人工智能用于种植体周围边缘骨吸收的影像学评估与严重度分级：系统评价与方法学评价

《Journal of Dentistry》：Artificial intelligence for radiographic assessment and severity grading of peri-implant marginal bone loss: A systematic review and methodological appraisal

　　

## 摘要

**目标** 系统评估应用于牙科影像的放射影像评估及种植体周边缘骨吸收严重度分级的人工智能（AI）模型的诊断性能、方法学质量、报告透明度及描述性转化分期。

**研究选择** 本综述按照PRISMA 2020和PRISMA-DTA指南开展。检索PubMed（MEDLINE）、Scopus、Web of Science和Embase，无时间限制。共纳入10项符合条件的研究。

**结果** 九项研究采用回顾性单中心设计，一项纳入多中心数据但未进行独立的外部验证。AI任务包括标志点检测、定量测量、分割、骨吸收检测和严重度分级。报告的诊断性能总体较为理想，但具有高度的任务特异性。一项研究中种植体检测的平均精度达到约0.99，而边缘骨吸收病灶检测的平均精度仅为0.47。种植体分割的Dice相似度系数达到0.986，报告的F1分数最高达97.1%。敏感性和特异性仅在部分诊断评估中被报告，且因分析单位不同而异。可量化的测量误差报告有限；仅一项研究报告了可转换为约0.17 mm的偏差（使用该研究特定的图像标定）。没有研究报告完整的、具有临床意义的绝对边缘骨吸收测量一致性结果（以毫米为单位）。在标注方案、验证策略、数据集划分、任务定义和性能报告方面存在显著异质性。没有研究进行前瞻性评估或独立的多中心外部验证。

**结论** 当前AI系统在种植体周边缘骨吸收的放射影像评估方面展现了令人瞩目的技术能力。然而，证据仍受到回顾性研究设计、可重复性不足、缺乏外部验证和临床泛化能力不确定的限制。

**临床意义** 纳入的研究中未测试AI作为放射影像判读或纵向监测辅助工具的临床效用，仍需通过前瞻性评估、外部验证以及对临床医生与AI交互的直接评估来确立。

---

## 引言

牙科种植已成为修复部分或全口无牙患者的成熟且可预测的治疗手段[1,2]。然而，种植修复体的临床成功率和长期稳定性受多种因素的综合影响，包括谨慎的病例选择、精确的种植体植入、义齿修复、患者全身健康状况以及通过持续口腔卫生维护实现的充分菌斑控制[[2], [3], [4]]。

种植体周围炎是一种累及牙科种植体周围组织的病理性炎症过程，可导致支持性种植体周骨质的进行性破坏，并可能影响种植体的长期存活率[5]。其发生受多种生物学和力学因素的影响，使得诊断依赖于结合临床参数与放射影像分析的综合评估[5,6]。在诊断工具中，放射影像在识别种植体周嵴骨变化及评估种植体表面邻近骨组织破坏程度方面尤为重要。因此，边缘骨水平的纵向评估构成种植体维护方案的基本组成部分[6,7]。尽管如此，种植体负载后一定程度的嵴骨改建被认为是生理可接受的，功能第一年内的边缘骨吸收不超过约1.5 mm通常属于正常临床预期范围[[6], [7], [8], [9]]。

早期识别涉及种植体周骨组织的放射影像改变对于及时实施治疗策略以防止进行性骨吸收和维持种植修复体的长期成功具有至关重要的意义[[7], [8], [9]]。在当代临床实践中，种植体周骨吸收的评估主要基于二维放射影像的判读，尽管种植体周骨缺损具有复杂的三维形态。然而，放射影像判读本质上依赖于操作者，可能受疲劳、临床经验有限和职业工作负荷增加等人为变量影响，可能导致诊断不一致和不恰当的治疗计划制定[10,11]。

近年来，人工智能（AI）技术在放射诊断工作流程中的引入在增强诊断可靠性、减少判读相关错误、支持临床医生决策过程及提高整体临床效率方面展现了巨大潜力[10]。人工智能正通过实现更精确的诊断流程、支持数据驱动的药物治疗决策和改善整体患者护理质量，逐步重新定义现代医疗系统[12]。AI处理大量数据集和识别复杂模式（这些模式可能难以通过传统人工判读发现）的能力促成了其在口腔医学领域日益增长的重要性[13]。在基于AI的方法中，机器学习（ML）和深度学习（DL）算法在促进复杂临床程序自动化及增强多个口腔医学专科的基于影像的诊断评估方面展现了显著潜力[14]。其应用涵盖多个方面，包括正常解剖结构的识别和评估[[15], [16], [17]]、病理状况的检测[[18], [19], [20], [21]]、种植修复体的预后预测、法医口腔医学应用以及面向患者和口腔医学从业者的教育用途[[22], [23], [24], [25], [26]]。

