《Journal of Dentistry》：AI-Driven Crown Generation: A Comparative Analysis of Point Cloud Completion Models for Mandibular First Molar Restoration
编辑推荐：
AI驱动的点云补全模型PF-Net、PCN和PoinTr用于下颌第一磨牙修复冠生成，评估几何精度（Chamfer Distance 0.10mm，Hausdorff Distance 0.22mm）和临床适用性（ Mesiodistal偏差最低0.14±0.33mm），PoinTr最优且效率适中，为种植手术规划提供自动化解决方案。
作者：朱志远（Zhiyuan Shu）、田淼淼（Miaomiao Tian）、魏宏波（Hongbo Wei）
单位：国家口腔颌面重建与再生重点实验室、国家口腔疾病临床研究中心、陕西牙科材料与先进制造工程技术研究中心、第四军医大学口腔医学院口腔种植科，中国西安710072
摘要
研究目的
本研究旨在调整并评估三种成熟的人工智能（AI）驱动的点云完成模型——PF-Net、PCN和PoinTr——以生成下颌第一磨牙的解剖学精确牙冠，从而推进基于假体的种植手术规划。
方法
本研究使用了120个非病理性牙列的口内扫描数据，将其处理成3D点云。部分牙列模型（缺少第36颗牙齿）作为输入数据，而相应的自然牙冠作为真实参考。数据集被分为训练集（90个）、验证集（20个）和测试集（10个）。所有模型均使用Chamfer Distance损失函数进行相同训练，并从几何精度（Chamfer Distance、Hausdorff Distance、均方根误差、平均负偏差）、临床适用性（颊舌/近中直径）和计算效率等方面进行评估。统计分析采用了ANOVA/Tukey’s HSD或Kruskal-Wallis/Dunn检验（α = 0.05）。
结果
PoinTr在临床效果和几何精度方面表现优异，其近中直径偏差最小（0.14 ± 0.33毫米，p = 0.008，相比PCN），表面误差也最低（Chamfer Distance：0.10毫米；Hausdorff Distance：0.22毫米）。PF-Net的生成速度最快（每颗牙冠3.22秒），但形态偏差较大（>6毫米）。PoinTr在精度（所有几何指标上均显著优于PF-Net/PCN，p < 0.05）和效率（每颗牙冠5.52秒）方面取得了平衡。
结论
PoinTr生成的牙冠在形态上与自然牙齿高度一致，尺寸控制精确，能够实现符合假体引导原则的虚拟假体。将其集成到数字工作流程中可以提高手术规划的精确度和效率，同时减少对技术人员的依赖。
临床意义
本研究提出的基于PoinTr的方法为基于假体的种植手术提供了一种具有临床意义的工具，能够生成解剖学精确且尺寸精确的牙冠，直接指导最佳种植位置和手术导板的设计。此外，该方法不仅适用于种植规划，还为传统固定修复 dentistry 中的牙支持牙冠设计提供了高效自动化的解决方案，从而提高了数字修复 dentistry 的准确性、一致性和工作流程效率。
引言
现代种植手术的范式逐渐转向以假体为导向的原则[1]。这种方法确保种植体的放置与计划中的修复体相协调，从而提升美观效果、机械稳定性和长期组织健康[2]。传统的种植体支持牙冠设计主要依赖于技术人员的手动蜡模制作或数字近似，这引入了主观性、潜在的不准确性以及耗时的过程[3]。虽然利用计算机辅助设计（CAD/CAM）的数字工作流程简化了假体的制作，但设计阶段，特别是种植体规划中的牙冠设计，仍然很大程度上依赖于耗时的手动输入和经验丰富的专业知识[4]。这凸显了需要自动化、数据驱动的解决方案来生成严格遵循假体引导原则的解剖学精确牙冠，以减少时间投入。
人工智能（AI），尤其是其生成式AI子领域，在牙科领域已成为一种变革性工具，提供了前所未有的图像分析、解剖分割和治疗规划能力[[6],[7],[8]]。AI已广泛应用于种植学的各个方面，如预测预后、确定种植系统以及制定钻孔方案[[9],[10],[11],[12],[13]]。然而，这一工作流程中的关键且耗时的步骤是假体牙冠的数字设计，这仍然严重依赖于手动输入和经验丰富的专业知识。生成式AI模型通过学习复杂的数据分布来合成新结构，为自动化牙科假体的设计带来了巨大潜力[15]。然而，最近对AI驱动的牙冠生成的研究，如使用生成对抗网络（GANs）和条件GAN，往往受到无法忠实重建对功能性修复至关重要的复杂三维（3D）解剖结构的限制[16,17]。此外，自主机器人种植系统的日益普及进一步强调了高效自动化规划解决方案的必要性[[18],[19],[20]]。现有研究主要集中在传统牙冠修复上，而非种植体规划中的牙冠设计，而尺寸精度直接影响种植体位置和载荷分布[21]。对于第36颗牙齿（下颌第一磨牙）而言，这种差距尤为明显，因为该牙齿的缺失率较高且临床需求量大，使其成为种植体支持牙冠生成的理想候选对象[22]。
