Page 32 - 南京医科大学自然版

第45卷第12期
·1714 · 南 京 医 科 大 学 学 报 2025年12月

牙种植系统方面，仍需要进行更多研究来提高其准
4 其他相关研究
确性。
3.2 种植修复体设计制作 4.1 AI辅助种植修复领域的生物力学研究
虽然目前CAD/CAM 技术制作修复体的效率较 种植体外形影响咬合力的传递，不均匀的应力
高且被广泛使用，但其生成的牙冠是标准牙冠，缺 分布可能导致骨组织吸收，影响种植体的稳定性
乏个性化解剖特征，试戴后需要大量的调改，椅旁 和长期成功。临床上通常采用三维有限元分析法
操作时间较长。Tian等 ［63］ 研发了二阶段生成对抗网 （finite element analysis，FEA）来评估种植体尺寸形
络（generative adversarial network，GAN）修复牙冠形 态对骨组织的负荷，但 FEA 耗时费力，计算成本
态的 DCPR⁃GAN（dental crown prosthesis restoration） 高。AI与FEA结合可以提高参数优化、计算效率和
技术，第 1 阶段以条件性 GAN（conditional GAN， 减少分析时间 。Zaw等 开发了一种基于约化基
［69］
［68］
CGAN），学习缺陷牙与目标牙冠之间的内在关系， 法和神经网络（reduced basis method⁃neural network，
可以解决咬合关系修复的问题；在第2阶段，通过咬 RMB⁃NN）的快速反分析法模型，模拟计算牙种植体⁃
合沟解析网络（an occlusal groove parsing network， 骨界面的弹性模量，计算效率显著提升，花费时间

GroNet）和 咬 合 指 纹 约 束（an occlusal fingerprint 较FEA减少近60万倍。
constraint）来进一步改进CGAN，以强制生成器细化 4.2 AI辅助种植体外形设计及加工
咬合面的功能形态，从而使设计的牙冠具有足够的 Roy 等 ［ 70 ］ 使 用 ANN 结 合 遗 传 算 法（genetic
解剖形态和更高的临床适用性。 algorithm，GA）替代FEA进行计算，即通过学习不同
为了对比全冠 AI 设计和手动 CAD 设计，有很 材料的属性、生物相容性、寿命等数据，基于影像资
多学者做了流行病学研究。Cho 等 ［64-65］ 对比了两种 料分析所得的骨结构特征，预测钛合金牙科植入体
DL 模型和常规数字化设计牙冠的质量（牙齿形态、 的最优尺寸和最佳孔隙率，从而获得最有利于骨结
内部密合性、咬合和邻面接触关系等），结果显示 合的个性化治疗方案。
DL 设计制作的修复体结果更优，临床调改量最少。 从种植体⁃骨界面应力角度，虽然种植体加工生
Lerner 等 ［66］ 采用 AI 辅助进行种植体支持的氧化锆 产过程中不可避免误差（设计变量）累积，但生产工
全冠设计及制作，其中基台边缘线的识别由 AI 完 艺的总体精度需保证，为此需采用不确定性优化策
成，其余设计由牙科设计软件完成，该研究对 90 个 略，基于FEA进行全局灵敏度分析（global sensitivity
患者 106 个氧化锆单冠进行了 3 年回顾性研究，结 analysis，GSA），将不同的生产精度分配给不同的设
果显示这些氧化锆单冠在边缘适合性、邻接、咬合 计变量，实现在总体品控精度一定的前提下节省种
以及美观方面都达到临床满意，存留率和成功率分 植体生产成本。Li 等 ［71］ 提出以基于 SVM 的支持向
别达到了99.0% 和91.3%。 量回归模型（support vector regression，SVR），代替
3.3 AI辅助修复体选色 GSA中的FEA，降低计算成本和制造成本，优化了种
Shetty 等 ［67］ 的系统性综述中，检索了 2008— 植体的设计变量，种植体⁃骨界面应力减少 36.6%，
2023年3月有关AI辅助修复体选色的文献，最终纳 该方法可推广至其他类型的生物植入体优化领域。
入 15 篇文献，这些文献中采用的 AI 算法包括模糊 4.3 AI辅助种植材料研发
逻辑（fuzzy logic）、遗传算法结合反向传播神经网 Li等 ［72］ 通过DL构建了骨科植入物⁃成骨分化网

络（a genetic algorithm with back⁃propagation neural 络（OIODNet），利用细胞早期形态与碱性磷酸酶活
network）、反向传播神经网络（back propagation neural 性值，提供了一种高通量、高精度的成骨能力预
networks）、CNN、ANN、SVM、K 近邻结合决策树与 测方法，为高效筛选植入物表面性能提供了创新

随机森林（K⁃nearest neighbor with decision tree and 工具。
random forest）、YOLO 算 法（You Only Look Once ⁃
5 不足与展望
YOLO）等。其中，对于白榴石基牙科陶瓷的 AI 选
色，DT 回归模型准确率最高（99.7%），其次是模糊 虽然 AI 在口腔种植修复领域中展示了显著的
决策法（99.62%）和交叉验证支持向量机（97%），而 潜力和优势，但仍面临着许多挑战和问题，包括缺
AI 辅助修复体选色可以整合在手机APP中，具有便 乏标准化协议和数据集，成像模式和图像质量的异
携、远程、降低就医成本等优势 。 质性，训练 AI 模型的资源密集性，“数据孤岛”“黑
［67］