作者：蒋凡，口腔疾病防治全国重点实验室·国家口腔医学中心·国家口腔疾病临床医学研究中心；段丁瑜，吴亚菲，四川大学华西口腔医院牙周病科

牙周炎是口腔常见疾病，是成人失牙的主要原因之一，流行病学研究表明，全世界20% ~50%的人口患有不同程度的牙周炎，并在全球造成第六大的疾病经济负担。第四次全国口腔健康流行病学调查报告显示35~44 岁组、55~64 岁组和65~74 岁组的牙周炎患病率分别为52. 8%、69. 3%和64. 6%，3 个年龄组的重度牙周炎(III 期或IV 期) 患病率分别为10. 6%、37. 3%和43. 5%，表明我国中老年人牙周健康水平较差。

同时牙周炎与糖尿病、心血管疾病、类风湿关节炎、不良妊娠结局以及阿尔茨海默病等多种全身疾病密切相关。牙周炎的早期诊断和治疗对于维护患者口腔和全身健康以及减轻疾病造成的经济负担至关重要。然而，牙周炎具有早期症状不明显的特点，发展较为隐匿，无明显疼痛，不易引起患者重视。同时我国口腔医生数量严重不足，每万人拥有2. 22 名口腔医生。其中牙周专科医生尤其不足、特别是在基层医院，难以应对牙周病发病率较高的现状。

人工智能因其强大的数据分析能力在医学领域拥有巨大的的应用潜力，如果将人工智能用于辅助牙周炎的防治，将在牙周病的筛查、早期诊断、辅助诊疗、预后预测以及长期随访监测等中极大地提高医务工作者的工作效率、减轻医疗负担，让更广泛的人群获益。人工智能(artificial intelligence，AI) 是以计算机科学为基础，能够独立以与人类智能相似的方式做出反应的智能工具，通过数据输入分析解决问题。

数据驱动型的人工智能也就是机器学习(machine learning，ML)已被广泛用于口腔医学，包括支持向量机(support vector machine，SVM)、决策树(decision tree，DT)和深度学习(deep learning，DL)等，其中深度学习是机器学习的重要分支，通过人工神经网络(artificial neural network，ANN)模拟人脑神经元构建模型，接受和分析所提供的数据预测结果。

目前关于人工智能在牙周炎防治中的应用，已有研究显示出良好的应用效果及前景，本文拟从人工智能在牙周炎的预测、诊断、预后以及牙周病与全身系统疾病的关系中的作用做一综述，以期为研究人员和临床医生提供启发。

1.牙周炎的预测及早期筛查

牙周炎的早期症状常表现为刷牙或进食时牙龈出血或口内异味，不易引起患者重视，很多患者直至牙槽骨严重吸收、牙齿松动才就医，这时患牙难以治疗或保留，预后通常较差，因此牙周炎的早期预防与干预对患牙的预后至关重要。除了进行牙周健康宣教提高人们的牙周保健意识，及时发现高危患者、牙龈炎及轻度牙周炎进行早期牙周护理也能够减少牙周炎对患者牙周的破坏。牙周炎受多种危险因素影响，如年龄、性别、激素、遗传、全身疾病等。

目前已有运用人工智能预测患者牙周炎患病风险的模型问世，人工智能模型能够评估患者的疾病风险并分析导致牙周炎进展的危险因素，帮助口腔医生早期进行干预，从而达到预防牙周炎的目的。Patel 等使用机器学习和纵向电子牙科记录(electronic dental record，EDR) 数据预测牙周炎风险，该模型确定的危险因素包括错牙合畸形、语音问题、夜磨牙、牙体缺损、牙列缺失、可摘义齿修复、服药情况、饮酒、焦虑、社会经济条件以及骨质疏松、癌症、传染性疾病、神经系统疾病、内分泌疾病、心血管疾病和胃肠疾病等，共纳入了74 项危险因素。

该项研究显示使用机器学习分析电子牙科记录数据能够构建精确的牙周炎预测模型，有效预测牙周炎的发病风险。李观华进行了一项运用深度学习分析彩色牙龈照片检测牙龈炎症或健康状态的临床试验，收集香港大学牙科学院110 名患者的标准彩色牙龈照片，分为训练集(337 张)和测试集(110)张，将深度学习算法与两名口腔医生诊断结果进行比对，将牙龈边缘区域标记为炎症，健康，可能炎症以及可能健康。发现采用足够数量的病例训练计算机后，人工智能能够通过口内照片的牙龈边缘状态提示受检测者的牙周健康/ 炎症状态。该研究旨在将人工智能与智能手机摄影相结合，开发一款手机软件，通过这种方便快捷、成本低廉的非侵入性诊断方法进行牙龈健康状况检测。

