综述：通过人工智能重新定义口腔医疗：当前应用回顾与牙科未来路线图

《BMC Artificial Intelligence》：Redefining oral healthcare through artificial intelligence: a review of current applications and a roadmap for the future of dentistry

本综述系统评估了人工智能（AI）在牙科领域的整合现状与未来潜力。文章深入探讨了机器学习（ML）、深度学习（DL）、计算机视觉（CV）等AI技术在口腔疾病诊断（如龋病、牙周病、口腔癌）、正畸规划、修复CAD/CAM工作流及机器人手术等临床环节的可变效能。同时，综述也批判性地审视了算法偏见、数据隐私、临床采纳障碍等关键挑战，并提出了联邦学习、可解释AI（XAI）及数字孪生等未来发展方向，为AI在牙科实现公平有效的精准医疗提供了平衡的路线图。

　　

引言

牙科领域在过去两个世纪经历了从经验实践到数据驱动临床科学的深刻变革。人工智能（AI）作为新一代创新技术，正通过其子领域如机器学习（ML）、深度学习（DL）、自然语言处理（NLP）、计算机视觉（CV）和生成模型（如生成对抗网络GANs），潜在地重塑诊断、治疗和操作范式。本文旨在探讨AI如何应用于当前牙科实践，并分析其未来整合的机遇与挑战。

方法论

本叙述性综述采用了系统性的文献检索与综合方法。检索范围涵盖2010年1月至2025年1月间的多个数据库，最终纳入123篇符合标准的文献进行综合分析。

AI在牙科的理论与计算基础

机器学习（ML）和深度学习（DL）构成了牙科AI应用的基石。ML包括监督学习（用于龋齿检测和风险评估）、无监督学习（用于患者聚类）和强化学习（实验性应用于机器人手术和种植规划）。DL则利用多层神经网络进行层次特征学习，卷积神经网络（CNNs）广泛应用于全景片解读、头影测量标志点检测和根尖周病变诊断。3D CNNs能够处理锥形束计算机断层扫描（CBCT）的体积数据，实现自动化下颌骨分割和异常检测。

自然语言处理（NLP）有助于从非结构化临床笔记中提取和分析文本数据，将其转化为结构化电子健康记录（EHR）字段，并探索语音转文本技术和基于BERT/GPT等Transformer模型的自动化治疗总结生成。

计算机视觉（CV）使机器能够解读X光片、口内扫描图像和临床照片，用于分割口腔组织、识别解剖标志和检测病理。生成式AI（如GANs）被探索用于合成训练数据以增强数据集，并用于预测性建模，如模拟未来牙齿磨损。

临床应用与证据图谱

诊断决策支持系统

AI在诊断决策中的应用表现各异。用于检测口腔鳞状细胞癌（OSCC）的DL模型汇总灵敏度达92%，特异性达91.9%，但研究间存在显著异质性。在受控环境中，评估根尖片的DL模型对龋病和牙周炎检测的F1分数达0.82。AI模型评估牙周病的准确率与牙周专家相比达到87%。

影像学分析

AI模型分析CBCT和全景片显示出潜力但也存在局限。CNN模型对龋病诊断的汇总灵敏度为0.79，特异性为0.87，ROC曲线下面积为0.885，但性能受图像质量和人口统计学特征影响。AI在头影测量和MRI数据解读方面也显示出检测颅面异常的潜力。

正畸学与预测模拟

AI系统可辅助生长预测、头影测量标志点识别和治疗模拟。生长预测工具与临床结局相关性中等（r = 0.65-0.75）。 aligner规划平台中的强化学习算法可优化力矢量。使用3D形态计量学数据集进行实时面部形态模拟已具备技术可行性。

修复学与数字化设计

AI增强的CAD/CAM技术显示出可衡量的设计效率提升。生成模型和GANs可以设计复制天然形态的单颗磨牙修复体。AI设计的牙冠与传统方法相比减少了25-30%的制作时间。基于CNN的模型可预测CAD/CAM牙冠的脱粘风险。临床试验发现，数字生产的全口义齿在73%的病例中实现了改善的咬合力平衡。

牙髓病学与牙周病学

AI模型在理想条件下识别根管解剖和检测根尖周病变的准确率报告为85-90%。唾液生物标志物分析与AI分类器结合对牙周炎风险评估显示出潜力。CNN模型对牙龈炎检测的灵敏度达92%，特异性达94%。智能手机工具GumAI的准确度为0.85，灵敏度为0.93。一项随机临床试验表明，配备AI的多模态传感牙刷可改善刷牙行为并减少出血牙周袋8%。

口腔外科与机器人学

用于种植体植入的机器人系统在研究中显示出技术精确性，平均冠部偏差为0.7±0.3 mm，角度偏差为1.1°±0.5°，优于徒手植入。这些系统利用实时CBCT反馈进行位置调整。

融入牙科工作流与基础设施

AI增强的电子健康记录（EHR）

将AI整合到EHR中进展缓慢。ML算法可以构建非结构化笔记并识别模式。语音识别技术用于免手持文档记录，但准确性（70-85%）影响临床效用。用于识别高风险患者的预测分析正在测试中。联邦学习等分布式计算模型提供了隐私保护分析的潜力。

临床决策路径

AI整合到临床决策中，在决策树内使用预测算法支持治疗计划。能够根据结局优化建议的自适应平台正在开发中。实时风险警报显示出潜力，但需平衡灵敏度与警报疲劳。

人机协作模型

有效的人机协作需要双向知识交换和可解释的输出。可解释AI（XAI）方法，如SHAP（SHapley Additive Explanations）和层相关性传播（LRP），有助于临床医生理解模型预测。提供特征重要性可视化的工具增加了信任度。用户界面设计和临床医生培训对采纳有显著影响。

