AI辅助放射影像诊断训练在牙科教育中的应用：一项关于龋病检测与牙周炎分类的随机试点研究

《Applied Sciences》：AI-Assisted Radiographic Diagnostic Training in Dental Education: A Randomized Pilot Study of Caries Detection and Periodontitis Classification

　　

专业术语翻译摘要 人工智能（AI）辅助放射影像诊断工具为牙科教育中的诊断训练提供了新的机遇，但关于其对学生在无辅助条件下独立诊断表现的影响，现有证据仍然有限。这项前瞻性随机试点研究评估了为期四周的、基于AI放射影像诊断支持应用程序的补充训练，与使用传统学习材料相比，是否能提升牙科学生在龋病检测和牙周炎分类方面的表现。在140名随机分组的学生中，56人被纳入最终分析（AI辅助组，n = 25；对照组，n = 31）。诊断表现通过基于咬翼片的龋病任务和基于全景放射影像的牙周炎分类进行评估，结果并按照研究阶段进行了额外分析。预设的主要终点，即龋病和牙周任务的总诊断表现，未达到统计学显著差异（p = 0.251）。在次要分析中，AI辅助组在多项结果上获得了数值上更高的分数，尽管牙周炎范围（局限型与广泛型）的差异未达到统计学显著性（p = 0.102）。在一项未进行多重比较校正的探索性调整模型中，AI辅助分配与第一个龋病应答位置（应答位置1）的更好表现相关（p = 0.026）；鉴于主要终点结果为阴性且未进行多重检验校正，该发现应被视为产生假设而非确证性结论。研究阶段显著影响牙周炎分级和龋病应答位置1。总体而言，这些发现未能证明AI辅助放射影像训练对主要结局具有显著益处，但在一项龋病评分组件中观察到的孤立调整差异支持进一步评估将AI应用程序以结构化、教师支持的方式整合到本科牙科课程中。

论文解读文章

一、研究背景与问题

放射影像解读是牙科诊断与治疗计划的基础环节，需要感知识别、临床知识与诊断推理的综合运用。然而，牙科放射影像的判读易受解读变异和错误的影响。既往系统综述指出，临床经验、知识储备、病例复杂度、时间压力、教育训练背景及认知负荷等因素均可能影响放射影像解读表现。因此，培养可靠的放射影像诊断能力是本科牙科教育的重要目标，尤其是在影像学表现可能较为隐匿或需要结构化分类的疾病中。

人工智能（AI），特别是用于图像分析的机器学习和深度学习方法，已被越来越多地研究用于支持牙科放射影像解读。技术证据基础在多种影像应用中迅速扩展，全景放射影像分析中的AI方法在龋病和牙周骨丧失检测方面表现出较高性能，但底层研究异质性较大。与此同时，AI作为教育技术在诊断训练、反馈、评估和自主学习方面的应用兴趣也在增长。

然而，现有教育证据仍然有限且异质。范围综述显示，AI在牙科教育中的应用涵盖临床前训练、临床与诊断训练、放射影像解读、评估反馈及教育内容生成等多个领域，但存在样本量小、干预周期短、结局指标多变、外部验证不完整以及对过度依赖和独立临床判断保留的担忧。专门针对口腔颌面放射影像学教育中AI应用的范围综述仅识别出八项符合条件的研究，表明直接的教育证据相对有限。

在龋病检测领域，多项研究显示AI辅助训练可提升牙科学生的检测表现，包括灵敏度、诊断优势比、准确率、特异性和F1分数等指标。但也有研究未发现一致的组间优势，且AI辅助操作在提高效率的同时可能降低准确性。比较研究进一步表明，AI系统与牙科学生可能采用不同的诊断阈值，这提示AI的教育作用可能超越单纯的病灶检测，扩展到向学生展示替代性诊断阈值并促进放射影像解读的校准。

在牙周影像评估领域，深度学习模型在牙周骨丧失检测和疾病分类方面展现出潜力，荟萃分析报告了较高的合并性能，但详细的多级牙周分类仍比简单疾病检测更具挑战性。学习者的临床经验也会影响牙周分类表现，不同经验水平的学生在分期上存在差异。

在此背景下，关于持续使用AI放射影像诊断支持应用是否能提供超越传统准备的额外教育益处，尤其是在同时评估不同本科经验和不同诊断领域时，证据仍然有限。此外，现有研究在AI是否在结局评估期间可用、反馈是否结构化以及使用是否嵌入教师监督教学等方面存在显著差异。据研究人员所知，这是第一项评估AI辅助训练对牙科学生放射影像牙周炎分类影响的前瞻性随机教育研究。

二、研究内容与结论

研究人员开展了一项单中心、前瞻性随机试点研究，于2024年10月至2025年12月在一所大学牙科诊所进行。研究旨在评估为期四周的AI辅助诊断训练（使用AI:Dental放射影像诊断支持应用程序作为传统学习资源的补充）是否能提升牙科学生在放射影像龋病检测和牙周炎分类方面的后续表现，并与仅使用传统非AI支持教学材料的对照组进行比较。来自第7至第12学期的牙科学生符合参与条件，参与者按研究阶段进行分层随机化。

研究的主要终点是干预后考试中的客观诊断表现，即四周训练期后所有龋病和牙周任务中可获得的最大诊断分数的比例。次要终点包括各子领域的诊断表现、研究阶段之间的差异以及参与者对AI应用的主观评价。

