综述：正畸治疗规划中的人工智能：一种比较不同学习方法的系统评价

《BMC Oral Health》：AI in orthodontic treatment planning: a systematic review comparing learning approaches

　　

摘要

背景

人工智能越来越多地被应用于正畸诊断和治疗计划制定。正畸领域的临床决策十分复杂，不同医生之间的决策方式往往存在差异，尤其是在牙齿拔除、骨骼分类以及治疗方式选择等方面。本系统评价旨在探讨人工智能和基于知识的系统在正畸治疗计划制定中的发展与应用情况，比较它们与专家医生的表现，并分析不同学习方法对准确性、可解释性以及临床应用潜力的影响。

方法

从各数据库建立之日起至2025年10月15日，我们对PubMed、Embase、Scopus、Web of Science、Cochrane Library和IEEE Xplore进行了全面检索，没有设置语言或时间限制。符合条件的研究均使用真实的正畸患者数据，评估基于人工智能或基于知识的系统在辅助诊断或治疗计划制定方面的效果。两名审稿人独立筛选文献、提取数据，并使用ROBINS-I工具评估偏倚风险。由于研究设计、决策任务和结果指标存在差异，因此采用叙述性方式整合研究结果，而非进行元分析。

结果

共有19项研究符合纳入标准。大多数研究探讨了用于牙齿拔除决策、骨骼分类或多步骤治疗计划制定的监督式机器学习模型，还有些研究评估了基于规则、模糊逻辑、贝叶斯或混合型的系统。与专家决策相比，这些系统的准确率通常超过80%，部分研究甚至超过90%。基于规则的、模糊逻辑的以及贝叶斯/概率型等基于知识的系统在推理过程上更具透明度，而数据驱动型模型则往往具有更高的区分能力。总体而言，由于研究多为回顾性设计、样本来自单一中心、外部验证不足，且以专家意见作为参考标准，其偏倚风险大多处于中度到重度水平。

结论

在特定的诊断和规划任务中，人工智能系统能够模拟专家的正畸决策过程，有望成为有用的临床决策支持工具。但目前的研究证据仍受方法学缺陷和缺乏前瞻性验证的局限。因此，这类系统目前应被视为辅助工具，而非可独立完成规划的系统。在推荐其常规临床应用之前，还需要开展具有外部验证的可靠多中心研究。

试验注册

PROSPERO 1025581，已进行前瞻性注册。