作者：刘舒钰，唐珺书，
随着科技的发展，牙体牙髓病学的内容不断丰富和完善，其理论和技术为保留天然牙做出了卓越贡献，但在进一步发展的道路上仍面临一些阻碍。例如，诊断口腔疾病很大程度上依靠X线片等影像学资料，会造成不同临床经验阅片医生诊断和治疗上的差别；治疗过程中，医生所用仪器的性能还需进一步完善；治疗完成后，医生凭借临床经验或理论对患者治疗后可能出现的不良反应和预后情况做一笼统交代，无法对每例患者做出更加个性化的预后预测等。
近年来，人工智能（artificial intelligence，AI）的概念逐渐进入大众视野，其渗入生活的方方面面，正潜移默化影响着人们的生活。与此同时，AI的引入为牙体牙髓病学的发展带来了新机遇。AI是应用计算机科学的一个分支，由约翰·麦卡锡于1956年首次描述。21世纪以来，AI迅速发展并积极与各个学科交互应用。医学影像学因其广阔的研究前景，成为AI在医学领域中的重要研究方向之一。
在口腔医学领域，临床数据有很大一部分以电子影像的形式保存，这使得AI能够与口腔医学进行联合研究，推动二者相互发展。AI广泛应用于口腔医学中的诸多学科，如牙周病学、口腔颌面外科学、口腔正畸学、口腔修复学等。牙体牙髓病学作为口腔医学的重要组成部分，上述提到的问题或可借助AI得到解决。本文将从图像分割、结构识别、疾病诊断、辅助治疗和预后预测等方面对AI在牙体牙髓病学中的应用现状进行阐述，在展示了其研究价值和应用前景的同时，也总结了当前研究的不足，为下一阶段的研究提供方向。
1. AI在牙齿图像分割中的应用
医生通过影像资料对疾病作出准确诊断的重要前提是将牙齿结构、病灶区域从软硬组织背景中精准分离出来。所谓图像分割，是将由不同成像方式呈现的牙齿图像划分为具有不同意义区域的过程，可用于结构识别和定量评估；例如，进一步分析从曲面体层片中识别、分割出来的第三磨牙，判断该牙的发育分期。然而，手动分割图像过程繁琐耗时，且容易受到操作员之间差异的影响。AI驱动的图像分割模型可解决上述问题。
Leite等提出了由2种不同卷积神经网络（convolutional neural network，CNN）组成的系统，能够在曲面体层片中识别各牙位牙齿并分割出来；该系统对牙齿检测的灵敏度为98.9%、精确度为99.6%，且在牙齿分割方面的精确度、灵敏
Lahoud等研究并训练出AI自动牙齿分割工具，其CBCT图像分割能力与人工操作同样准确，能够提高分割效率：专家手动操作分割组分割单、双根牙图像需要6.6 min，而全自动AI驱动分割组和经专家细化后的AI分割组分别仅需0.5 min和1.2 min。临床上，医生可对准确分割的牙齿图像进行分析，来为后续疾病治疗做铺垫。
Wang等提出由2种神经网络组成的新架构，即用于分割牙齿的DentalNet模型和用于分割牙髓的PulpNet模型，其能够高效、精确、全自动地从CBCT图像中分割牙齿及牙髓，并将患牙和牙髓进行三维重建，进而通过高精度3D打印机获得牙齿模型；该模型不仅与患牙具有相同的外部形状，而且可较大程度上恢复髓腔和根管的内部形状。医生利用这种3D打印牙齿模型在体外进行手术模拟，能够预先评估手术过程中可能存在的风险和手术结果，制定更科学、个性化的治疗方案，提高手术成功率。
2. AI在牙齿结构识别中的应用
影像学检查是牙体牙髓疾病术前诊断、治疗和术后评价中必不可少的一项检查。但是，从图像中获取信息的能力很大程度上依赖医生对影像学知识的掌握和长期临床经验的积累。AI的引入或可为牙体牙髓疾病的影像学识别和诊断带来新希望。
2. 1 下颌第一磨牙远中舌侧根管和上颌第一磨牙近中颊根第二根管（second mesiobuccal canal，MB2）
根管治疗失败的原因较多，如术前未能充分了解根管系统解剖的复杂性而导致遗漏根管的情况。这些遗漏根管中存在未被清理的感染牙髓组织和致病微生物及其毒素，为炎症的控制埋下隐患。在临床工作中，下颌第一磨牙的远中舌侧根管和上颌第一磨牙MB2容易发生遗漏。研究者试图将AI与影像结合起来，帮助临床医生判断这2 种结构是否存在，以避免遗漏。
