综述：人工智能在龋齿检测中的准确性：系统综述与荟萃分析

《Head & Face Medicine》：Accuracy of artificial intelligence in caries detection: a systematic review and meta-analysis

这篇综述系统评估了AI（尤其是卷积神经网络CNN）在牙科X光影像中检测龋齿的诊断效能。通过分析21项研究（含14项荟萃分析）发现，AI模型平均准确率达87.9%（95%CI:0.46-0.77），特异性高达98.19%，显著优于传统方法。研究强调了AI在早期龋齿识别和临床工作流优化中的潜力，同时指出数据异质性（I2=88%）和伦理问题等挑战，为口腔智能诊断提供了循证依据。

　　

人工智能正在重塑牙科诊疗的格局，尤其在龋齿检测这一全球高发口腔健康问题的诊断领域展现出革命性潜力。传统依赖视觉检查和放射影像的诊断方法存在早期龋损检出率低（约72.26%敏感性）和主观性强等局限，而基于深度学习的人工智能技术为解决这些痛点提供了新思路。

在技术原理层面，卷积神经网络（CNN）成为主流技术路线，其通过分析数以万计的牙科影像数据集（如Chen等使用的11,000张根尖片），可识别人类难以察觉的牙体组织密度变化。典型模型如EfficientNet-B0在测试中达到95.44%的准确率和98.31%的ROC曲线下面积（AUC），显著超过经验丰富的牙医组（p<0.001）。这种优势在隐匿性龋和邻面龋的检测中尤为突出，Bayraktar的研究显示AI对咬翼片的解读特异性达98.19%，有效降低了11%的假阳性率。

不同影像模态的比较研究揭示了技术选择的差异性。咬翼片因聚焦邻接区域成为最优选择（准确率80%），全景片（70%）和根尖片（76%）则因分辨率和成像范围限制稍逊一筹。值得注意的是，Huang团队将光学相干断层扫描（OCT）与AI结合，使早期脱矿检测灵敏度飙升至98.85%，这提示多模态融合可能是未来发展方向。

临床转化价值体现在三个方面：首先，AI可将诊断时间缩短50%，Mertens的随机对照试验证实其显著提升诊疗效率（p<0.01）；其次，标准化输出减少了42%的医师间判断差异；更重要的是，早期发现使非侵入性治疗成为可能，患者5年随访的充填率降低23%。Vinayahalingam的研究特别展示了AI在第三磨牙龋识别中的独特价值（F1分数0.86）。

然而技术落地仍面临三重挑战：数据层面，不同中心间的异质性（I²=96.03%）导致模型泛化性受限；伦理方面，患者隐私保护与算法透明度问题亟待解决；临床整合中，现有PACS系统与AI工具的兼容性需要优化。研究者建议建立跨机构标注标准，并开发专用处理器提升边缘计算能力。

展望未来，智能诊断系统将与CBCT、激光荧光等技术形成互补。Schwendicke团队的经济学模型显示，AI辅助可使每例患者节省$128医疗支出。随着联邦学习等技术的应用，下一代系统有望实现个性化风险评估和动态监测，真正推动牙科进入精准医疗时代。当前需要优先开展多中心临床试验（如PROSPERO注册的CRD42023482739），并制定针对牙科AI的专门监管框架。