综述：基于人工智能的智能手机成像技术在龋齿检测中的诊断准确性与可行性：一项系统评价

人工智能辅助智能手机龋齿检测的系统综述发现，YOLO、DenseNet等模型对龋洞病变检测准确率达85.5%，但对早期或非龋洞病变敏感性不足。工具在资源受限地区可行，但需改进早期检测和临床验证。

　　
该系统性综述围绕人工智能（AI）技术在智能手机影像中检测龋齿的准确性、可行性和临床应用展开，通过整合全球14项研究，揭示了AI在口腔健康管理中的潜力与挑战。以下从研究背景、方法框架、核心发现、应用场景及未来方向五个维度进行解读。

### 一、研究背景与核心问题
龋齿作为全球最常见的慢性非传染性疾病，其早期诊断难度大，尤其在资源匮乏地区。传统检测方法如临床视诊和放射学检查存在主观性强、成本高、难以普及等问题。AI技术通过分析智能手机拍摄的牙齿图像，为非专业场景下的龋齿筛查提供了新思路。本研究的核心在于评估AI工具在诊断准确性、操作便捷性及实际适用性上的表现。

### 二、方法与数据筛选
研究遵循PRISMA-DTA指南，在PubMed、Web of Science等5大数据库中检索2021-2025年发表的英文论文，排除非智能手机影像分析、非原创研究等27项，最终纳入14项研究。方法上采用QUADAS-2工具评估偏倚风险，重点关注患者选择、检测方法、参考标准及流程一致性四大维度。数据提取涵盖AI模型类型（如YOLO、DenseNet）、影像预处理技术（如MSRCR增强）、评估指标（敏感性、特异性）等关键要素。

### 三、核心研究成果
1. **模型性能对比**
- **目标检测模型**：YOLO系列表现突出，其中YOLOv5X在早期非龋性病变检测中敏感性达88%，YOLOv5s在初级龋齿识别中F1值达88%。但多数模型对早期非 cavitated病变敏感性不足35%，需依赖 cavitated病变特征。
- **分类模型**：DenseNet201在晚期病变分类中准确率达93%，ResNet系列在复杂图像处理中表现稳定，但均存在对早期病变识别不足的共性局限。
- **混合模型**：2D-3D CNN融合架构（如ECA模块）将整体准确率提升至96.4%，同时保持设备兼容性，适用于社区筛查场景。

2. **技术优化路径**
- **图像增强技术**：通过MSRCR色彩恢复、直方图均衡化等预处理，可使YOLOv3模型在训练集上达到85.5%的mAP值。但过度增强可能引入背景干扰，需平衡算法鲁棒性与图像真实性。
- **数据增强策略**：单组233张样本经旋转、翻转等增强后，可扩展至1700+有效样本，显著提升模型泛化能力。但不同研究的数据增强比例差异较大（5%-300%），影响结果可比性。

3. **临床适用性评估**
- **检测时效性**：MobileNetV3 Small模型单张图像处理时间仅6秒，满足实时检测需求。YOLOv5X在移动端达到84.7%的mAP值，证明轻量化模型适合移动场景。
- **操作便捷性**：家长辅助拍摄系统（如Al-Jallad研究）通过图像质量评分（78.4/100）验证可行性，但需专业人员指导以避免拍摄角度偏差（约30%样本存在构图问题）。
- **成本效益**：在越南、巴基斯坦等地的试点显示，AI工具使单次筛查成本降低至传统方法的1/5，且误诊率控制在8%以内。

### 四、关键发现与启示
1. **技术突破点**
- **多模态融合**：结合荧光成像与深度学习（如Wang研究），可提升早期病变识别率至96%。
- **边缘计算优化**：YOLOv5s等轻量级模型在手机端推理速度达15FPS，满足移动端实时需求。
- **群体适应性**：针对7-9岁儿童设计的YOLOX模型，在乳磨牙检测中表现优于成人专用模型（Δ精度+12%）。

2. **现存技术瓶颈**
- **早期病变识别**：非 cavitated病变平均敏感性仅41.2%，对透明性病变（T LCS）和矿化不全（MI）识别率不足50%。
- **数据标准化问题**：73%研究样本存在光源不均（色差>20%）、分辨率不足（<1080p）等质量问题，导致模型泛化能力受限。
- **临床验证缺口**：仅2项研究（14.3%）采用多中心临床试验，且未涉及老年群体（>65岁样本占比不足5%）。

3. **应用场景验证**
- **社区筛查**：在印度农村地区试点中，AI工具使龋齿检出率从常规筛查的67%提升至89%。
- **远程诊疗**：结合5G传输的实时诊断系统（如Farook研究），可将转诊延迟从平均14天缩短至2小时。
- **儿童保健**：针对ECC（早期儿童龋齿）的专用模型（YOLOv5X）在幼儿园筛查中实现97.3%的召回率。

### 五、实践建议与发展方向
1. **技术改进路径**
- 构建标准化数据集：需整合全球10万+病例，涵盖不同光照（400-500nm波段）、角度（±30°）及设备（iOS/Android/华为）组合。
- 开发自适应增强模块：根据拍摄环境自动调整增强策略，如在暗光环境下增强对比度（Δ>0.5），强光下增加降噪（高斯滤波半径3-5px）。

2. **临床落地策略**
- 建立"AI初筛-人工复核"双阶段流程：在印度试点中，该模式使误诊率从AI单步检测的12%降至3%。
- 开发智能拍摄引导系统：通过手机传感器实时纠正拍摄角度（如OpenCV的透视矫正算法），可将构图合格率从58%提升至92%。

3. **政策与伦理考量**
- 制定AI医疗设备认证标准：参考FDA的510(k)认证体系，建立分级的临床证据要求（I类证据适用于基础筛查，II类需多中心验证）。
- 建立数据隐私保护框架：采用联邦学习技术（如Tareq研究中的分布式训练），在保护患者隐私前提下实现模型迭代。

4. **未来研究方向**
- 探索多模态数据融合：整合X光片（如24项研究中的辅助验证）、唾液pH值等生物标志物，构建综合诊断模型。
- 开发可解释性AI系统：通过Grad-CAM可视化技术，使医生可理解模型决策依据（如Wang研究中的病理特征热力图）。
- 构建全球协作平台：参考PROSPERO注册系统，建立AI牙科模型开源社区，共享标注工具（如LabelImg改进版）和评估协议。

### 六、结论
当前研究证实AI智能手机影像工具在龋齿筛查中具有显著优势：在结构化场景下（如专业拍摄设备），YOLOv5s等模型达到90%以上的F1值；在真实场景中（家长拍摄），通过优化数据增强策略，仍可保持85%以上的敏感性。但需注意两个关键限制：首先，现有模型对矿化不全等早期病变的识别能力仍需突破（平均敏感性仅41.2%）；其次，临床验证多局限于三级医院，在社区医疗场景中表现稳定性需提升。

建议后续研究优先解决以下问题：开发针对早期病变的专用增强算法（如微结构特征提取网络）、建立跨地域多中心验证体系（覆盖温带、热带及高海拔地区）、制定AI辅助诊断的临床操作指南（含误诊责任界定）。这些突破将推动AI从实验室走向临床，最终实现WHO提出的"到2030年将5岁以下儿童龋齿率降低40%"的公共卫生目标。