人工智能衍生全景评分及其与主要系统性疾病关联性的回顾性横断面研究

《Journal of Dentistry》：AI-derived panoramic score and its association with major systemic diseases: A retrospective cross-sectional study

　　

摘要

研究目的：

本研究评估基于AI生成的全口曲面体层片评分是否与五种选定的全身性疾病相关。

研究方法：

使用AI模型分析来自两家医院的26,550张全口曲面体层片，该模型可检测牙齿及种植体并量化牙槽骨吸收情况。基于缺失牙齿数量和加权骨吸收严重程度计算出一个影像评分（0–100分）。通过组间比较、各评分区间内的患病率趋势以及校正年龄、性别和体质指数后的logistic回归分析，评估该评分与糖尿病、高血压、骨质疏松症、缺血性心脏病和高脂血症之间的关联。使用$\Delta$AUC和DeLong检验量化该评分相对于校正变量单独使用的增量判别能力。

研究结果：

患有各疾病的患者评分均低于对照组（所有$P<0.001$），其中糖尿病校正后差异最大（$\beta =?6.25$）。五种疾病的患病率均随评分升高呈下降趋势（Cochran–Armitage $P<0.001$），其中缺血性心脏病Q1与Q5之间的相对风险最高（4.73）。校正后，该评分仍与所有疾病独立相关（AUC，0.74–0.80），其中糖尿病、高血压和高脂血症具有显著的增量判别能力（$\Delta$AUC $=0.0015$–0.0154；DeLong $P<0.0188$），但缺血性心脏病和骨质疏松症除外。

结论：

基于AI生成的全口曲面体层片评分与五种选定的全身性疾病诊断独立相关。

临床意义 基于常规获取的全口曲面体层片生成的AI评分与主要全身性疾病独立相关。该自动化、定量评分可作为探索性的影像指标，有助于口腔与医疗照护之间的整合管理。

引言

人工智能（AI）越来越多地应用于口腔医学领域，相关报告标准和诊断局限性正在被积极讨论[1]、[2]。深度学习在龋病检测[3]以及全口曲面体层片的牙槽骨吸收自动检测和牙周炎分期方面展现出潜力[4]、[5]、[6]、[7]。

尽管全口曲面体层片是常规检查项目且包含诊断编码无法捕捉的定量信息，但很少有研究探讨基于AI生成的曲面体层片指标能否与电子病历（EMR）关联，以评估影像衍生的口腔发现与全身性疾病之间的关联。

口腔健康是多维度的——涵盖牙列、牙周支持组织、牙槽骨、牙齿缺失和咀嚼功能[8]、[9]——并通过共享的危险因素和慢性炎症与全身健康相关[10]。糖尿病[11]、[12]、[13]、缺血性心脏病[14]、[15]、[16]、[17]、高血压和高脂血症[18]以及骨质疏松症[19]均与口腔健康恶化相关，涉及代谢、炎症、血管和骨骼相关通路[20]、[21]、[22]、[23]。

本研究将AI处理的全口曲面体层片非结构化影像与结构化电子病历信息进行整合，实现了分析层面的多模态数据融合。多模态数据集对于桥接影像信息与患者层面临床信息至关重要，能够发现单模态分析无法检出的关联关系。

因此，我们将基于AI生成的曲面体层片特征与两家三级医院的电子病历数据进行关联，并评估其与五种选定ICD编码疾病的关联。我们构建了一个探索性的牙齿与牙槽骨健康评分（TABHS），基于AI检测的缺失牙齿和具有中至重度影像学牙槽骨吸收的牙齿，其中较高评分反映较好的牙齿和牙槽骨状态（第2.3节）。该评分旨在作为从常规获取的全口曲面体层片中自动提取的牙齿缺失和影像学骨吸收的标准化定量总结，而非作为牙周炎的临床测量指标。我们假设较低的TABHS与这些主要全身性疾病的患病率更高相关。

章节摘要

材料与方法

本研究方案已获韩国天主教大学机构审查委员会批准（IRB编号：KC25WIDB0343，2025年5月29日批准）。鉴于本研究的回顾性性质及使用的去标识化数据，免除了知情同意的要求。

组间比较

在全部26,550条记录的未校正分析中（图2a），患有五种全身性疾病之一的患者TABHS均显著低于相应对照组（所有P $<$ 0.001）。效应量最大的是糖尿病（Cohen's d = ?0.763），效应量最小的是骨质疏松症（Cohen's d = ?0.369）。

在校正年龄、性别和BMI的OLS回归分析中（n = 24,026；平均年龄54.4岁；女性53.2%；图2b），差异显著

主要发现

在这项回顾性研究中，基于全口曲面体层片的AI衍生TABHS与五种选定ICD编码的全身性疾病显著相关。患有糖尿病、高血压、骨质疏松症、缺血性心脏病或高脂血症的患者TABHS低于未患相应疾病的患者，且在校正年龄、性别和BMI后这些差异依然存在，其中糖尿病校正后差异最大（图2）。在患者层面分析中，患病率随评分升高而下降

结论

在一家医院队列中，基于AI生成的全口曲面体层片评分与五种选定ICD编码的全身性疾病独立相关。由于其超越年龄、性别和BMI的增量判别能力对大多数疾病有限，牙齿与牙槽骨健康评分（TABHS）应被视为探索性的影像学指标，而非经验证的全身健康指标。

作者贡献声明（CRediT）

Kim Se Hoon：写作–原始草稿，软件，方法学，调查研究，数据管理，概念化。Ko Dong Yub：可视化，方法学，数据管理，概念化。Choi Jin Sun：可视化，方法学，数据管理，概念化。Lee Jae-Hyun：写作–审阅与编辑，验证，方法学，概念化。Cho Seok-Hwan：写作–审阅与编辑，验证，方法学，概念化。Lee Su Young：写作–审阅与编辑，可视化，

伦理声明

作者未从参与者或其法律代表处获得知情同意。鉴于本研究的回顾性性质及使用的去标识化数据，免除了知情同意的要求。

本研究遵循研究所在地相关法律法规、监管框架和指导原则进行。本研究经韩国天主教大学机构审查委员会批准（批准编号：IRB No. KC25WIDB0343）。

资金信息：

本研究由韩国国家研究基金会（NRF）资助，由大韩民国科学技术信息通信部提供资金支持（项目编号：RS-2025-23324169）。

利益冲突声明

作者声明以下可能被视为潜在利益冲突的经济利益/个人关系：D.Y.K.和J.S.C.是DDH Inc.（大韩民国首尔）的员工，该公司为本研究中所使用的DDH PANO AI模型的开发者。S.Y.L.报告获得了韩国国家研究基金会（NRF）的资助，由大韩民国科学技术信息通信部提供资金支持（项目编号：RS-2025-23324169）。其余作者（S.H.K.，

致谢

作者感谢DDH Inc.为本研究提供DDH PANO AI软件。

Kim Se Hoon|Ko Dong Yub|Choi Jin Sun|Lee Jae-Hyun|Cho Seok-Hwan|Lee Su Young