Hiraiwa等检测AlexNet 和GoogleNet 这2 种深度学习（deep learning，DL）神经网络在曲面体层片中确定下颌第一磨牙远中根是单根还是多根的诊断准确率分别为87.4%和85.3%，而影像科医生的诊断准确率为81.2%；DL模型在该研究中展示出了较好的诊断能力。Albitar等训练和评估了属于CNN模型的U-Net架构在识别和分割CBCT中上颌第一磨牙MB2的能力；研究发现，已明确存在的MB2由于受到伪影影响和CBCT图像本身限制，无法完成人工分割，而U-Net 能够成功识别、分割出MB2，并得到了临床医生的认可。
2. 2 牛牙症
牛牙症是一种少见的髓腔形态变异，这类牙齿因髓室底低、根管数目不定、根尖区易出现根管膨大和侧支根管等特点，在根管治疗时会出现根管口难定位、清理成形和充填封闭困难的情况。临床上牛牙症牙齿并无明显异常，常因影像学检查发现。AI结合影像学检查能够辅助医生对牛牙症做出诊断。Duman 等利用CNN实现了在曲面体层片中识别、诊断牛牙症，其在图像增强处理后又通过垂直、水平翻转等处理扩大了数据量，最终测得该模型的灵敏度为86.50%、精确度为78.98%、F1分数为82.57%；这一结果与临床医生标注后的训练集数据结果相似，说明CNN检测牛牙症的能力接近临床医生水平。
2. 3 C形根管
C形根管常见于下颌第二磨牙，且多见于亚洲人，在中国、泰国等地发病率可达31.5%。C形根管形态复杂，为根管治疗的消毒和封闭带来了较大挑战。因此，Yang等开发和验证了可使模型缩放的CNN 架构（Efficient Net），用于根尖片和曲面体层片中识别下颌第二磨牙的C形根管；该研究发现，以下颌第二磨牙CBCT图像为金标准，EfficientNet架构与具有7年临床经验的专科医生的判断准确率相似，而仅有1年临床经验的普通医生判断准确率低于前两者。
还有类似的研究显示，CNN 识别C 形根管的准确率为95.1%、灵敏度为92.7%、特异度为97.0%、精确度为95.9%；经分析发现，该CNN模型主要通过识别向根尖收敛的根管形状来预测C形根管，而根分叉结构主要用于预测非C形根管。2021年由
Sherwood等建立了一个DL模型，不仅能识别C形根管，而且可对其进行分类；该模型中，相比于U-Net 和残差U-Net，Xception U-Net 神经网络的识别和分类性能最佳，经过图像增强处理后3种神经网络的性能总体提升了4.6%；大多数错误分类的病例会被识别为呈连续“C”形的C1 型根管或“C”形有中断、呈分号样的C2型根管，而被错误识别为有2个独立根管的C3b型病例最少。
2. 4 其他结构
有研究尝试利用AI识别曲面体层片中种植体、修复体等常见的非牙体结构；结果表明，该AI软件在种植体、牙冠、金属填充物和根管治疗的检测方面表现良好，但在牙结构分类和树脂修复体分类方面准确性欠佳。Xu等将研究着眼于判断牙齿是否做过根管治疗，基于尺度不变特征变换与支持向量机联合模型、CNN和迁移学习3种不同模型，分别提取感兴趣区域（regions of interest，ROI）和不提取ROI进行训练和测试；结果发现，在ROI提取后，整体精确度得到一定程度提高，且受试者工作特征曲线（receiver operating characteristic，ROC）下方面积（area undercurve，AUC）指标的收敛速度、模型的鲁棒性也有所提高。
3. AI在牙体牙髓疾病诊断中的应用
3. 1
