人工智能在数字医疗中的应用：牙科信息系统与临床决策

International Journal of Information Management Data Insights 3（2023）100144人工智能如何影响数字医疗计划？人工智能在口腔医疗Syed Sarosh Mahdia，b，c，Gopi Battinenia，b，Mariam Khawajab，Raheel Allanad，Maria K Siddiquib，Daniyal Aghaba意大利卡梅里诺卡梅里诺大学医药和保健产品科学学院临床研究中心b巴基斯坦卡拉奇，索海尔大学，真纳医学和牙科学院，社区牙科系。c马来西亚吉隆坡国际医科大学牙科学院临床口腔健康科学部d巴基斯坦卡拉奇阿加汗大学儿科和儿童保健系aRT i cL e i nf o保留字：人工智能牙科临床信息系统通信牙科成像a b sTR a cT人工智能（AI）技术在牙科中的应用通过快速解读大数据提供了有助于临床决策的信息。本研究旨在系统地回顾人工智能在牙科中的当前作用，它对临床牙科有重大影响。从1990年到2022年，根据人工智能辅助牙科的主要主题进行了文件收集。通过使用PubMed、Embase、CINAHL和Google Scholar图书馆以及不同的医学主题词（MeSH）完成本文件提取。该检索结果显示了检索词AI in denticology（N= 1289）、AI在龋齿诊断中的作用（N= 4）、AI在牙科诊断和治疗计划中的作用（N= 68）、AI和龋齿（N= 76）、牙科与AI的未来（N= 5）和牙科中的机器学习（N=668）下的不同数量的出版物。一项快速发展的技术，人工智能当然可以取代牙科中的手工灵巧。为了减少错误和疏忽，这些技术必须 也要小心使用，并在人的监督下。口腔疾病的最快和最准确的诊断为患者带来更好的结果。1. 介绍数字牙科和卓越的可视化诊断用于牙科实践中，并且由于技术进步而变得越来越有效。在牙科学中，牙科信息学涉及信息管理，通信以及临床实践和研究中新技术牙科诊所的信息管理牙科诊所使用该系统作为信息管理系统。信息系统的存在是当今所有人类创造力的先决条件（Jain等人，2021; Young and Steele，2022a）.卫生系统的管理和决策需要大量信息（Amponsah等人，2022年）。为了使牙科服务在当今社会保持成功和竞争力，技术是必不可少的。与其他人类活动类似，牙科通过在数字媒体上记录大数据和数据处理自动化来实现计算机化（Masic，2012）。现有文献强调，牙科中的数字记录可以通过适当的方式进行信息访问（Masic，2012;Song等人，2010年）。在临床信息系统（CIS）中，通过计算机记录、存储和修改患者的临床数据。这些信息系统可以在单个地方或整个医疗保健系统中使用CIS用于集成、收集和管理不同的数据源，以支持医疗保健管理，管理患者数 据 。 牙 科 信 息 系 统 被 设 计 成 记 录 大 量 数 据 并 促 进 数 据 处 理（Amponsah等人，2022; Mittal等人，2022年）。但是，在牙科创建功能CIS的主要挑战是纳入牙科医生信息需求的医学证据。通过CIS，可以快速访问有关患者诊断和治疗的其他信息通常，这样的系统将电子邮件通信、互联网搜索和促销实践与基于网络的技术相结合，然后是虚拟现实中的学习、实践和实践过程。在临床实践和研究中，使用了尖端技术，包括X光机、口内摄像机和医学文献检索。研究人员描述说，人工智 能 （ AI ） 的 适 应 增 加 了 普 遍 性 ， 并 且 随 着 时 间 的 推 移 更 有 效（Carrillo-Perez et al.， 2022年）。随着信息系统和技术的进步，牙科领域取得了重大进展。有特殊的-*通讯作者：E-Health and Telemedicine，University of Camerino School of Pharmaceutical Sciences and Health Products，Camerino，Marche，Italy。电子邮件地址：gopi. unicam.it（G. Battineni）。https://doi.org/10.1016/j.jjimei.2022.100144接收日期：2022年6月29日;接收日期：2022年11月25日;接受日期：2022年12月1日2667-0968/© 2022作者。出版社：Elsevier Ltd这是CC BY许可下的开放获取文章（http://creativecommons.org/licenses/by/4.0/）可在ScienceDirect上获得目录列表国际信息管理数据杂志见解期刊主页：www.elsevier.com/locate/jjimeiS.S. Mahdi，G.巴蒂内尼湾Khawaja等人International Journal of Information Management Data Insights 3（2023）1001442为牙科专业开发的计算机信息技术（IT）以及与牙科相关的应用仍需特别开发。牙医和医生将通过统一的牙科软件获得患者的医疗信息。可以说，AI在很大程度上用于疾病诊断，其准确性与医学专家相当（Esteva等人，2017; Gulshan等人，2016 a; Lecun等人，2015年）。人工智能对牙科做出了重大贡献，主要是牙科X射线照相术和人工智能口腔成像扫描。 