尽管人工智能在牙科影像中的应用迅速扩展，但其在种植体周围炎严重度定量评估中的应用仍然在方法学上存在碎片化，在临床上尚不成熟。现有证据以研究设计、影像模式、标注标准和模型架构方面的显著异质性为特征，同时普遍缺乏外部验证，整体缺乏真正的临床转化。重要的是，大多数已发表研究仍然局限于内部验证的概念验证框架，对方法学稳健性、报告透明度和实际应用性的关注有限，从而大大限制了其可解释性和转化价值。

既往综述已探讨了人工智能在颌面放射学、牙科影像和种植体周骨吸收评估中的应用[27,28]。然而，整合诊断性能、结构化方法学评价、以任务为导向的分类和转化准备度的全面综合分析仍然有限。在本综述中，以任务为导向的分类体系和描述性转化分期框架由作者仅作为综述专用的分析工具开发。它们旨在描述各研究主要放射影像AI任务和所报告验证证据级别之间的差异，而非构成经验证的临床、方法学或AI成熟度标准。

因此，本系统综述旨在提供一项更新的、以方法学为重点的综合分析，针对应用于牙科影像进行种植体周边缘骨吸收及相关种植体周骨缺损放射影像评估和严重度分级的人工智能模型，重点关注诊断性能、方法学严谨性、报告透明度以及通过QUADAS-AI和CLAIM评价实现的描述性转化分期。

---

## 各章节片段

### 方案注册与报告标准

本系统综述按照系统综述和荟萃分析首选报告条目（PRISMA 2020）声明以及鉴于研究问题的诊断和影像学性质而采用的PRISMA-DTA指南开展。综述方案于2026年3月23日在PROSPERO中前瞻性注册（CRD420261349385），在研究筛选流程启动之前完成。在综述执行过程中未偏离已注册的方案。

### 综述问题与纳入标准

**目标**

### 研究选择

系统检索识别出87条记录。排除37条重复记录后，50篇唯一文章进行了标题和摘要筛选，排除了36条不符合预设纳入标准的记录。14篇全文文章进行了资格评估，其中排除4篇：两项研究仅将人工智能应用于非影像临床变量，一项未报告客观性能指标，一项仅关注种植体[相关内容]。

### 主要发现

本系统综述表明，用于种植体周边缘骨吸收放射影像评估的人工智能已进入一个发展阶段，算法可行性不再是主要挑战；相反，该领域越来越由方法学稳健性、可重复性和转化可信度等问题所定义。在纳入的调查中，AI系统展现了在标志点定位、分割等方面的令人鼓舞的能力，

### 结论

人工智能在种植体周边缘骨吸收的放射影像评估和严重度分级方面展现了令人瞩目的技术能力，尤其在标志点定位、分割、骨吸收检测和类别性严重度评估方面。然而，当前证据库主要由回顾性开发和内部验证的模型主导，存在显著的方法学异质性、有限的可重复性，且没有前瞻性临床评估或[独立外部验证]。

### 临床意义

纳入的证据支持了人工智能在种植体周骨吸收评估中选定放射影像评估任务方面的技术可行性。然而，AI作为临床医生辅助或决策支持系统的临床效用，包括其改善临床医生表现或纵向监测的能力，在纳入的研究中未被测试。未来的临床转化因此需要前瞻性多中心验证、标准化报告以及对临床医生-AI[交互的直接评估]。

### 资金

本研究未获得公共、商业或非营利机构拨款机构的任何专项资助。

### CRediT作者贡献声明

Giovanni Leandro Arcangeli：撰写——审阅与编辑，撰写——原始稿件，可视化，验证，监督，项目管理，方法学，调查，形式分析，数据管理。Naciye Guzin Uzel：可视化。Zoe Xiaofang Zhu：撰写——审阅与编辑，可视化，形式分析。Pedro Molinero-Mourelle：可视化。Andrea Roccuzzo：撰写——审阅与编辑，监督，形式分析，概念化。

### 利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文所述工作。

### 致谢

无致谢。

---

Giovanni Leandro Arcangeli | Naciye Guzin Uzel | Zoe Xiaofang Zhu | Pedro Molinero-Mourelle | Andrea Roccuzzo