Page 31 - 南京医科大学自然版
P. 31

第45卷第12期           赵   鹃，刘雯丽，祝非凡，等. 人工智能在口腔种植修复中的研究进展、应用与挑战［J］.
                 2025年12月                    南京医科大学学报（自然科学版），2025，45（12）：1709-1718                      ·1713 ·


                要分为主从式种植机器人和自主式种植机器人。                             3.1.2  种植术后的预后预测
                其中，2017年我国学者开发出的自主式种植手术机                              Oh 等 ［54］ 采用7种不同的DL 模型分析种植术后
                器人系统（autonomous dental implant robotic system，    即刻的根尖片或曲面断层片，预测种植体周骨整合
                ADIR）能够基于种植手术及进出口路径规划，自主                          情况，为临床提供了一个快速直接的评估工具。Ha
                完成口腔种植术大部分操作，并且可以根据视觉反                            等 ［55］ 采用两种 ML 算法（DT 及 SVM）发现种植体近
                                       ［4］
                馈信息实时调整手术操作 。机器视觉利用计算机                            远中向位置对于种植体术后预后有非常重要的影
                模拟人类视觉功能，自主提取图像信息并加以理                             响。Zhang 等   ［56］ 构建了融合根尖周和全景图像的
                解，用于识别、测量和控制。ADIR 系统综合利用机                         CNN 预测模型来预测种植体失败，准确率为 87%，
                器视觉、动态跟踪等技术，手术准确性优于数字化                            有助于临床医生在潜在种植体失败的情况下进行
                              ［4］
                静态导板对照组 。Cao 等          ［49］ 研发了穿颧种植手术            早期干预。Zhang等       ［57］ 探讨基于小梁微结构参数的
                机器人系统，结合CBCT关键解剖结构的智能分割、                          ML 算法预测严重种植体周边缘骨吸收发生的可能
                精准手术路径规划及穿颧机器人控制系统的多重                             性，发现在功能负荷的早期阶段，严重病例的种植
                优势，显著提升了手术效率和精准度。                                 体周牙槽骨结构模型指数和小梁模式因子显著增

                2.3  种植工具的设计及钻速选择                                 加，而SVM、ANN、LR和随机森林（random forest，RF）
                          ［50］
                    Xiao等 以DL模型对CBCT中下颌骨骨密度进                      4 种 AI 模型中，SVM 预测效果最佳，其后依次是
                行自动分类，从而为种植手术的术前规划和术中备                            ANN、LR、RF。
                洞过程中调整钻孔速度和工具提供参考。Sakai等                   ［51］   3.1.3 种植体折裂的智能诊断
                开发了基于LeNet⁃5的AI模型，用于根据术前CBCT                          种植体折裂是种植机械并发症之一。Lee 等                   ［58］
                数据自动规划种植手术备洞过程中的钻针方案，这                            分别采用了3种深度神经网络（VGGNet⁃19、Inception⁃
                个AI模型也有利于开发决策支持系统，保证种植体                           v3 架构和 ADCNN），在全景和根尖片中识别种植体
                初期稳定性。                                            的断裂，其中 ADCNN 模型显示出最高的监测和分
                    目前，AI 在种植静态导板、种植机器人等方面                        类准确性。但由于种植体折裂发生率较低，该研究
                的应用尚没有实现全程数智化、完全“类脑智能                             的数据集较小（来自于 2 家医院的 194 张种植体折
                化”，种植手术的规划需要专家人工介入，全流程中                           裂影像学资料），因此还需要更多数据来探索其可
                需要多个软件介入，精度等方面的临床验证尚有待                            靠性。
                进一步开展。                                            3.1.4  种植体系统判断
                                                                      考虑到种植修复长期维护及患者就诊地点变
                3 AI在种植修复术后阶段的研究与应用
                                                                  换的可能，准确识别口腔影像资料中的种植系统非
                3.1  种植术后影像学预后评估、种植体系鉴别及机                         常重要。因为全球的种植系统种类繁多，利用 AI
                械并发症识别                                            模型学习影像学资料中各类种植系统的特征，实
                3.1.1  种植体周边缘骨吸收的早期诊断                             现对种植系统的自动识别和分类，是较人工识别
                    影像学中种植体周边缘骨吸收的早期诊断是                           更为高效精准的方式。Tiryaki 等           ［59］ 使用 5 种 CNN
                种植体周围炎防治的关键，采用 AI 辅助诊断，可极                         模型从曲面断层片中确定种植体的品牌和角度，
                大程度上降低早期诊断对医师经验的严重依赖，降                            其中 VGG⁃19 模型的准确率最高（98.3%）。一项研
                低漏诊率和误诊率，也有利于年轻医师的培养。                             究表明，DL 系统对种植体分类的准确率高于大多
                Liu 等 ［52］ 研发了一个 Faster 区域卷积云神经网络                 数参与医生的准确率          ［60］ 。Kong 等 ［61］ 使用 YOLOV5
               （region⁃based convolutional neural network，R⁃CNN）  识别曲面断层片中的种植体系统，冠部、中间和根
                模型，评估根尖片中种植体周边缘骨丢失，达到了                            尖 1/3 的平均精度分别为 0.931、0.984 和 0.884，模
                与住院医师相当的准确性，有助于种植体预后的自                            型的平均精度因算法类型、图像处理过程和详细
                动化诊断。Cha 等      ［53］ 构建了基于根尖片的 CNN 模              的种植体设计而异。Park 等           ［62］ 使用大规模多中心
                型，可以自动识别种植体骨边缘位置、种植体肩部                            数据集评估了 ResNet⁃50 对各种类型牙种植体系
                及尖部的标志点，自动计算边缘骨吸收占种植体全                            统进行识别和分类的效果，发现 DL 的分类准确率
                长的百分比，并以此对骨吸收严重程度进行分类，                            明显优于专业或非专业牙科专业人员。然而，这些
                有效帮助医生判断种植体预后。                                    研究并未使用大型数据库进行训练。在检测各种
   26   27   28   29   30   31   32   33   34   35   36