作者：刘宝刚，
人工智能（AI），这一新兴学科自1956 年提出至今，已渗透至医疗行业的诸多方面，如疾病诊断、治疗规划以及患者管理等。随着AI 在口腔医学中的不断应用，其为口腔疾病的诊断提供了全新视角，有效提高了口腔医疗的准确性、效率和个性化处理数据的能力，为提升临床服务标准开辟了新的方向。基于大数据分析和模式识别的自动化模型正逐渐成为口腔医学研究的热点。目前，AI 已逐渐应用于牙体牙髓疾病、
1. AI 在牙体牙髓疾病诊断中的应用
近年来，AI 在牙体牙髓疾病领域的研究主要集中于龋齿的自动化诊断。在龋齿诊断方面，AI技术的应用促进了口腔医学影像分析中的智能化进展，从而实现了龋齿的自动化图像诊断。Lee 等利用3000 张口腔根尖片评估了卷积神经网络（convolutional neural network，CNN）在龋齿检测和诊断中的有效性，该模型在前磨牙区、磨牙区和前磨牙- 磨牙区的龋齿检测准确度分别高达89%、88% 和82%。Hung 等进一步开发了识别根面龋风险的机器学习算法，其中支持向量机(supportvector machine,SVM)在识别根面龋方面表现出最佳性能，具有高达97.1% 的准确度。
此外，Casalegno 等开发了一种基于CNN 可以自动分析近红外线透光图像中龋损的算法，该算法有效提高了近红外线透光图像对于龋齿检测的效率和准确度，能够帮助口腔医生发现通常难以通过肉眼观察获知的龋损。针对AI 与实际临床应用的关联性，一项研究评估了一种基于CNN 的AI 诊断系统在3686 张咬合翼片中的龋齿检测性能，并将其与四名经验丰富的口腔医生的检测结果进行了比对。该研究发现AI 系统（准确度80.0%）不仅比口腔医生（准确度71.0%）有更高的准确率，而且在识别早期龋损方面的灵敏度也显著高于专业人士。
Park 等利用4195 例韩国国民健康和营养调查数据，开发出一个基于机器学习的早期儿童龋齿预测模型。该模型的性能明显优于传统回归模型，突显了AI 在儿童龋齿预测性分析中的强大功能，有助于在口腔预防领域中进行早期干预和教育。
此外，AI 也被应用于X 射线影像、锥形束计算机断层摄影（cone beam computed tomography,CBCT）图像对根尖周病变进行诊断。一项研究使用4129 幅根尖片开发出能够自动检测龋齿和根尖周炎的深度学习模型，结果显示该模型的准确性明显高于年轻牙医。
Hadzic 等基于CNN 研发了一种根尖周病变诊断系统，该系统自动检测了195个CBCT 图像的根尖周病变并显示出86.7% 的灵敏
2. AI 在牙周病诊断中的应用
牙周病是导致中老年人牙齿脱落的主要因素，在全球范围内影响着超过十亿人群。应用AI 技术进行牙周病的早期诊断能够显著改善患者的口腔健康，并提升其整体健康水平与生活质量。Ozden等对人工神经网络（artificial neural network，ANN）、SVM 和决策树（decision tree，DT）等AI 分类算法在牙周病诊断中的性能进行了探索，将患者的牙周数据分为六种不同的疾病状态。研究结果显示，SVM 和DT 可作为有效的牙周病诊断工具，有助于提升临床医师的诊断准确度。此外，AI 模型亦被开发出用于从口腔微生物组中检测导致口臭的微生物。
一项研究通过分析90例口臭患者的唾液微生物组，成功开发出一款用于预筛查及预测口臭的深度学习模型，其预测准确率高达97%，显著优于SVM预测的79% 的准确度。在口腔种植的牙周监测领域，AI 算法被应用于辅助诊断和监控种植体周围的牙周状况。改进的R-CNN 模型不仅能够对种植体周围的骨量丢失比例进行分级，还能评估种植体周围炎的严重程度。