龋病是发生在牙体硬组织的慢性感染性疾病，龋损一旦形成便无法自行恢复。如果未能早期诊断龋病并阻止其发展，感染可能波及牙髓乃至根尖周组织，增加后续治疗难度，因此龋病的早期诊断具有重要意义。目前，诊断龋病较常用的方式是拍摄X线片；AI可利用这些影像数据，建立并训练出龋病诊断模型，来辅助临床医生判断。部分学者将找出适用于检测龋齿的CNN模型为研究重点。Oztekin等对EfficientNet-B0、DenseNet-121 和ResNet-50 这3 种CNN 模型检测曲面体层片中患龋牙齿的能力进行测试，结果表明ResNet-50 具有相对较好的性能，其准确率为92.00%。
Zheng 等对比了VGG19、Inception V3和ResNet18这3种CNN模型检测根尖片中深龋的能力，结果表明ResNet18的准确率为82%，在3种CNN 中表现最好；随后，其又将患者的临床情况（包括主诉、疼痛史和临床检查）与ResNet18相结合，这种ResNet18 + C的多模态CNN在诊断深龋和牙髓炎时各方面均表现出更好的检测性能。但在
AI辅助下的龋齿检测准确性比较理想，其在一定程度上能够帮助医生对疾病做出准确的判断。Ramezanzade 等将处理根尖片图像的ResNet-50模型和处理牙髓与病变之间距离、治疗方式、疼痛和患者年龄等信息的CNN模型结合起来，用以预测深龋露髓概率；其比较了这种组合模型与口腔科学生预测深龋露髓的准确性差异，发现该模型的表现要好于学生。Li等也发现DL模型在判断龋病的表现上要明显好于年轻医生。
随着AI的发展，其应用变得更加简单便捷。Dhanak等将检测龋病的AI模型制作为应用程序安装在智能手机中。使用手机后置摄像头对患牙拍摄，该程序实时识别了50 个咬合翼片中的75%龋齿，准确率为84.6%。这是一种快速、高效、方便的龋病判断方式，患者可随时随地检查自身患龋情况，充分展现了其应用前景。
3. 2 根尖周疾病
多数研究旨在评估AI作为独立系统对根尖周病变的诊断效果，并与临床医生进行比较。Li等建立了一种基于CNN的病变区域分析模型，其先在根尖片中分割出单颗牙齿图像，再用模型识别和诊断根尖周炎；模型的诊断准确率为92.5%，成功实现了根尖周病变的自动诊断。Ekert等应用CNN模型检测曲面体层片中的根尖周病变，灵敏度和特异度分别为65%和87%；其还发现，该CNN模型对磨牙的敏感性明显高于其他牙齿类型，而特异度较低，但这一差异对整个模型诊断不同类型牙齿的根尖周炎影响有限。
Endres 等比较了口腔颌面外科医生和DL模型对曲面体层片中根尖周炎诊断结果的差别，结果显示DL模型的表现优于队列中24名口腔颌面外科医生中的14名，有可能在未来帮助口腔颌面外科医生诊断根尖周炎。与比较AI和医生诊断能力差异的研究不同，Hamdan等试图明确若在医生诊断疾病的过程中引入AI模型（Denti.AI）辅助判断，将对根尖周疾病的诊断结果造成何种影响。研究结果显示，相比于未引入Denti.AI，引入该模型后医生诊断的特异度和灵敏度均有所改善（特异度提高23.1%，灵敏度提高8.2%）；这说明，在AI 辅助诊断的前提下，可能会提高临床医生在根尖片上识别根尖周疾病的效率。CBCT从三维角度为医生提供更多的病灶区域信息。
Orhan 等利用CNN 模型除评估CBCT图像中根尖周疾病的诊断性能外，还进一步测定了炎症区域体积；研究表明，根尖周病变的检出率为92.8%，且病灶的深度CNN 体积测量结果与人工分割测量结果相似，2种测量方法比较差异无统计学意义。Setzer等使用DL模型对CBCT图像进行自动分割并检测根尖周病变，该模型表现良好，其准确率为93%、特异度为88%。
3. 3 牙根纵裂（vertical root fracture，VRF）
VRF又称根裂，是指牙根发生颊舌或近远中向纵行折裂。有组织学研究表明，在裂隙上会发生细菌定植，从而导致牙髓病和根尖周病的发生。然而，在疾病未发展至根尖周区域前，临床医生很难发现VRF所导致的细微改变，从而导致漏诊、误诊等。有研究团队利用CNN模型在曲面体层片中检测VRF，其在330 例VRF 中准确识别出267例。Hu 等将VRF 和非VRF 的CBCT 图像经由ResNet50、VGG19和DenseNet169模型处理，并比较三者诊断VRF 的能力差异；结果表明，ResNet50的效果最为出众，或可成为一种很有前景的VRF辅助诊断技术。另有一部分专家对VRF 牙齿进行了体外研究。
