基于人工智能的受损伤下颌第三磨牙自动分割技术：多种算法的全面比较

《Journal of Dental Sciences》：Artificial intelligence-enabled automatic segmentation of impacted mandibular third molars: A comprehensive comparison of multiple algorithms

下颌第三磨牙AI辅助分割算法的临床对比研究显示，BSP AI加手动调整在DSC（0.89±0.02）、95HD（0.85±0.25mm）等指标上最优，阈值法次之，Romexis AI最差。研究验证了AI分割在提升效率和精度上的潜力，但需结合人工修正确保解剖细节准确性，为临床应用提供参考基准。

　　在口腔外科领域，下颌第三磨牙的手术移除是一项常见且重要的操作。然而，这类手术往往伴随着对周围重要结构（如下牙槽神经和相邻的第二磨牙）造成损伤的风险。因此，术前评估和精确的手术规划对于降低并发症至关重要。近年来，锥形束CT（CBCT）技术因其能够提供三维影像，已被广泛应用于此类手术的术前准备中。CBCT不仅能够更清晰地显示下颌第三磨牙与周围结构的空间关系，还能为虚拟手术规划和手术模拟提供可靠的三维模型。然而，如何高效且准确地从CBCT影像中分割出下颌第三磨牙，仍然是临床和研究中的一个关键挑战。

传统的牙齿分割方法通常依赖于手动操作，即通过在CBCT图像的每个切片上勾勒出牙齿轮廓来完成。虽然这种方法在一定程度上能够保证分割的准确性，但其效率较低，且高度依赖操作者的经验和技能。此外，手动分割过程耗时较长，容易受到主观因素的影响，导致不同操作者之间结果的不一致性。因此，为了提高分割效率并减少人为误差，研究者们开始探索半自动和全自动的牙齿分割方法，其中基于人工智能（AI）的分割技术逐渐成为研究热点。

本研究旨在系统评估几种现有的下颌第三磨牙分割方法，包括传统的人工阈值分割法（Thresholding）、基于AI的Blue Sky Plan（BSP AI）、经过手动调整的BSP AI（BSP AI with adjustment）以及Planmeca Romexis（Romexis AI）。研究通过比较这些方法在分割精度、质量以及效率方面的表现，为临床应用和未来研究提供数据支持。为了确保评估的客观性和可靠性，所有分割结果均以手动分割作为参考标准，并采用多种定量指标进行分析，如Dice相似性系数（DSC）、交并比（IoU）、平均对称表面距离（ASSD）、95%豪斯多夫距离（95HD）以及相对体积差异（RVD）。此外，研究还从形态学、三维可视化和与相邻结构的空间关系等方面对分割质量进行了定性评估。

研究结果表明，BSP AI与手动调整相结合的方法在所有定量指标中表现最佳，其DSC值达到0.89±0.02，95HD值为0.85±0.25毫米，远高于其他方法。相比之下，Romexis AI在所有评估指标中表现最差，DSC值仅为0.81±0.03，95HD值为1.41±0.32毫米。这表明，尽管AI技术在牙齿分割中展现出较高的效率，但在某些细节识别方面仍存在不足，尤其是在根部形态的区分上。此外，BSP AI和Thresholding在重叠度指标上表现相近，但BSP AI在边界距离和体积差异方面略胜一筹，说明其在空间定位和形态学再现上具有一定的优势。

从时间成本来看，传统手动分割方法耗时最长，平均每个牙齿需要43.78±4.76分钟，而BSP AI仅需1分钟，效率极高。然而，当需要手动调整时，BSP AI with adjustment的平均分割时间为14.75±3.51分钟，虽然比纯手动分割快，但仍然显著高于BSP AI的自动分割时间。Romexis AI的平均分割时间为5.50±1.18分钟，Thresholding则需要8.89±1.68分钟。这些结果表明，AI技术在提升分割效率方面具有明显优势，但若需要进一步优化分割质量，手动调整仍然是不可或缺的步骤。

在定性评估方面，研究采用了一套详细的评分标准，涵盖牙齿形态、三维可视化效果以及与周围结构的空间关系。评分表中，每个评估标准从1到4分进行打分，4分表示最佳质量。结果显示，BSP AI with adjustment在所有评分项中均表现优异，总评分为38.00±0.87，接近满分。Thresholding的评分也较高，为38.00±1.14，显示出其在低对比区域的分割能力得到了手动验证的提升。而BSP AI和Romexis AI的评分则相对较低，分别为35.87±3.21和31.45±1.35。这表明，尽管AI技术在分割效率和重叠度方面表现良好，但在某些细节识别和根部形态再现方面仍存在局限。

值得注意的是，尽管AI分割方法在定量指标上表现出色，但在定性评估中仍存在一定的不足。例如，BSP AI和Romexis AI在根部形态的识别上存在较大偏差，导致在近端区域的分割结果不够精确。此外，Romexis AI在分割过程中倾向于低估牙齿体积并过度平滑边界，使得某些解剖特征难以清晰识别。这些结果提示，虽然AI技术在提高分割效率方面具有显著优势，但在实际临床应用中，仍需结合人工调整以确保分割结果的准确性和可靠性。

从研究的局限性来看，本研究的样本量相对较小，仅包含40颗下颌第三磨牙，且这些磨牙均来自20位患者，具有一定的对称性。尽管如此，研究者认为，由于所有CBCT图像均来自同一设备，且牙齿形态和位置分布较为均匀，样本的准确性并未受到显著影响。此外，研究中采用的评估方法结合了定量和定性指标，有助于更全面地反映分割方法的临床适用性。然而，研究也指出，未来需要进一步扩大样本规模，并进行更多外部验证，以确保AI分割方法在不同临床环境下的稳定性和可靠性。

综上所述，AI技术在下颌第三磨牙的分割中展现出高效和准确的潜力，尤其是在提高手术规划效率和减少操作时间方面。然而，目前的AI分割方法在细节识别和根部形态再现上仍有待改进。因此，未来的研究应重点关注如何优化AI算法，使其在分割精度和质量上达到更高的水平。同时，结合半自动或自动调整机制，可以进一步提升分割结果的临床适用性。此外，随着AI技术的不断发展，将其与现有的CBCT软件平台相结合，开发更加智能化和个性化的分割工具，将是推动该技术在口腔外科领域广泛应用的重要方向。