研究则关注拔牙原因的预测、牙周病牙齿的识别、牙齿是否需要保留的判断以及下颌第三磨牙是否会发生萌出的预测。这些研究显示，AI在帮助医生做出更准确的诊断和治疗计划方面具有重要价值。

拔牙难度、术前准备和手术时间的研究主要依赖于影像学评估和临床数据的分析。Yoo等人和Torul等人分别使用全景X光片和CBCT图像，评估下颌和上颌阻生牙的拔牙难度。他们的研究显示，AI能够有效预测拔牙难度，并为医生提供更合理的术前准备建议。此外，Kwon等人研究了拔牙时间与临床数据（如年龄、性别、最大开口度、体重、身高、切口开始到缝合开始的时间以及外科医生经验）之间的关系，试图通过AI模型优化拔牙过程中的时间管理。这些研究不仅有助于提高手术效率，还可能减少医生的工作负担，并改善患者的治疗体验。

在上颌窦评估方面，AI的应用主要集中在上颌窦的分割、上颌窦与口腔的沟通（OAC）以及上颌窦内残留囊肿的识别。例如，Choi等人提出了基于深度学习的上颌窦全自动分割方法，为上颌窦疾病的诊断提供了新的工具。Vollmer等人则研究了上颌磨牙拔牙后上颌窦沟通的风险，并指出全景X光片在预测该风险方面效果不佳。Ha等人开发了一个基于全景X光片的自动分类模型，用于识别上颌窦内的残留囊肿，并显示出良好的诊断性能。这些研究为上颌窦疾病的预防和治疗提供了新的思路。

在下颌骨坏死和骨髓炎的预测模型研究中，有三篇文献分别探讨了与双膦酸盐相关的下颌骨坏死（BRONJ）、药物相关的下颌骨坏死（MRONJ）以及头颈部癌症患者的下颌骨放射性坏死（osteoradionecrosis）。Kim等人指出，机器学习方法在预测BRONJ方面优于传统的统计方法，特别是在使用药物假期和血清CTX水平进行分析时。Kwack等人则利用初次咨询时的问卷数据，预测了MRONJ的发生风险。Humbert-Vidan等人提出了一种基于机器学习的模型，用于预测下颌骨放射性坏死的发生情况，并强调了个性化治疗和风险评估的重要性。这些研究为放射性骨坏死的早期诊断和干预提供了新的可能性。

术后并发症的研究主要集中在面部肿胀和术后疼痛两个方面。Zhang等人开发了一个模型，用于预测下颌阻生牙拔牙后的面部肿胀情况，并显示出98%的预测准确率。Yu等人则构建了一个模型，用于预测术后疼痛的发生风险，认为该模型可以为术后疼痛管理提供理论依据。这些研究表明，AI在预测术后并发症方面具有较高的准确性和实用性，有助于医生制定更个性化的治疗方案，从而改善患者的临床结果。

生成式AI的应用研究则主要集中在医疗咨询方面。Acar等人和Aguiar de Sousa等人分别探讨了ChatGPT等生成式AI在牙科领域的应用，认为这些AI可以作为医疗助手，提供初步的诊疗建议。然而，由于生成式AI尚未被批准为医疗设备，其回答的准确性无法保证，且在出现错误信息时责任归属尚不明确。因此，尽管生成式AI在牙科领域的应用正在扩展，但仍需进一步研究以解决这些问题。

总体来看，AI在牙科拔牙中的应用呈现出多样化的趋势，涵盖了从影像学分析到决策支持、从风险评估到并发症预测等多个方面。这些研究不仅展示了AI在提升诊疗效率和精准度方面的潜力，也揭示了其在实际临床应用中面临的挑战。例如，部分研究样本量较小或缺乏外部验证，这可能影响结论的可靠性。此外，AI模型的准确性和适用性仍需进一步优化，特别是在处理复杂病例和多因素影响时。

未来，AI在牙科拔牙中的应用仍需进一步探索。一方面，需要收集更多的临床数据，以提高模型的准确性和泛化能力。另一方面，应加强不同AI技术（如监督学习、无监督学习和强化学习）在牙科领域的应用研究，探索其在不同场景下的优势和局限性。此外，还需要进一步研究生成式AI在医疗咨询和教育中的应用，以解决其在临床实践中的伦理和法律问题。

综上所述，AI在牙科拔牙中的应用正在逐步扩展，为临床诊疗提供了新的工具和方法。尽管目前的研究还存在一定的局限性，但其在提高诊疗效率、减少手术风险、改善患者体验等方面展现出巨大的潜力。未来，随着技术的不断进步和临床数据的积累，AI在牙科拔牙中的应用有望进一步深化，为牙科领域带来更多的创新和突破。