Johari等设计了一种概率神经网络来检测根尖片和CBCT 中的前磨牙VRF，对比发现在CBCT中检测的结果更好，其准确率、灵敏度和特异度分别为96.6%、93.3% 和100%。但该研究中无龋坏及患其他疾病的牙齿干扰，若推广至临床后性能能否保持尚不可知。Vicory等将高分辨率CBCT 扫描与高级图像分析和机器学习（machine learning，ML）模型相结合来检测VRF，通过这一分析框架能够得到指示微裂缝存在的切片概率图，并对比呈现高概率体积总和与牙齿总体积比例，以确定每个牙齿裂纹的可能性，这是一种量化牙齿结构破坏的全新方法。
4. AI在牙体牙髓疾病治疗中的应用
4. 1 辅助测量根管工作长度
在根管预备、消毒过程中，正确测量根管工作长度是极重要的一步。目前测量根管长度较常用的方法是根尖定位仪测定法。早期使用的Root ZX是基于双频阻抗比设计的第三代根尖定位仪，目前多使用多频阻抗比的根尖定位仪。Qiao等提出一种基于神经网络的多频阻抗法来测量根管长度，其首先设计了一种产生0.1 ~ 20.0 kHz频率电流的电路系统，然后选择不同阻抗比结合牙齿和锉的类型等量化特征，来训练神经网络模型；该模型可预测锉与根尖孔之间的距离，准确率接近95%，明显高于双频阻抗比根尖定位仪。
另有研究利用人工神经网络（artificial neural network，ANN）辅助定位根尖孔，从而帮助测量出准确的根管工作长度。Saghiri等先将离体牙置于干燥后的颌骨中拍摄试尖X线片，然后将离体牙从颌骨中取出，明确其根尖孔的真实位置，每张试尖X线片均经过特征提取，随后交给ANN模型学习，最终结果为93%样本的根尖孔被正确定位；这表明，未来AI或许可在X线片上辅助医生定位根尖孔，从而提高测量根管工作长度的准确性，但该研究是使用离体牙完成的，还需在临床中进一步完善。
4. 2 预测根管预备所需推力和扭矩
根管预备是利用镍钛锉有效清洁根管系统并保持根管原有解剖结构的过程，但镍钛锉工作时，不恰当的推力和扭矩可能导致应力集中在根管中的某一位点，从而导致牙本质穿孔或发生器械分离等并发症。Guo等研究并总结了影响镍钛锉工作时推力和扭矩的显著因素，即器械直径、根管宽度和进给速度；研究人员在这些显著因素基础上扩大参数范围，并建立起径向基函数神经网络（radial basis function neural network，RBFN）用以预测根管预备过程中的推力和扭矩；验证组结果表明，其误差小于14%，展现出良好的预测能力，可在临床上更好地指导医生进行根管预备操作，减少并发症的发生。
5. AI在牙体牙髓疾病预后预测中的应用
5. 1
根管治疗是目前解决牙髓病和根尖周病较常用的有效手段，但治疗后可能会出现不同程度的不适。有研究表明，在根管治疗后约21%、15%和7%的患者分别出现轻度、中度和重度疼痛。目前没有一个明确的标准来判断患者术后是否会出现疼痛不适，医生仅凭自身经验与患者进行术后交代，这可能使患者在出现不适后对医生的治疗产生怀疑，从而增加医患矛盾。
Gao 等利用反向传播（back propagation，BP）模型，建立起患者个人情况、炎症反应、治疗程序因素等13个参数与术后疼痛的函数关系，从而预测患者根管治疗后是否会出现疼痛现象；研究结果显示，该模型预测准确率为95.60%，具有一定临床应用价值。
5. 2 评估根管充填质量