研究最终纳入56名参与者进行最终分析（AI辅助组25人，对照组31人），其中第7学期23人、第8学期18人、临床训练项目（第9至第12学期）15人。预设的主要终点未达到：两组总诊断分数无显著差异（^p = 0.251）。在探索性调整分析中，AI辅助分配与第一个龋病应答位置的更好表现相关（OR 1.575，95% CI 1.055–2.352；^p = 0.026），但该发现应视为产生假设而非确证性结论。研究阶段显著影响牙周炎分级和龋病应答位置1。总体而言，研究未能证明AI辅助放射影像训练对主要结局具有显著益处，但观察到的差异支持进一步评估结构化、教师支持的AI应用整合方式。

三、关键技术方法

研究人员采用了以下主要关键技术方法：第一，分层随机化设计，临床前阶段（第7至第8学期）采用既有实践小组的组级随机化，临床训练项目（第9至第12学期）采用个体随机化；第二，四周干预期，AI辅助组获得AI:Dental应用程序的个体访问权限，可自主练习并接收即时反馈，对照组仅使用教师提供的数字练习材料；第三，标准化诊断考试，包含5例咬翼片龋病任务和5例全景放射影像牙周炎分类任务，采用专家共识参考标准评分；第四，统计分析采用描述性统计、正态性检验（Shapiro–Wilk检验）、单因素方差分析（ANOVA）或Kruskal–Wallis检验、独立样本^t检验或Mann–Whitney U检验，以及二项广义线性模型（GLM）同时调整研究阶段和组别分配；第五，AI辅助组参与者完成10项问卷（Q3–Q12）评估主观体验，采用四点Likert量表。样本来源于维也纳医科大学牙科诊所第7至第12学期的牙科学生。

四、研究结果

4.1 参与者流程与样本特征。 约300名符合条件的牙科学生中，140人（46.7%）同意参与并随机分组（每组70人），但最终仅56人（40.0%）纳入共同分析人群。排除原因包括退出、答题纸不完整、分组或学期信息缺失以及龋病数据不完整。

4.2 各研究阶段的诊断表现。 跨三个研究阶段的单变量比较显示，牙周炎分级存在显著差异（Kruskal–Wallis，^p = 0.010）：临床训练项目学生（平均2.60 ± 1.12）得分高于第7学期（1.57 ± 1.08）和第8学期（1.39 ± 1.33）学生。龋病应答位置1也存在显著差异（one-way ANOVA，^p = 0.002）：第8学期学生得分最高（4.67 ± 1.46），方向与牙周炎分级相反。其余指标无显著阶段效应。

4.3 AI辅助组与对照组之间的诊断表现。 预设主要终点未达到（^p = 0.251；Cohen's ^d = ?0.312）。所有次要结局变量均无统计学显著差异。描述性上，AI辅助组在牙周炎范围（3.52 ± 1.00 vs. 3.16 ± 1.00；^p = 0.102）、牙周炎分期、牙周炎分级、总牙周分数、龋病应答位置1和应答位置3上数值较高，但龋病应答位置2对照组描述性更高（2.90 ± 1.83 vs. 2.72 ± 1.34；^p = 0.693）。

4.4 多变量分析（二项广义线性模型）。 调整研究阶段和组别分配后，模型确认研究阶段对牙周炎分级有显著效应（^p = 0.006），临床训练项目优于两个临床前学期。研究阶段对龋病应答位置1也有显著效应（^p < 0.0001）。GLM额外识别出组别分配对龋病应答位置1的显著效应：AI辅助组获得分数的优势比高于对照组（OR 1.575，95% CI 1.055–2.352；^p = 0.026），但因未进行多重比较校正，该发现为探索性和产生假设性质。

4.5 问卷评估。 AI辅助组参与者对AI:Dental应用的主观评价总体积极。临床与临床前亚组比较中，仅Q4（英语语言障碍）名义上显著（^p = 0.031），但未通过Bonferroni校正（校正后^p = 0.310）。

五、讨论总结与研究结论

讨论部分指出，本研究未达到预设主要终点，总体诊断表现无显著组间差异。探索性调整分析中龋病应答位置1的显著差异应谨慎解读：仅在调整模型中显著，未校正分析不显著，且包含交互项的敏感性分析显示效应随临床经验变化。这一发现与既往报告AI辅助学习在放射影像龋病诊断中潜在益处的部分研究方向一致，但应视为产生假设而非确证。牙周发现同样需谨慎解读，AI辅助组在四项牙周指标上数值较高但均未达显著，牙周分类本身是比单一病灶检测更复杂的任务。研究阶段独立关联牙周分级，临床训练项目学生表现更好，与经验积累效应一致。教育意义方面，平台提供基于案例的练习和即时反馈，为形成性自我校准创造了机会，但更结构化的课程整合方式可能产生更清晰或更一致的教育效果。问卷结果总体积极，与既往文献一致。

研究结论为：这项前瞻性随机试点研究未证明补充性AI辅助放射影像训练能显著改善总体诊断表现。在未进行多重比较校正的探索性调整分析中，AI辅助组分配与龋病应答位置1的更好表现显著相关。需要进一步开展充分把握度的随机研究来确认这些发现，评估AI辅助放射影像训练的教育有效性，并为其整合到本科牙科课程中的决策提供依据。