这一技术的应用使得牙周科医生能够更加精确地监测和管理种植体的健康状态，进而采取恰当的治疗措施以保持种植体的功能，并延长其使用寿命。牙周炎的分期和分级是判断其严重程度的重要标准，是实施精准牙周炎治疗的关键环节。Danks 等开发出一项基于深度神经网络（deeplearningneural network，DNN）的AI 系统，该系统能够自动识别根尖片上的牙齿标记点并据此检测牙周骨质的丢失情况。该检测结果与口腔医学专家的视觉评估高度一致，标记点定位的准确度达到了89.9%。
Chang 等使用深度学习模型检测存在牙周骨质丢失的全景X 线片，并提出了一种牙周炎分期的自动诊断方法。结果表明，这种方法在准确性和可靠性上均表现优异，证实了AI 作为牙周炎自动诊断和常规监测工具的有效性。通过智能化的AI 诊断手段，可以大大提升牙周医疗领域对疾病监测的准确度和效率。
3. AI 在口腔黏膜病诊断中的应用
随着AI 在医学领域的不断发展，其在口腔黏膜病的诊断中也展现出巨大潜力。复发性阿弗他溃疡（recurrent aphthous ulceration, RAU）、白斑等口腔黏膜病状常见于日常临床工作，及早和准确的诊断对于疾病管理和预后至关重要。近年来，深度学习技术被应用于病变口腔黏膜的光学图像分析，帮助医生更快速更准确地辨认各种口腔病状。
Dar-Odeh 等使用ANN 分析了不同预测变量（包括性别、血清
口腔白斑是一种具有恶变潜能的病变，要求临床医生对其进行仔细鉴别诊断。AI系统能够通过学习数以千计的临床案例图像，区分良性白斑与可能恶变的白斑。此外，结合机器学习算法和各类生物标志物的临床数据，AI 有可能在预测白斑恶变风险方面发挥作用，从而个性化地指导患者管理和治疗策略。
Banerjee 等结合了傅里叶变换红外光谱技术与AI算法，开发出能够有效区别健康黏膜、白斑病变和口腔
随着更多关于口腔黏膜疾病的数据被收集，通过结合医生的专业知识与AI 技术的高效处理，未来的口腔黏膜病诊治将更加个性化、精确和高效。
4. AI 在口腔修复疾病诊疗中的应用
缺失牙的修复治疗是早期就与AI技术融合的研究领域之一。近年来，AI 技术的进展使得它开始在牙弓状况的医学影像自动分析方面发挥作用，为缺牙区域的义齿设计提供有效支持。AI 技术可以高效准确地处理图像数据，对临床诊断进程的优化有着显著贡献。Takahashi 等开发了一种基于口腔全景图像自动分类牙弓的CNN 系统，该系统将牙弓分类为无牙列、完整牙列、后牙缺失牙列和前牙缺失牙列，并在上下牙弓的诊断准确度分别高达99.5% 和99.7%。
Gerhardt 等设计了一种能够自动检测、分割和标记CBCT 图像中牙列的AI 模型。与传统的人工操作相比，该模型显著降低了平均检测时间，使得检测时间从98 s 减少到1.5 s，并且在缺失牙齿检测和标记的准确度上均高达99%。针对可摘局部义齿（removable partial denture,RPD）的数字化设计，Shen等提出了一种基于截断距离符号场（truncated signed distance field,TSDF）的算法，可自动生成RPD卡环。这一方法不仅优化了RPD卡环设计的重建方法，也解决了在数据不足条件下难以重建义齿部件的问题。
这些进展昭示了AI 在处理多样化的资料和复杂结构中的巨大潜力，为全面实施数字化和智能化修复治疗奠定了基础。目前，AI 的融合不仅限于诊断，还涉及整体治疗流程，包括与计算机辅助设计制造（computer-aided design/computer-aided manufacture,CAD/CAM）及其他数字化系统的集成，有望尽早实现口腔修复治疗的智能化目标。