通常用根尖片来判断根管充填质量，但评判过程常受到医生主观经验和根尖片拍摄质量的制约。Li等提出了一个新的解剖引导多分支Transformer（anatomy-guided multi-branch Transformer，AGMB-Transformer）架构，来判断根尖片中根管充填的质量。该网络能够从根尖片中提取根尖处的解剖特征，并将提取出的特征和根尖片同时输入一个分支融合模块和一个多分支结构，做到在关注根尖片全局情况的同时也能够分析局部特征，从而实现准确判断。结果表明，与基准网络（baseline network）相比，AGMB-Transformer 网络可将诊断准确率从57.96%提高到90.20%，实现了自动评估根管充填质量，减少了临床医生的工作量。
5. 3 根管再治疗可行性
基于案例的推理（case based reasoning，CBR）是一种基于过去经验知识对解决类似当前问题推理的AI技术，其强调人在解决新问题时，从记忆里或案例库中找到与当前问题最相关的案例，以此为基础来思考解决当前问题。Campo等基于CBR模型评估患者在根管治疗失败后行根管再治疗的可行性，该模型展现出较好的预测能力，但未来仍需更多的数据来完善模型。
5. 4 显微根尖手术预后
对于感染严重的牙髓病和根尖周病，仅通过根管治疗可能无法达到预期效果，另有一些病例根本无法实现根管治疗或根管再治疗。此时，可通过手术方式直接到达根尖来完成对感染的控制。但根尖手术的预后情况也没有标准的评价方式，这为后续医患沟通带来一定阻碍。Qu等建立并验证了用于显微根尖手术预后预测的ML模型，其利用牙齿类型、病变大小、骨缺损类型、根管充填密度、根管充填长度、桩尖延伸情况、年龄、性别共8个重要的预测指标训练梯度提升机（gradient boosting machine，GBM）和随机森林（random forest，RF）模型；结果表明，GBM 模型对根尖显微手术预后的预测能力（AUC = 0.88）优于RF 模型（AUC = 0.83），为临床医生帮助患者权衡显微根尖手术与其他治疗方案提供了可靠的临床决策支持工具。
6. AI在牙体牙髓病学中应用的局限性
AI目前在牙体牙髓病学中的应用还处于研究阶段，尚存在一些问题和不足未得到解决。①训练AI模型的影像数据通常来自同一家医疗机构的影像采集机器，缺乏异质性的单一数据集，无法确定训练出来的AI模型在预测和判断其他陌生数据时能否保持同样的准确性，这在一定程度上阻碍了其临床大规模推广。②AI模型的训练需要大规模数据支持，目前部分研究的临床数据采集、测量和验证仍存在不足。③一些研究用到的影像学数据需要人工标注，这不可避免将人为误差带入AI模型中，从而影响预测结果。④从AI本身来看，其运算过程缺乏可视性，决策形成无法呈现，宛如一个“黑匣子”，且学科专业性较高，若应用于临床可能为医患之间的沟通带来一定难度。⑤在医学伦理层面，AI的发展应确保此类智能技术不伤害人类和机器自身的道德地位。
7. 结语
AI 在牙体牙髓病学领域具有重要的应用价值，能够辅助临床医生从影像中分割出目标牙齿并判断牙齿结构；可对龋病、根尖周病、VRF做出较为准确的诊断；在治疗过程中，辅助医生测量根管工作长度、预测预备根管所需的推力和扭矩；在治疗后，帮助临床医生预测是否会出现术后疼痛、评估根管充填质量、预测根管再治疗的可行性和显微根尖手术预后情况；尤其是对临床经验相对较少的年轻医生，AI的辅助作用更为突出；且在效率方面，AI做出预测和判断所需的时间相对较少。
这些优点可在一定程度上帮助临床医生提高工作效率、减少疲劳，同时尽可能避免了因经验不足导致的诊断和预测差别。然而，AI与牙体牙髓病学的结合在全面应用于临床前仍需进一步完善。训练数据应来自不同机构的不同影像采集机器，同时扩大数据集，提升AI模型的可靠性；影像数据的图像标注工作应实现自动化、标准化，从而减少人为误差，充分呈现AI模型性能等。让AI在帮助临床提高效率的同时，做到判断结果准确可信，从而促进牙体牙髓病学蓬勃发展。
来源：刘舒钰,何静晨,唐珺书,等.人工智能在牙体牙髓病学中的应用研究进展[J].中国实用口腔科杂志,2025,18(03):343-350.DOI:10.19538/j.kq.2025.03.014.
我要投稿
