Page 28 - 南京医科大学自然版
P. 28

第45卷第12期
               ·1710 ·                           南 京    医 科 大 学 学         报                        2025年12月


              践推至前所未有的新高度。                                      等，基于人类统计学及临床回顾性数据构建了口腔
                  AI是一门通过复杂计算，让计算机理解和模拟                         种植成功率的AI预测模型，分析8大类20个参数对
              人类智能行为的学科 。它具有很多的理论基础，                            种植体预后的影响，发现种植系统和修复方案是重
                                 ［3］
                                                                                      ［9］
              在医学领域中最受关注的是机器学习（machine                          要影响因素。Lyakhov 等 根据患者的各项病史数
              learning，ML）。ML 是使用算法来解析训练数据，总                    据建立了浅层神经网络模型，能够准确从病历中提
              结数据特征，不断训练模型理解数据样本的深层逻                            取相关信息，预测术前单颗植牙的成功率。Papan⁃
              辑，进而用得到的模型对实际问题（新数据）作出决                           tonopoulos 等 ［10］ 采用多维展开引导（multidimensional
                ［3］
              策 。深度学习（deep learning，DL）是ML的一种，它                 unfolding）的k均值聚类法（k⁃means method）对种植体
              使用深度神经网络模型来模拟人类大脑结构和功                             进行聚类，使用主成分分析（principal component
                                      ［4］
              能，进而完成对数据的处理 。                                    analysis，PCA）和 SVM 技术，预测了不同种植体“表
                  种植修复不用损伤邻牙便可为患者提供与天                           型”对种植体周骨吸收的影响，得出牙齿数量、全口
              然牙在固位、形态、功能及美观方面相似的修复效                            牙菌斑评分、种植体表面、牙周炎严重程度、年龄和
              果，且长期稳定好，改变了传统的缺牙修复模式 ，                           糖尿病等 6 项参数对种植体周骨水平有显著影响。
                                                         ［5］
              被称为“人类的第 3 副牙齿”。但种植病例的多样                          Huang 等 ［11］ 采用术前锥形束计算机断层扫描（cone
              性、手术技术的敏感性、预后的复杂性都推动着种                            beam computed tomography，CBCT）影像建立了DL模
              植修复医生和相关研究人员尽可能提供高效、精                             型，基于临床特征建立了LR模型，再将二者融合形
              准、微创、仿生的策略，AI恰好具有上述优势。                            成联合模型，采用这 3 种 AI 模型预测植牙 5 年内脱
                  AI在口腔种植影像学方面起步最早、发展最成                         落风险，结果显示影像 DL 模型的预测能力明显高
              熟 ，目前已贯穿种植修复的术前、术中、术后全流                           于临床LR模型，但联合模型的预测效果最好，准确
                ［6］
              程，比如术前阶段的综合风险评估、临床决策、影像                           率达90%。
              学解剖结构识别与分割、多模态数据拟合、虚拟手                                 患者的全身性用药可能会降低口腔种植手术
              术设计，术中阶段的优化静态手术导板、自动化种                            成功率，比如双膦酸盐类药物。采用系统性评价可
              植机器人，术后阶段的预后评价、修复体设计制作、                           以回顾性评估某种特定药物对骨结合的影响，但当
              选色、术后影像识别分析等，另外 AI 也参与到口腔                         综合性评估所有已知药物对骨结合的潜在影响及
              种植材料研发、种植体外形设计、生物力学、种植工                           其他复杂问题时，所需使用的证据映射方法基于大
              具设计及选择等研究中           ［4，7］ 。因此，文章以临床流程            数据，人工工作量巨大。Mahri 等            ［12］ 基于 SVM 算法
              为主线，总结 AI 在口腔种植修复学领域的研究进                          研发出AI模型，该模型自动检索了599 604篇文献，
              展、应用，分析不足，展望未来。                                   筛选出 281 篇相关文献，总结出对种植体骨结合有
                                                                影响的 31 种全身性药物，准确率高达 95%，与手动
              1 AI在种植修复术前阶段的研究与应用
                                                                筛查相比，工作量减少了 93%，筛选结果自动可视
                  种植手术前需要对患者的全身性疾病史、用药                          化为证据映射图像。该模型可以随着新药物的研
              史、口腔颌面部软硬组织、咬合情况等进行综合性                            发应用而实时更新筛选结果，因此有助于避免因用
              评价，以“患者为中心”的治疗理念，评估种植治疗                           药知识盲区造成的误诊、漏诊，降低临床风险，提升
              的风险，临床决策是否采用种植治疗，制定以修复                            种植成功率。
              为导向的种植手术规划。                                       1.2  口腔影像中重要解剖结构的识别、分割

              1.1  术前预后预测及风险评估                                       口腔影像数据对各种口腔疾病的临床预防、诊
                  口腔种植成功率受到多因素的影响，包括口内                          疗至关重要。在口腔种植修复领域，曲面断层片、
              状况、生活方式、种植区的解剖结构状况、是否骨移                           根尖片、CBCT 等影像有助于临床医师更好地判断
                                                         ［4］
              植、种植体周围骨水平及上部修复结构特点等 。                            患者口腔组织形态，确保种植体植入空间和修复空
              单一因素回顾性研究的累积始终不足以反映出多因                            间充足，避免损伤邻牙、上颌窦、上下颌骨重要血管
              素的综合影响。Liu等 采用多种监督学习技术，包                          和神经，实现“以修复为导向”的治疗目标。但口腔
                                  ［8］
              括支持向量机（support vector machine，SVM）、决策树            影像数据的人工判读依赖医师的临床经验，而且人
             （decision tree，DT）、Logistic 回归（logistic regression，  工识别、分割、虚拟设计的过程比较繁琐。以DL为
              LR）、人工神经网络（artificial neural network，ANN）         代表的AI技术可以对口腔影像数据中的组织形态、
   23   24   25   26   27   28   29   30   31   32   33