综述：人工智能模型在口腔颌面修复体修复中的应用：系统性回顾

本综述系统回顾了AI在口腔颌面修复领域的三大核心应用（图像采集、数据分析及修复体着色），指出AI技术可显著提升修复体精度与效率（如IOS扫描RMSE值优化、CNN分割偏差<0.5 mm），但需进一步优化患者体验与个性化设计（如MAF方法、FEA生物力学分析），为临床数字化诊疗提供新范式。

　　

图像采集技术

患者图像采集是颌面修复体制作的基础，效率与精度是研究者关注的核心。口内扫描仪（IOS）作为临床常用工具，可直接获取口腔软硬组织表面的三维形态和彩色纹理信息，成为与AI结合的热点。研究表明，AI辅助的IOS扫描在上颌牙弓的真实性和精度方面均达到最低均方根误差（RMSE）值，其中个别基台的真实性最高。例如，Revilla-León等发现经IOS校准和AI关节辅助的组别在最大牙尖交错位的真实性和精度上显著优于未校准组。Ferrini等专注于边缘适应性分析，证实所有测试的IOS设备均可生产出具有满意边缘间隙值的修复体（平均53.45 ± 30.52 μm），且均低于临床可接受的120 μm阈值。这些结果表明，AI辅助的数字化印模可能成为传统模拟技术的可行替代方案。

尽管AI提升了IOS性能，但研究者普遍面临软件技术挑战，包括图像拼接限制、文件格式转换以及验证和校正程序的干扰。这些问题不仅影响扫描结果的准确性，还阻碍工作流程效率。此外，扫描区域缺失、实验采用的预备设计以及现有印模材料的局限性也可能影响整体数据准确性。解决这些复杂问题需进一步开展体外研究和临床数据验证，其突破将显著提升图像扫描质量。

在提升患者体验方面，现有研究较少关注。Beri等提出一种创新方案，使用高质量相机（如尼康D5300单反和谷歌Pixel 2 XL）替代高端扫描仪捕获高分辨率图像，并通过Autodesk Recap Photo软件将二维图像切片转换为三维网格模型。光栅扫描的均方根（RMS）值与CT扫描模型近乎一致，模型完整度超过94%，且在2 mm范围内达到98%以上。该研究证实相机与AI可视化结合可降低成本的同时改善患者体验，但骨沟和缺损顶端扫描仍存在不足。

算法效率提升是另一重要发展方向。近期研究将迭代重建框架推广为学习专家评估重建网络（LEARN），结合深度学习（DL）与XCT扫描，在64视图和128视图条件下分别实现了峰值信噪比（PSNR）提升5.2 dB和3.1 dB，RMSE为0.0093和0.0068，结构相似性指数（SSIM）达0.9660和0.9790。这种智能方法优化了图像质量并加速重建速度，为提升颌面扫描效率提供了潜在工具。

数据分析

数据分析是基于AI的图像采集结果评估的关键环节，模型分割、优化和重建等步骤直接影响最终修复体的制作。卷积神经网络（CNN）的多层结构能够在训练中提取图像特征并识别新图像中的特征，从而执行特定任务。Ali等比较了四种预训练模型（VGG16、Inception-ResNet-V2、DenseNet-201和Xception）用于上颌状况分类，识别七种不同手术类别（如腭裂、有牙颌切除、无牙颌切除等）。研究表明这些CNN可基于难度分配工作量，开发自动化诊断系统并整合关键设计信息。

在提升模型质量和效率方面，Minnema等使用标记的CT扫描训练了专用于颅骨分割的CNN。该模型表现出高质量（平均偏差0.44 mm ± 0.36 mm）并在缺损边缘表现优异（平均偏差0.27 mm ± 0.29 mm）。全自动CNN能灵活适应不同CT扫描仪和成像协议的变化，显著减少当前CT图像处理所需的时间和精力，实现精确颅骨分割，使增材制造（AM）结构更易应用于患者。然而，CNN在多个正交平面（如轴状、矢状和冠状）以及低剂量CT和锥形束CT扫描上的性能仍需进一步评估。

模型优化和训练对AI进步至关重要。CNN相关研究需要大量训练图像，但由于隐私法规和伦理限制，临床可用数据往往有限。数据共享平台和基础设施（如云计算）的建设需要牙科研究联盟更广泛的合作。为解决这一问题，Minnema等提出了混合尺度密集CNN（MS-D Net）。实验结果显示MS-D Net的分割性能与最先进的U-Net和ResNet CNN架构相当，平均绝对偏差（MAD）分别为0.44 ± 0.13 mm、0.43 ± 0.16 mm和0.40 ± 0.12 mm。此外，MS-D Net在生成的STL模型中保留了更多解剖细节，同时使用更少的可训练参数（n = 45,756）。减少参数数量在临床应用中至关重要，可降低过拟合风险并避免常见深度学习问题（如梯度消失和局部极小值）导致的临床结果错误。另一有趣发现是MS-D Net表现出更强的学习训练数据集中相对罕见结构特征的能力，使其更适用于真实世界的临床分割目的。深度学习技术为减轻计算机辅助手术中金属伪影引起的误差提供了有效解决方案，尤其在特定类型的图像分析中。然而，基于金标准的骨分割仍然耗时。