在口腔种植领域，AI 技术正在深刻地重塑诊疗实践和方法。对种植体进行植入前的牙颌分析是确保种植成功的关键。Nogueira-Reis 等创新地将三个CNN 模型结合起来，以实现对上颌复合体、上颌窦和上牙列的精确分割，这种集成的AI 模型大幅提升了对上颌虚拟模型与周围结构关系的视觉呈现能力，进而为种植体的精确植入提供了有效支撑。
这一集成方法的精确性和可靠性对于提高种植治疗的成功率具有重要的价值。此外，Moufti 等有效应用了机器学习技术，在种植手术前自动识别CBCT 图像中的无牙颌区域。这一突破性技术不仅加速了图像分割过程，而且推动了种植手术规划的智能化，显著增强了诊断流程的高效性和准确性。
近年来，AI 在预测种植体成功率方面的应用也取得了显著进展。一项研究通过应用神经网络系统，取得了高达99.25% 的预测准确度，显示出其在精准预测方面的潜力。此外，AI 的诊断算法已经能够区分口腔X 线片中的不同种类种植体，这一技术对于治疗种植体周围炎具有至关重要的辅助价值。目前，AI 诊断算法显示出了高性能的检测和分类准确度，这大幅提高了治疗效果，并可能降低对专业知识的依赖，实现精准医疗。
5. AI 在正畸诊疗中的应用
在口腔正畸领域，正确识别解剖标志点、评估生长发育、分析颅颌面和牙弓形态等因素，对于制定正畸治疗计划至关重要。目前，AI 已应用于正畸治疗的各个阶段，在影像学分析、诊断和治疗计划、以及生长发育评估等方面均取得了显著的进展。
传统的头影测量分析依赖于医生手工绘制的标记点，而AI 的介入使得头影测量图像的自动化分析成为现实。基于AI 的头影测量分析系统作为计算机辅助正畸诊断工具，具有测量误差小、省时便利等特点，其检测准确度与正畸医生相近，甚至在某些指标上优于正畸医生。一项利用5890 张头颅侧位片训练的CNN 模型的研究表明，经过优化和增强技术改良后，构建的头颅骨骼诊断系统在垂直和矢状方向的骨骼诊断上均展现出超过90% 的敏感度、特异度和准确度。
此外，AI 系统还被用于通过分析颈椎图像自动化诊断正畸患者的骨骼成熟度，这有助于确定患者的最佳治疗时机，为制定治疗方案提供了可靠依据。AI 的应用已扩展到了CBCT 三维图像的自动分割处理。Lo Giudice 等训练了一个CNN 模型，实现对下颌骨的完全自动化分割。Sin 等同样采用了基于CNN 的模型自动分割CBCT 图像中的咽部气道。在评估成人正畸患者的上气道三维变化方面，Niu 等成功地运用AI 系统检测了上颌快速扩弓术的影响。
Kim 等提出了两种不同的深度学习模型，并将其用于CBCT 图像以自动识别和分类错颌畸形。结果表明多通道模型在诊断性能上优于单通道模型，这为正畸医生制定最佳治疗方案提供了重要辅助。在正畸治疗方案的决策过程中，面部软组织的形态也是一个不可忽视的因素。然而，在临床上，客观提取和预测患者的面部形态特征存在一定的难度。Yurdakurban 等开发的AI 系统能够自动进行面部中线检测和不对称性评估，为术前分析提供了有效价值。
此外，Rongo 等利用3D 立体摄影测量分析系统评估了拔牙和非拔牙正畸治疗对患者面部软组织的影响，发现两种治疗方式对口周软组织的影响存在明显差异，这对于治疗中拔牙的决策具有重要指导意义。
6. AI 在口腔癌诊断中的应用
口腔癌是全球第六大常见的恶性肿瘤，由于早期诊断的困难性，疾病的预后不容乐观。现代医学中引入基于AI 的诊断系统显著提升了口腔癌早期检测的效能，从而有望优化治疗策略、提高患者的生存率。一项实质性的研究采用了CNN 模型来辨别和分类口腔癌变组织的高光谱图像。研究表明，相较于传统的医学图像处理技术，这一模型显著提升了口腔癌基于图像的分类和诊断质量及效率分割深度。
