综述：AI驱动的龋齿管理策略：从临床实践到专业教育与公众自我护理

这篇综述系统阐述了人工智能（AI）在龋齿（dental caries）全周期管理中的应用，涵盖风险预测（ML/DL算法）、影像诊断（CNN/YOLOv3等）、治疗规划（如牙髓暴露风险评估）、患者教育（智能牙刷监测）及医学生培训（虚拟病例模拟）。AI通过整合多模态数据（微生物组、影像、行为习惯）推动个性化防治，其诊断准确率达68.7%-99%，但需解决数据偏差、临床验证不足等挑战。

　　

AI驱动的龋齿管理革命

人工智能技术基础
1956年约翰·麦卡锡首次提出人工智能（AI）概念，其分支机器学习（ML）通过算法从数据中识别模式。深度学习（DL）作为ML的高级形态，采用多层人工神经网络（ANN），其中卷积神经网络（CNN）因擅长处理图像数据成为医学领域主流算法，典型架构包括ResNet、DenseNet和U-Net。

风险预测：从微生物到行为分析
AI系统通过分析龋齿风险因素构建预测模型：

• 非微生物依赖型：整合年龄、刷牙时长等12项指标，准确率达81%
• 微生物相关型：结合基因变异和菌斑指数提升预测精度
• 微生物主导型：随机森林算法（random forest）构建的MiC模型，通过口腔菌群变化预测儿童龋齿发生

影像诊断：算法对决人类专家
AI在各类影像中的表现：

• X线片：YOLOv5在咬翼片检测中平均精度0.647，U-Net对深龋识别特异性达0.865
• 光学影像：QLF图像分析灵敏度达86.9%，智能手机拍摄的RGB图像整体准确率93.4%
• 商业软件：dentalXrai Pro使牙医对釉质龋诊断准确率从0.72提升至0.81

治疗决策与家庭管理
DenseNet121预测深龋治疗中牙髓暴露风险的效果媲美资深专家。智能牙刷通过传感器采集数据，经云端AI分析后实时反馈Bass刷牙法执行情况，临床试验证明可使正畸患者菌斑指数下降显著。

教育革新：虚拟患者与预后预测
对话式AI"Julia"通过模拟病例问诊训练学生诊断思维，而基于案例推理（CBR）的系统能预测学生所做修复体失败概率，与导师评分高度吻合。

挑战与展望
当前AI应用仍受限于数据偏见（如种族偏差）、算法黑箱问题及伦理争议。未来需开展多中心临床试验验证DL模型泛化能力，并开发适应资源匮乏地区的轻量化解决方案。跨学科合作将推动龋齿管理进入精准化、智能化新时代。