Li 等也通过深度学习模型从口腔照片中筛选牙龈炎及其刺激物(即牙结石和软垢)的存在，该研究共纳入了625 例患者，分为训练集、验证集和测试集，将模型检测结果与口腔医生检测结果进行比较，对牙龈炎、牙结石、软垢检测结果受试者工作特征(receiver operating characteristic，ROC)曲线的曲线下面积(area under the curve，AUC) 分别为87. 11%、80. 11%和78. 57%。该项研究显示了人工智能在大规模人群中筛查口腔疾病的潜力。人工智能模型将有可能辅助临床医生预测牙周炎的患病风险和可能存在的危险因素，帮助大众监测牙龈健康状况。

不仅能提示高风险者进行自我保健，也能让牙龈炎及轻度牙周炎患者早期就诊，以预防疾病的发生与进展，降低牙周炎带来的社会负担。

2.牙周炎的诊断

现有的医疗条件下，口腔医生可通过患者病史、临床症状和放射学检查诊断牙周炎，根据附着丧失和牙槽骨吸收波及的范围分型，根据牙周袋深度、结缔组织附着丧失的骨吸收程度分度，过程较为繁琐，且一定程度依赖于医生的诊断经验，实习医生得出的诊断结果有可能存在偏倚。人工智能对于大量数据的分析处理能力使其在疾病诊断方面具有潜力，使用人工智能对牙周炎进行分期分级，能够及时评估患者牙周炎的严重程度，干预牙周炎进展进而改善患者牙周情况。

牙周炎作为一种受多因素影响的慢性疾病，如性别、年龄、口腔卫生习惯、遗传因素等，都会影响牙周炎的发生发展。Ozden 等研究使用人工神经网络，支持向量机和决策树3 种不同算法对牙周炎的诊断进行了学习和建模，该实验输入数据包括性别、年龄、受教育程度、吸烟与否、牙龈指数、菌斑指数、探诊深度、附着丧失水平、探诊出血和放射学骨质流失，以数字方式编码分别输入3 种算法，根据情况进行诊断、分级和分型。结果显示该3 种算法正确诊断牙周炎的性能由好到差依次为决策树、支持向量机、人工神经网络。

决策树和支持向量机可以反映与牙周状态相关的所有因素，可以作为临床决策辅助工具，口腔医生能够更客观地对牙周炎进行诊断和分型，排除个人偏倚。充分的数据采集对于人工智能至关重要，可以包括各种形式，例如患者病史、临床症状等信息的文本、口内照片、X 光片等辅助检查等。在牙周炎的临床诊治中，影像检查至关重要，人工智能能否独立分析评估患者影像学检查结果是研究人员及口腔医生关注的焦点。

Danks 等在根尖片上测量牙槽骨吸收程度，通过计算机辅助诊断工具自动定位重要标志点，然后通过机器学习使用这些标志点测量牙槽骨吸收程度。与临床医生评估结果相比较，该系统对关键标志点的正确标记率达到89. 9%，计算出的牙槽骨吸收程度评估误差为10. 69%，严重程度分类准确率为58%。该实验显示了人工智能在自动分析根尖片、成功定位关键位点及做出临床诊断的能力与潜力。同时，针对牙周炎诊断中更为常用的全口曲面体层片，人工智能同样可以分析判断牙槽骨吸收程度。

Chang 等开发了一种深度学习混合方法自动分析全口曲面体层片对牙周炎进行分期，提出了一种新的混合框架来自动检测每颗牙齿的牙槽骨吸收程度。该框架由用于检测的深度学习架构和用于分类的计算机辅助诊断构成，自动根据牙槽骨吸收程度对牙周炎进行分期和分级。该深度学习混合方法与口腔医生诊断结果间的Pearson 相关系数在总体上为0. 73(P<0. 01)，说明二者间存在显著相关性，结合深度学习架构和传统计算机辅助诊断方法的新型混合框架在牙周炎分期、分级的自动诊断中具有较高的准确性，提示该深度学习混合方法可作为牙周炎的自动诊断和常规监测工具。

但由于牙周炎患者缺失牙及存在修复体的情况较普遍，对人工智能在全口曲面体层片的分析精度造成了一定的影响，未来仍需进一步精进算法以更好地定位并检测患牙。上述研究验证了人工智能分析牙周炎诊治中常见的根尖片、全口曲面体层片图像的有效性，Ezhov 等发现对于更为复杂的锥形束计算机断层扫描(cone beam computed tomography，CBCT)，人工智能同样可以辅助口腔医生提高诊断牙周炎的准确性。

该实验将口腔医生分为人工智能辅助组与无人工智能辅助组，分别使用CBCT 图像定位口腔解剖标志、诊断牙周炎，结果显示两组诊断结果间差异具有统计学意义，人工智能辅助口腔医生能够提高口腔医生的诊断准确性，减少口腔医生的诊断时间。但对于应用CBCT 诊断牙周炎，人工智能能否独立捕捉关键位点并做出分析判断还需要进一步验证。人工智能有可能为牙周炎提供高精度的支持性诊断工具，进而减少口腔医生负担，为患者提供卓越和高标准的医疗保健质量。同时，人工智能有望成为牙周病学的辅助教学工具，提高口腔医学生的诊断精度。但人工智能在牙周炎的诊断临床实用性方面还需进行优化以及长期、大规模的临床应用研究。