为克服这些限制，点云完成模型已成为处理3D几何数据的强大工具[23]。点云是对象或空间的三维数字表示，由X、Y和Z坐标定义的密集数据点集合构成；这些数据通常通过3D扫描技术获取，以高精度建模对象表面。传统的基于几何的方法通常采用两阶段半自动化过程，首先使用手动或自动选择的几何特征或标志点进行初步粗略对齐，然后通过迭代最近点（ICP）等算法进行微调。相比之下，点云方法通常基于AI驱动的深度学习模型，直接处理从扫描中获得的密集、非结构化的3D点数据。虽然传统方法计算效率高且依赖于明确的几何推理，但点云技术通过隐式捕获复杂的形态模式提供了更高的自动化程度和鲁棒性，尽管通常需要大量的计算资源和标注数据集进行训练。这些模型直接处理3D口内扫描数据，保持了虚拟定位和生物力学完整性所需的所有几何信息。其中，PF-Net、PCN和PoinTr在处理不完整的3D结构方面表现出显著能力，尽管它们最初是为计算机视觉领域开发的。PF-Net在通过多分辨率编码捕捉细节方面表现出色[24]，PCN采用高效的粗略到精细的生成过程[25]，PoinTr利用变换器模块来建模长距离空间依赖性[26]。通过直接处理3D点云，这些模型规避了2D表示的局限性（如投影或体素化导致的信息丢失），提供了一个更直接、内存效率更高且解剖学上更准确的框架来重建复杂的牙科结构。尽管取得了这些进展，但在生成用于种植规划的完整牙冠方面的应用仍不充分，且缺乏系统的比较评估。
为了解决这些限制，本研究通过调整和应用三种先进的点云完成模型——PF-Net、PCN和PoinTr——根据相邻牙列的形态生成缺失的第36颗牙齿的牙冠，进行了严格的转化评估。本研究的主要贡献在于系统地、以临床为导向地比较了这些模型在临床相关参数、几何精度指标和计算效率方面的表现，从而填补了AI驱动假体设计中的关键空白。我们的方法不仅自动化了牙冠生成，还符合假体引导的种植学原则。我们的方法有潜力提高数字工作流程的精确度，减少对技术人员的依赖，并最终改善种植体支持修复体的生物力学效果。
数据集
本研究使用了包含120对牙列及其相应牙冠的3D点云的数据集（图1）。该研究已获得第四军医大学口腔医学院伦理委员会的审查和批准（编号：KQ-YJ-2025-182）。委员会出于以下原因同意免除知情同意的要求：研究对受试者的风险极小，涉及匿名回顾性数据的分析，以及数据获取
牙冠尺寸
DBL和DMD的数据符合正态性和方差同质性的假设（补充表1和补充表2）。PF-Net、PCN和PoinTr模型生成的牙冠之间的DBL没有统计学上的显著差异（p = 0.824）。相比之下，DMD存在显著差异（p = 0.011）。使用Tukey’s HSD进行的事后分析显示，PCN设计的牙冠在近中直径上的偏差显著较大
讨论
本研究通过对三种成熟的点云完成架构PF-Net、PCN和PoinTr进行适应性调整和基准测试，对AI驱动的种植牙科假体设计进行了严格的转化评估，以生成下颌第一磨牙（第36颗牙齿）的解剖学精确牙冠。结果表明PoinTr是最佳模型，实现了卓越的几何精度和临床精确的近中直径控制。其优越性主要归因于
结论
通过对三种生成式AI模型在假体引导种植规划中牙冠设计的全面评估，本研究证明PoinTr在生成下颌第一磨牙（第36颗牙齿）的解剖学精确牙冠方面表现优异。PoinTr在几何精度方面表现出色，近中直径的差异最小，表面偏差最小，在所有形态指标上均显著优于PF-Net和PCN。
资助信息
本研究得到了军事医学大学临床研究基金的支持（编号：2023LC2327）。
数据可用性声明
本研究的数据可应相应作者的合理请求提供。
伦理声明
本研究已获得第四军医大学口腔医学院伦理委员会的批准（编号：KQ-YJ-2025-182）。
作者贡献声明
朱志远（Zhiyuan Shu）：概念构思、方法论、软件开发、正式分析、初稿撰写、可视化。
田淼淼（Miaomiao Tian）：数据整理、验证、调查。
魏宏波（Hongbo Wei）：资金获取、监督、项目管理、资源协调、撰写 - 审稿和编辑。
作者贡献声明
朱志远（Zhiyuan Shu）： 初稿撰写、可视化、软件开发、方法论构建、概念构思。
田淼淼（Miaomiao Tian）： 数据验证、调查、数据整理。
审稿与编辑、监督、资源协调、项目管理、资金获取、概念构思。
利益冲突声明
作者声明他们没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本研究得到了第四军医大学临床研究基金的支持（编号：2023LC2327）。
