编辑推荐：
为评估 AI 在颌面结构分割中的准确性，研究人员展开系统回顾，发现其准确性高，有临床应用潜力。
在口腔和颌面外科领域，锥形束计算机断层扫描（CBCT）和计算机断层扫描（CT）已成为不可或缺的工具，它们能提供牙齿、颌骨、颞下颌关节及周围解剖结构的详细三维图像，帮助医生进行治疗规划和诊断。然而，从这些图像中手动分割相关结构却困难重重。想象一下，医生面对复杂的口腔结构图像，要一点一点精确划分出牙齿、颌骨等部位，不仅耗时耗力，而且不同医生操作结果可能差异很大，就像不同人画画，即使画同样的物体，细节和整体效果也会不一样，这就影响了分割结果的可靠性和可重复性。
为了解决这些问题，来自沙特阿拉伯国王哈立德大学牙科学院、武装部队医院南部地区、苏伊士运河大学牙科学院等多个机构的研究人员，对人工智能（AI）在颌面结构分割中的应用展开了深入研究。该研究成果发表在《BMC Oral Health》杂志上。
研究人员主要运用了系统回顾和荟萃分析的方法。他们在多个数据库（如 PubMed、Cochrane Library、Google Scholar、IEEE Xplore）中进行电子检索，还手动筛选相关文献，确保全面收集资料。通过设定严格的纳入和排除标准，筛选出符合要求的研究。之后，使用 JBI 诊断测试准确性研究检查表评估研究质量，并运用 R 软件及相关软件包进行荟萃分析。
研究结果如下：
- 研究特征：经过筛选，30 项研究纳入系统回顾，其中 27 项采用深度学习模型，3 项使用经典机器学习方法。CBCT 是最常用的成像方式，有 24 项研究使用。研究涉及不同的解剖目标，评估模型的参考标准多来自放射科医生、牙医或外科医生的手动分割。
- 质量评估：在质量评估方面，23 项研究质量为 “好”，7 项为 “一般”，没有 “差” 的研究。
- 各结构分割结果
- 下颌骨分割：下颌骨是研究最多的解剖部位。其分割的合并 DSC 为 0.94（95% CI：0.91 - 0.98），反映出较高的准确性。研究中 DSC 值范围为 0.89 - 0.972±0.01，ASD 值范围为 0.217mm - 1.2827±0.2780mm。深度学习模型，尤其是卷积神经网络（CNNs）结合先进预处理技术的研究表现更优。
- 下颌管分割：下颌管分割分析了 5 项研究。其合并 DSC 为 0.694（95% CI：0.551 - 0.838），合并 ASD 为 0.534mm（95% CI：0.366 - 0.703）。使用先进深度学习架构（如两阶段 U - Net 管道）的研究性能更高。
- 上颌骨分割：3 项研究评估了上颌骨分割。合并 DSC 为 0.907（95% CI：0.867 - 0.948），合并 ASD 为 0.468mm（95% CI：0.295 - 0.641）。采用深度学习架构（特别是基于 CNN 的流程）和多尺度模型的研究表现较好。
- 牙齿分割：5 项研究评估了牙齿分割。合并 DSC 为 0.925（95% CI：0.891 - 0.959），合并 ASD 为 0.189mm（95% CI：0.043 - 0.335）。使用 CNNs 并结合先进预处理的研究 DSC 值更高，多根牙分割难度较大，但 U - Net 变体等专门架构有帮助。
- 分割时间：不同模型的分割时间差异较大，从 3.6 秒到 15 分钟不等，深度学习模型普遍比传统机器学习模型快。
- 分割模型性能：不同解剖结构和 AI 架构的分割模型性能差异显著。CNNs 在多数解剖结构分割中表现出色，U - Net 变体在针对下颌管和上颌骨的研究中性能稳健。
研究结论和讨论部分表明，AI 在颌面结构分割方面展现出强大的实力。在所有研究的解剖区域中，AI 模型都有较高的 Dice 相似系数（DSC）值，说明其在描绘牙齿和颌面结构方面表现出色。深度学习模型整体优于经典机器学习方法，采用先进预处理步骤、分层架构和更大的数据集，能进一步提高分割的准确性和精度。不过，研究结果也存在显著差异，这主要是因为不同研究使用的成像方式、模型架构、训练数据集不同，以及参考标准和评估指标的报告方式不一致。未来，应优先比较新兴模型（如 Segment Anything Models，SAMs）与传统模型（如 CNNs）在复杂解剖区域的表现，通过标准化基准测试评估它们的优缺点。
这项研究意义重大，AI - 基于的分割技术在准确性和速度上的优势，使其融入牙科工作流程具有可行性，有望为口腔和颌面外科的临床实践带来变革，提高诊断和治疗规划的效率与准确性，为患者提供更好的医疗服务。
