编辑推荐：
本综述聚焦人工智能（AI）在牙科 X 光片检测颈动脉钙化的应用。通过系统检索及荟萃分析发现，AI 算法在锥形束计算机断层扫描（CBCT）和全景 X 光片中，检测敏感性达 0.92 [95% CI 0.81-0.97]、特异性 0.96 [95% CI 0.92-0.97]，有望成为早期筛查工具。
研究背景与目的
脑卒中是全球第三大死亡原因，颈动脉粥样硬化斑块是其重要风险因素。颈动脉钙化作为心血管健康的重要标志物，传统检测依赖超声、CT 等有创且昂贵的技术。牙科 X 光片（如全景 radiograph、CBCT）常被用于口腔检查，其偶然发现的颈动脉钙化可辅助早期心血管风险筛查。人工智能（AI），尤其是深度学习中的卷积神经网络（CNN），在医学影像分析中展现出超越人类的精准度。本研究通过系统评价和荟萃分析，评估 AI 算法在牙科 X 光片中检测颈动脉钙化的准确性，验证其作为辅助筛查工具的潜力。
研究方法
文献检索与筛选
遵循 PRIOR、PRISMA-DTA 及 PRISMA-AI 标准，在 PubMed、Scopus 等数据库检索截至 2024 年 11 月 11 日的相关研究，关键词结合各数据库语法规则。初筛获得 1430 篇文献，经去重、标题 / 摘要筛选后，14 篇进入全文评审，最终 9 项研究纳入定性分析，5 项用于定量分析。
数据提取与质量评估
由两名独立研究者提取研究特征，包括 AI 算法类型、影像模态（CBCT 或全景 radiograph）、样本量、敏感性、特异性等。采用 QUADAS-2 工具评估偏倚风险，多数研究显示低偏倚风险，部分研究在患者选择、指标测试等领域存在 unclear 或 high 风险。
统计分析
提取真阳性（TP）、真阴性（TN）等数据，采用随机效应模型进行荟萃分析，绘制森林图和受试者工作特征曲线（SROC），评估异质性（Cochran Q 检验、I2 统计量）及发表偏倚（Egger’s 和 Begg’s 检验）。
研究结果
纳入研究特征
9 项研究中，3 项使用 CBCT，6 项使用全景 radiograph；发表年份跨度为 2018-2024 年，AI 算法以 CNN 为主，包括 Faster R-CNN、U-Net、Inception 等架构，部分研究采用迁移学习（如 ResNet、EfficientNet 预训练模型）。例如，Yoo 等开发的级联深度学习网络（CACSNet）结合 EfficientNet-B4，在全景 radiograph 中分类准确率达 98.5%，敏感性 98.0%，特异性 98.8%。
诊断性能
- 敏感性与特异性：纳入研究的敏感性范围为 0.67-0.98，特异性 0.85-0.99。荟萃分析显示，仅考虑每项研究的一种 AI 方法时，合并敏感性为 0.92 [95% CI 0.81-0.97]，特异性 0.96 [95% CI 0.92-0.97]。
- 影像模态比较：全景 radiograph 组异质性较低，合并诊断比值比（DOR）为 517.80 [95% CI 179.27-1495.64]；CBCT 组异质性较高，DOR 为 71.85 [95% CI 1.95-2642.27]，但两组差异无统计学意义（P=0.30）。
- 异质性与偏倚：整体异质性较高（I2=90.81%），可能与影像分辨率、临床场景差异有关。发表偏倚检验显示无显著偏倚（Egger’s p=0.332，Begg's p=1.0）。
讨论
AI 技术的优势与挑战
AI 模型在牙科 X 光片中检测颈动脉钙化展现出高准确性，显著优于传统方法（如支持向量机检测率约 50%-93.6%）。卷积神经网络通过自动提取图像特征，结合迁移学习可提升小数据集性能。然而，CBCT 研究间性能差异较大，可能与数据特征和模型架构有关，如 Ajami 等的 Inception V3+U-Net 在 CBCT 中敏感性 94%、特异性 97%，而 Nelson 等的 CNN 仅 67% 敏感性，提示需优化模型适配三维影像。
临床应用潜力与局限
牙科 X 光片具有普及性和低辐射剂量（全景 radiograph 约 0.02 mSv）的优势，尤其适用于老年人群的心血管风险筛查。AI 系统可辅助 dentists 快速识别潜在风险，结合超声或 CT 进一步确认，有助于早期干预。但研究存在以下局限：① 金标准不统一，多数研究依赖放射科医生标注，而非数字减影血管造影等更权威方法；② 纳入研究数量较少，尤其 CBCT 数据有限；③ 临床转化需解决 AI 系统与现有牙科软件的兼容性及操作便捷性。
未来方向
需开展更大样本、多中心研究验证 AI 模型的泛化能力，标准化诊断金标准。开发用户友好的 AI 接口，整合至牙科工作流，并探索 AI 在培训年轻牙医中的教育价值。此外，需区分颈动脉钙化与其他结构（如甲状软骨钙化），避免误诊。
结论
本系统评价和荟萃分析表明，AI 算法在牙科 X 光片（尤其是全景 radiograph 和 CBCT）中检测颈动脉钙化具有高敏感性和特异性，有望成为心血管疾病的新型筛查工具。尽管存在异质性和方法学差异，AI 的潜力为早期识别脑卒中及动脉粥样硬化相关风险提供了新途径，需进一步研究推动临床应用。