数字孪生与个性化牙科

数字孪生——整合多模态数据的虚拟患者表征——是一个新兴前沿。这些系统综合X光片、扫描数据、基因图谱和治疗记录，以模拟生理过程或治疗结果。虽然概念上有前景，但在标准化、计算需求和验证方面面临挑战。

多学科影响与合作

生物医学工程

生物医学工程与AI的融合正在推进智能诊断和监测。测量唾液生物标志物和pH值的口内生物传感器可将数据馈送给AI系统用于疾病监测。追踪咀嚼力的智能护齿套提供个性化反馈。

计算生物学

AI处理来自下一代测序的口腔微生物组数据，可以识别与疾病相关的微生物特征。DL模型分析微生物相互作用以预测牙周炎和种植体周围炎的发生。宏基因组平台可以在临床症状出现前检测到致病性转变。

AI模型绘制口腔健康与全身健康之间的双向通路，揭示了牙周炎与糖尿病、心血管疾病等状况之间共享的分子介质。这使得牙科数据可以作为全身监测的代理。

材料科学

ML算法预测牙科材料在不同条件下的机械性能和降解。在磨损数据上训练的神经网络模拟复合树脂和陶瓷的应力响应。机器学习引导的4D形状记忆树脂设计能够动态响应口腔条件。逆向设计算法优化材料成分以获得特定性能。

伦理、法律与社会影响（ELSI）

AI在牙科中的应用引发了关键的伦理、法律和社会挑战。

算法偏见与公平性

在单一数据集上训练的AI系统可能对代表性不足人群产生不准确预测，加剧健康差距。缓解策略包括包容性数据表示、定期偏见审计和公平感知算法开发。

患者自主权与知情同意

AI系统的复杂性，特别是深度神经网络，对知情同意构成挑战。许多模型对临床医生和患者来说仍是“黑箱”。解决这一问题需要实施可解释AI（XAI）、临床医生风险沟通培训以及健全的数字同意程序。

法律责任与医疗事故

当AI影响临床决策时，责任认定变得复杂。传统的责任框架在AI系统参与决策时变得模糊。需要新的框架对AI系统进行分类，并规定记录AI在临床决策中作用的文件要求。

数据隐私与安全

牙科AI应用依赖携带隐私风险的多模态数据集。传统的去标识化技术可能不足以防止重新标识。联邦学习和区块链技术提供了潜在的解决方案。

监管环境

牙科AI的监管环境在全球范围内仍然分散。欧盟的《人工智能法案》将用作安全组件或医疗设备的AI归类为高风险。美国FDA将大多数牙科AI视为医疗设备软件（SaMD）。确定AI辅助决策造成患者伤害时的责任归属仍然是一个未解决的问题。

采纳障碍与实施科学

尽管有潜在益处，但AI转化为常规牙科实践仍面临重大障碍。

技术障碍

许多牙科诊所缺乏AI实施的计算基础设施。遗留成像系统与现代AI平台之间的不兼容性阻碍了整合。实时处理需要强大的连接性，这在农村地区往往不足。

经济与成本效益模型

高昂的初始投资加上持续的维护成本使小型诊所难以实施。缺乏经过验证的投资回报（ROI）模型以及AI辅助服务报销不明确加剧了经济挑战。

临床医生接受度与教育

牙科专业人员AI知识有限助长了怀疑态度。调查显示AI知识水平低至中等，缺乏正规培训。阻力源于工作量担忧和对临床自主权的担忧。

监管与标准化挑战

AI软件缺乏全球标准化的验证和批准途径。监管机构正在制定风险分类和监督框架，但缺乏国际协调。

未来方向与研究路线图

联邦AI与全球模型共享

联邦学习支持协作模型训练而无需直接交换数据，在保护隐私的同时增强泛化能力。多中心研究显示在保持数据保护的同时性能得到改善。

可解释与因果AI

可解释AI（XAI）方法（SHAP、LRP、显著性图）正被整合以提高可解释性。因果推理技术使得能够超越相关性，识别机制性关系。

与组学和生物样本库的整合

AI处理基因组学、蛋白质组学和代谢组学数据有助于个性化风险分层和生物标志物发现。纵向生物样本库平台与AI结合可以增进对疾病病因学和治疗反应的理解。

自学习牙科系统

能够通过实时数据输入持续改进的系统是一个未来方向。这些模型可以根据结局和反馈进行自适应，动态优化协议。然而，防止模型漂移和确保临床安全的保障措施是必要前提。

结论

人工智能正逐步融入牙科实践，应用范围涵盖诊断、治疗计划和实践管理。证据显示在不同应用中成功程度各异，从在受控环境中显示出 promising 准确性的诊断支持系统，到展示技术可行性的机器人手术。

然而，重大挑战抑制了最初的热情。算法偏见、数据隐私问题、临床医生怀疑态度、经济约束和监管不确定性继续限制临床转化。对照研究中报告的性能指标可能无法反映真实世界的有效性，关于在不同人群中泛化性的问题仍然存在。

展望未来，AI在牙科的成功实施需要同时解决多个维度：技术基础设施开发、监管框架建立、临床医生教育和伦理保障。联邦学习、可解释AI和自适应系统的创新提供了前进道路，但需要仔细验证和深思熟虑的实施。

AI在牙科的整合更可能是渐进式的，而非革命性的转变，逐步采纳那些证明具有明确临床益处和经济可行性的已验证应用。成功将取决于跨学科合作、健全的治理以及保持以患者为中心的护理重点。通过适当的开发和实施策略，AI有潜力在提供口腔医疗保健方面增强（而非取代）人类的临床判断。