综述：口腔颌面放射学中的增强智能：系统性回顾

这篇综述系统评估了增强智能（AI）在口腔颌面放射学中的应用，重点探讨AI辅助对临床医生影像解读性能的影响。研究表明，AI显著提升了龋齿检测、根尖病变识别和头影测量标志定位的准确性（AUC、灵敏度/特异性），尤其对全科医生和医学生效果更显著。但AI在复杂病例（如多发病变）中表现仍不稳定，需更大规模数据集验证其泛化性。综述强调AI应作为临床决策的辅助工具（而非替代），并呼吁加强真实世界研究以推动临床应用。

　　

背景
人工智能（AI）正深刻改变牙科诊断影像领域。增强智能（Augmented Intelligence）作为AI的分支，强调人机协作而非替代，其核心在于通过算法辅助提升临床决策质量。口腔颌面放射学因其图像数字化特性，成为AI应用的先驱领域。近年来，机器学习（ML）和深度学习（DL）技术已广泛应用于龋齿检测、头影测量标志定位、颌骨病变分割等任务，但缺乏对"人机协作"效果的系统评估。

研究设计
本研究遵循PRISMA指南，检索7大数据库和灰色文献，纳入16项评估AI辅助下临床医生影像解读性能的研究。采用QUADAS-2工具评估偏倚风险，重点关注诊断准确性、灵敏度、特异度和时间效率等指标。排除标准包括纯算法对比研究或缺乏临床医生参与的研究。

关键发现
CNN模型的差异化表现
卷积神经网络（CNN）架构在多项任务中展现优势：

• U-Net 在像素级分割任务（如早期龋齿检测）中表现突出，其编码器-解码器结构能精准识别微小病损
• ResNet 凭借残差连接，在复杂场景（如根尖周炎诊断）中有效解决梯度消失问题
• YOLO 系列模型实现实时检测，适用于临床高吞吐量需求

商业软件如Diagnocat在CBCT影像中识别解剖标志的准确率达93.9%，而Denti.AI使根尖透射区的诊断精确度提升8.6%。

影像模态与诊断场景

• 二维影像：BW片辅助龋齿检测的灵敏度最高提升27%（P<0.05），尤其对釉质初期龋效果显著
• 三维影像：CBCT中AI辅助颌骨病变分割使诊断时间从101秒缩短至47秒（P<0.05）
• 特殊应用：全景片（PR）上AI检测软组织钙化的特异度达1.000，但对涎石症的灵敏度仅0.188

临床医生层级差异

• 全科医生/学生：AI辅助使龋齿诊断F1-score从0.59提升至0.83，头影测量标志识别准确率提高12%
• 专科医生：口腔颌面放射医师（OMR）使用AI后阅片一致性（ICC）从0.32升至0.46，但诊断效率提升有限

临床启示
增强智能展现出三大核心价值：

1. 能力延伸：通过实时标注和决策支持，弥补低年资医生经验不足
2. 效率优化：自动化测量使头影分析时间减少50%以上
3. 质量控制：将不同医师的龋齿诊断一致性（Kappa值）从0.59提升至0.72

现存挑战

• 数据瓶颈：部分研究排除疑难病例导致性能高估
• 算法黑箱：如FAST-RCNN模型对颈动脉钙化的误判缺乏可解释性
• 工作流整合：AI辅助使全科医生阅片时间平均增加23秒

未来方向
需开展多中心研究验证AI在以下场景的泛化性：

• 混合型牙源性病变的鉴别诊断
• 多模影像（CBCT+MRI）融合分析
• 正畸治疗方案的动态预测

结语
增强智能正在重塑口腔放射诊断范式，其核心价值不在于超越人类专家，而在于构建"算法检测-医师诊断"的新型协作模式。随着《美国牙科协会伦理准则》对AI应用的规范，未来需重点解决数据偏差、临床可解释性和工作流整合三大挑战，最终实现从技术验证到临床价值的跨越。