综述：人工智能在变革牙科公共卫生中的作用：当前应用、伦理考量与未来方向

这篇综述系统阐述了人工智能（AI）和机器学习（ML）如何通过提升诊断精度（如BDU-Net模型分析全景片）、优化资源配置及个性化干预（如CNN辅助牙周病分级），重塑牙科公共卫生体系。文章强调需平衡技术创新与伦理挑战（数据隐私、算法偏见），为未来AI在口腔健康领域的整合提供了跨学科路线图。

　　

背景

人工智能（AI）及其子领域机器学习（ML）正通过提升诊断效率、优化公共卫生资源分配和定制患者护理方案，成为牙科公共卫生领域的变革性力量。AI在预测分析、个性化干预及服务资源匮乏地区的应用潜力尤为突出。

方法

通过系统检索2015-2024年PubMed、Scopus等数据库文献，聚焦AI/ML在牙科公共卫生中的诊断应用、流行病学数据分析及伦理框架，采用严格的纳入排除标准筛选研究。

当前应用

自动化诊断

深度学习模型如BDU-Net在全景片分析中展现出对龋齿、阻生牙的高敏感度检测能力，其分割精度超越传统方法。卷积神经网络（CNN）可对牙周病进行客观分级，减少临床主观偏差。

流行病学预测

ML算法通过分析海量口腔健康数据，识别疾病流行趋势，辅助制定针对性防控策略。例如，AI模型能提前6个月预测社区龋病爆发风险。

健康促进

基于人口统计学和遗传数据的AI系统，可向高风险人群推送定制化预防建议，如针对吸烟人群的牙周炎干预方案。

技术框架

数据采集

依赖电子健康记录、影像库等多源数据整合，但面临数据孤岛问题。

模型构建

决策树和神经网络是主流技术，如ResNet-50在修复体识别中达92%准确率。

系统集成

需解决与现有HIS（医院信息系统）的兼容性问题，开发适配基层诊所的轻量化版本。

挑战

数据安全

患者影像数据加密存储和跨境传输合规性仍是痛点，需符合GDPR等法规。

算法透明度

"黑箱"问题导致临床信任度不足，需开发可解释AI（XAI）工具。

伦理风险

训练数据若过度代表城市人群，可能导致农村患者诊断偏差。

成本效益

AI系统部署成本高达$50,000/套，制约低收入地区应用。

典型案例

1. 牙周病AI诊断：CNN模型鉴别侵袭性牙周炎的AUC达0.94，较传统方法提升23%
2. 龋齿预测：通过¹⁸
   F-FDG PET影像特征，ML提前9个月预测邻面龋发生风险
3. 远程筛检：肯尼亚试点项目采用手机拍摄口腔照片，AI初筛准确率达85%

伦理框架

WHO提出六大原则：

1. 患者自主权保护
2. 算法可审计性
3. 弱势群体补偿机制
4. 持续性能监测
5. 多语言界面设计
6. 环境可持续性

未来方向

1. 开发兼顾准确性与可解释性的轻量化模型
2. 建立口腔专科数据集标注标准（如FDI分类体系）
3. 探索生成式AI在口腔健康教育内容生产中的应用
4. 推动牙科AI设备纳入医保报销目录

该领域发展需"临床-工程-伦理"三角协同，既追求技术创新，又确保技术普惠。正如某研究所示，当AI辅助诊断系统与社区口腔保健网络结合时，可使儿童龋齿检出率提升40%，同时降低25%的误诊率。