尽管颌面修复体的优化和精细化已取得一些进展，但个性化设计的研究仍相对稀缺。AI被用于解决这一限制，特别是在创建患者特异性下颌修复体方面。Husain等开发了基于形态解剖特征（MAF）方法的程序及其应用程序生成的参数化骨骼模型。他们提出了在CAD软件中创建用户定义特征（UDF）的自动化过程，允许进行患者特异性定制。从临床医生角度，他们强调UDF应提供更直观的界面，实现更快的手术前规划或手术干预模拟。更贴合的修复体和更简化的制造流程是提升修复体质量的关键方向，使精细化和自动化数字分析成为改善修复体结果的重要途径。

除了图像分析，根据个体解剖条件定制的患者特异性板可以显著改善颌面修复体的预后并提升患者满意度。有限元分析（FEA）在颅面重建手术中的应用已得到广泛认可，因为FEA是评估复杂几何形状生物力学特性的强大工具。在Liu等的研究中，定制板基于FEA结果进行了拓扑优化和设计修改。通过将FEA与优化算法或数值方法结合，他们在低应力或无应力条件下实现了满足刚度要求且最小化材料使用的结构。该研究证实FEA是预测人类下颌骨各种生物力学参数的有效、准确且非侵入性方法。最重要的是，定制固定系统的设计方法可以在提供更稳定骨愈合环境的同时实现更好的生物力学性能和机械行为。结合增材制造（AM）技术，拓扑优化能够快速设计和制造用于下颌骨折固定的患者特异性板，提高临床实践中的手术质量和效率。

技术进步不仅限于提升患者体验——对于使用AI的临床医生和制造商而言，软件在实际操作中的效率和可用性也显著影响治疗质量。Wang等开发了EasyImplant软件，引入了用于动物颧骨种植体设计的修复框架。与3-Matic等商业平台相比，EasyImplant具有更高效率、更好集成度和更强用户友好性。临床医生只需导入CT数据重建的三维模型，通过几个简单步骤即可在10分钟内获得最终多孔种植体。然而，尽管可用性改善，临床医生仍需具备几何设计原理的基础知识并与工程师有效沟通。这一现象表明未来AI在修复学的研究需专注于更简单、快速和用户友好的工作流程——或精确的个性化结构设计。

修复体着色

颌面修复体美学效果的最关键因素是其与患者皮肤的配色匹配，制作合适的修复体需要高效便捷的色素混合量确定方法。然而市场上可选方案较少，且往往价格昂贵或技术复杂。Kurt等比较了注意力门控循环单元（GRU）和人工神经网络（ANN）算法在硅胶颌面修复体着色中的性能。ANN算法的RMSE（0.029 ± 0.0152）和平均绝对误差（MAE）值（0.045 ± 0.0235）显著高于基于注意力的GRU模型。因此，GRU在MAE和RMSE值上提供更好性能。这种基于注意力的GRU模型的优势之一是可在标准中央处理器的单台计算机上运行，从而提高了着色系统的可操作性。

此外，Mine等发现多项临床报告展示了完整的数字化工作流程，并讨论了直接打印彩色硅胶修复体的可能性。Mine等比较了两种机器学习算法——基于ANN的深度学习和随机森林算法，发现深度ANN方法在ΔE₀₀值方面产生比随机森林算法更好的结果。基于实时深度学习的皮肤配色技术将进一步为颌面修复体提供更经济和便捷的着色支持。为提升修复体真实性和患者满意度，他们计划进一步评估这些直接打印系统的可重复性和可行性。

局限性

本系统性回顾存在若干局限性。鉴于该研究领域仍处于早期阶段，相关研究数量有限（本次回顾仅纳入17篇文章），这可能降低统计效能并限制研究结果的普遍性和外部有效性。此外，纳入研究之间存在异质性——例如在图像采集技术方面，涉及多种实验对象（如人体标本、人工模型和患者模型）和多重变量分析（如RMSE值、时间、完整度、模型偏差值）。这种异质性使结果整合和比较复杂化。由于获取临床数据的挑战或伦理限制——特别是在图像采集技术的研究中——大多数实验依赖现有模型，缺乏严格的临床试验验证，这可能影响研究结果的可靠性和可重复性。

本次回顾聚焦于颌面修复体制作的三个关键方面：图像采集、数据分析和修复体着色，这些方面已初步实现与AI技术的整合。然而，进一步研究仍受信息技术和计算程序的限制，特别是在处理不规则或脆弱解剖结构时仍需深入探索。未来工作应优先扩大样本量、标准化研究设计并加强临床验证，以促进该技术向常规临床实践的转化。同时，应加强跨学科合作，改进扫描设备和硬件条件，推动技术持续进步。

结论

AI在颌面修复体的三个关键方面展现出显著优势：图像采集、数据分析和修复体着色。然而，为实现最佳临床结果，临床医生与AI专家之间仍需更紧密合作。未来，提升AI软件的技术能力——减少医生工作量、提高患者满意度并优化设计工作流程——将是AI在该领域发展的关键方向。