3.　牙周炎的预后及维持治疗

牙周炎作为一种慢性疾病，所需的治疗时间较长，需要定期进行牙周维持治疗，人工智能的数据处理能力在长期追踪患者情况、评估疗效、制定后续治疗计划等方面具有优势。电子牙科记录系统能够提供大量患者治疗过程中的临床记录，为研究牙周炎的临床病程以及治疗方案的疗效提供数据支持。电子牙科记录可以提供更长的随访研究期，提供患者最新的临床信息，以研究各治疗方案疗效的优缺点。

Patel 等开发了人工智能算法，使用电子牙科记录跟踪牙周炎随时间的变化情况，从15 年间的临床治疗记录中提取信息，将患者分为3 组(疾病进展、疾病无变化、疾病改善)，通过回顾性研究每组患者过往进行的治疗，发现在牙周炎早期阶段(轻度至中度)得到诊断和治疗，患者预后较好，疾病无变化，牙周维持治疗可获得牙周组织不同程度的修复和再生，疾病得到改善。相反，重度牙周炎患者依从性不佳、吸烟、糖尿病等都会导致疾病进展。

该研究表明人工智能可用于疾病的回顾性研究，了解不同治疗方案和危险因素对牙周炎预后的影响，更好地为临床提供指导。牙周维持治疗是牙周系统治疗的最后一步，是牙周炎患者的远期预后的重要影响因素，牙周维持治疗既需要患者定期复诊，由口腔医生进行病情再评估，制定治疗方案，也需要患者维持良好的口腔卫生，减少牙周炎的风险因素。其中牙菌斑是牙周炎的始动因子，清除牙菌斑对牙周炎症的控制、防止其他口腔疾病的发生和维持口腔功能至关重要。

患者的口腔卫生状况与牙周的健康密切相关，但患者难以判断自己的菌斑控制情况。已有实验采用人工智能对牙齿照片进行分析，证实了人工智能可以较准确地判断牙菌斑的附着情况，同时随着智能手机的快速发展，人工智能为患者自我检测牙菌斑控制情况提供了条件，患者可以通过拍照上传智能软件判断自己的口腔卫生情况。人工智能一方面有望通过大数据分析各个治疗方案的疗效，预测患者的预后情况，另一方面有可能为患者长期的口腔健康维持提供帮助。

4.　牙周病与全身系统疾病的关系

随着牙周医学的发展，人们已经意识到牙周炎与全身健康密切相关，但牙周炎与疾病之间的相互作用机制仍在研究中。通过分析患者全身疾病医疗记录和口腔疾病医疗记录的大数据，运用机器学习建立全身疾病风险模型，可得出口腔疾病与全身疾病之间的关系。Shimpi 等通过人工智能模型验证了口腔健康状况不佳与肺炎之间的关联，表明牙齿状况，如口腔修复体存在、牙齿缺失、牙周袋深度≥5 mm、牙周疾病状态与肺炎的发生之间具有显著的相关性。牙周袋深度≥5 mm 和牙周疾病状态被确定为肺炎的重要危险因素，这一结果进一步证实了牙周炎与肺炎之间的相关性。

人工智能不仅可以分析牙周炎和全身疾病的双向关系，还有可能根据牙周炎的患病情况预测全身疾病的发生。Vollmer等应用机器学习和深度学习算法对大量人群数据的分析表明，机器学习和深度学习算法能够根据人口统计学和口腔健康特征变量预测慢性阻塞性肺疾病(chronic obstructive pulmonary disease，COPD)病例;研究表明口腔健康状况不佳与COPD 密切相关，牙周炎可能是COPD 的重要危险因素，严重的附着丧失增加了COPD 的风险，但由于研究的横断面设计，尚有待进一步大样本前瞻性研究。人工智能对于牙周疾病与全身疾病的分析能力使其能够发现牙周炎与全身疾病间的双向关系，但二者之间的因果关系需要未来更多的大规模研究进一步验证。

5.　总结和展望

人工智能在牙周炎的预测、诊断、预后以及研究牙周病与全身疾病的关系等方面都取得了巨大进步，展现出了巨大的应用潜力，但人工智能的临床应用仍存在一些挑战，需要进行更多的临床试验进一步优化模型。人工智能在牙周炎领域的应用模型仍在开发中，随着算法的进步与发展，未来有可能成为强大的临床工具。

来源：蒋凡，段丁瑜，吴亚菲.人工智能在牙周炎诊疗领域的研究进展[J].临床口腔医学杂志，2025，41(06):372-375.