基于深度学习技术，Aubreville 等成功利用基于口腔激光共聚焦显微内窥镜图像的算法来识别和诊断口腔鳞状细胞癌，结果显示该方法的准确度为88.3%，特异度为90%。该研究所呈现的高精度和特异度结果表明了AI 在提高及时发现口腔鳞状细胞癌潜力的同时，也突显了算法作为一种辅助工具的有效性。口腔癌患者颈部淋巴结转移是导致复发的重要因素，因此患者淋巴结转移的早期检出至关重要。
Xu等利用1466 例口腔癌患者的术前对比增强CT 图像和术后病理结果训练的CNN模型在淋巴结定位和诊断转移方面的准确度与放射科医生相似，且远超临床外科医生和医学生。这项研究突显了AI 在精确医疗中的重要角色及其在实际临床操作中的可行性。Ariji 等对AI 在诊断口腔癌患者颈部淋巴结转移中的作用进行了评估，该AI 系统达到了与放射科医生相似的诊断性能。
此外，该研究团队进一步分析了AI辅助CT 诊断在评估口腔癌患者颈部淋巴结结外侵犯上的表现，结果显示AI 系统在此类诊断中的性能显著优于放射科医生，证实了AI 作为检测结外侵犯的有效工具的潜力。
目前，AI 诊断系统已经整合了多种新兴的诊断技术，以进一步优化口腔癌的检测过程。表面增强拉曼光谱（surface-enhanced raman spectroscopy，SERS）是一种分析呼吸样本中挥发性生物标志物变化的方法，对于疾病的早期诊断有着巨大潜力。Xie 等运用ANN 对健康人群及口腔癌患者的SERS 光谱数据进行分类，创建了一个高达99%准确度的模型，可作为早期诊断口腔癌的有效途径。Zlotogorski-Hurvitz 等利用机器学习算法基于外泌体吸光度数据建立了区分模型，用以探测口腔癌患者唾液中的特异性红外光谱特征，该技术对于早期识别口腔癌和口腔癌前病变具有重要意义。
7. 总结与展望
尽管AI 在口腔疾病诊断中已呈现出其优越的潜力，但其在实际应用层面所面临的挑战仍不容忽视。数据集的有限性、缺乏统一的标准化处理、数据安全及伦理问题，以及需要提升的临床应用技能和患者管理的复杂性，都是其亟待解决的问题。尽管如此，AI 基于其逻辑性和数据驱动的策略无疑将为口腔疾病诊断领域带来一场颠覆性的变革。
目前，AI 在口腔医疗领域的应用不断发展。在大数据分析、云计算和互联网技术驱动下，口腔疾病的智能诊断和治疗将呈现出以下趋势：一是更加精确的医疗影像分析，利用高级AI 模型提供更为详细的解剖结构重建与病变评估；二是预测性分析的突破，结合患者的基因组数据、生活习惯和环境因素等多维度信息，进行个体化疾病预测和预防计划的定制；三是AI 算法将进一步集成至临床决策持续优化和支持系统中，辅助医生实现更加快速准确的治疗决策；四是AI 技术与远程医疗相结合，提供高效的远程诊断服务和持续的患者健康监测。
虽然AI 辅助诊断发展仍处于初级阶段，其在口腔疾病诊断领域的未来发展前景乐观。未来的研究方向将聚焦于算法优化、跨学科融合以及大数据集成等方面，以达到提高诊断精度、降低误诊率、促进医疗效率化的目的。此外，还需重视AI 应用中的伦理法律问题，确保AI 系统的透明度、解释能力以及对患者隐私的保护，以期更好地支持AI 技术的发展。
来源：刘宝刚,李玉芳,王晓萌,等.人工智能在口腔疾病诊断中的研究进展[J].口腔颌面修复学杂志,2025,26(02):149-154.DOI:10.19748/j.cn.kqxf.1009-3761.2025.2.012.
(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)