龋齿是危害人类的最常见疾病（Frencken等人，2017年）。龋齿的预防、早期诊断和及时治疗仍然是牙科专业的首要目标。因此，人工智能成为诊断和预测疾病结果的重要工具（Bhimavarapu和Battineni，2022）。人工智能在牙科中的认知可能取决于社会观点和技术预测。信息系统与人工智能相结合，可以保证对常见口腔疾病的准确诊断。此外，患者的信任可以提高牙科诊断的信心，但它也会引起对其使用的怀疑和保留（F。Schwendicke等人，2020年a）。由于健康信息系统的发展，特别是标准化临床编码系统的发展，研究人员和质量措施取得了重大进展（Benoit et al.，2022年）。对重复使用电子牙科数据的临床决策支持系统的研究有限。也没有对牙科医生的工作环境或其教学价值进行深入研究（Qi等人，2015年）。为了理解这一点，我们试图强调人工智能模型的范围，挑战以及与采用信息系统和智能进行牙科治疗相关的限制。在这项工作中，我们通过建立以下三个研究目标来推断人工智能在未来密度中的前景。RQ 1：分析应用于牙科RQ2：了解人工智能如何用于牙科科学，以解决局限性，机遇和未来方向RQ3：确定普通牙医的信息需求以及他们用于满足这些需求的来源。在文献回顾中，采用不同的AI模型，并研究了牙科护理中的因素。在两个方面，这项研究有助于文献。为了映射牙科护理系统中AI当前趋势的文献，我们使用了系统性综述和荟萃分析（PRISMA）方法的首选报告项其次，它为学术界提供了未来的方向，突出不同的技术方法来预测口腔疾病。为了找到这三个研究目标的答案，其余的工作都集中在寻找答案上。继导言之后，本文件的结构安排如下：第2节描述了描述检索策略、入选和排除标准以及质量评估的明确方法。Birdseye对文献评论的在对本文中所包含的各种研究的质量进行的简短讨论中，读者将在第4中概述AI在牙科和牙科中的地位。在第5中，我们给出了结论。2. 方法2.1. 文档集合为了加强审查的敏感性和范围，利用PubMed、Google Scholar和其他数据库设计了一个定义明确、经过深思熟虑的检索策略。进行文献检索的指南基于称为PRISMA 2020的现有系统综述检索方法（Page etal.，2021年）。医学主题词（MeSH），如“AI在牙科中的作用”，“AI在龋齿诊断中的作用”，“AI在牙科诊断和治疗计划中的作用”，“AI和龋齿”，“AI时代牙科的未来”和“ML在牙科中”，用于文献检索（图1）。①的人。2.2. 入选和排除标准作者浏览了所有符合研究小组制定的标准的研究的参考文献列表研究人员制定了系统和明确的标准，以审查英文文献的纳入标准。只有原始研究文章被纳入我们的最终审查。未纳入初步研究、对应性、系统综述/荟萃分析、病例报告、病例仅纳入1990年至2022年期间发表的文章对于最终审查，纳入了在同行评审和索引期刊上发表的文章所有关于研究选择的意见分歧关于人工智能的牙科影响的文献很少，大多数研究都集中在人工智能的非牙科组成部分上。PRISMA 2020也是通过研究选择和搜索策略过程产生的。非英文论文被排除在最终审查之外。1990年之前发表的论文也被排除在外，因为牙科中人工智能和机器学习的许多突破都发生在90年代中期之后。系统性综述、初步研究和掠夺性或非索引期刊中的文章也从最终综述中排除。排除关键词检索范围以外的文献2.3. 质量评估采用Newcastle-Ottawa量表（NOS）对相关研究进行评价，以评定研究质量。NOS是一种评估工具，用于评价将纳入系统性综述的非随机研究的合理性和科学可信度。使用原始Newcastle-Ottawa量表的10级升级版本在考虑研究选择、初步结果和可比性等各种因素如果研究被评估为在（0-4）中度（5-6）中度和良好（7-9）中度类别中（Wells等人， 2000年）。2.4. 数据分析检索策略共识别出2114项研究，其中删除了916项重复研究，发现158项记录不合格，52项因其他原因删除。其中，筛选了988份记录，其中869份被排除，119份被评估为合格标准。在119篇文章中，82篇文章因不符合NOS合格性标准评分而被排除，37篇在1990年至2022年间发表的文章被纳入主要分析（参见表1）。图2显示了基于PRISMA 2020流程图指南的文章选择程序。3. 结果本节介绍了基于出版年份、方法、研究因素和牙科应用的结果3.1. 文章分销大多数研究为回顾性研究（N= 16），然后为临床或实验性研究（N= 14）、诊断性研究（N= 3）、验证性研究（N= 2）和病例对照研究（N= 1）。18项研究使用卷积神经网络（CNN），14项使用人工神经网络（ANN）。在（Johari等人，2017年），作者采用了概率神经网络（PNNS），支持向量机（SVM）和学习向量量化的组合。除CT图像外，锥形束计算机断层扫描（CBCT）图像、头颅侧位X线片、咬翼片、面部S.S. Mahdi，G.巴蒂内尼湾Khawaja等人International Journal of Information Management Data Insights 3（2023）1001443表1所选文章的质量评估评分Fig. 1. 根据MeSH术语识别的记录。N研究选择可比性结果总123456789质量评分（QF）1JavedS等人（Gulshan等人，（2016年b）∗∗∗∗∗∗∗72PatilS等人（Patil等人， 2019年度）∗∗∗∗∗∗∗∗83CasalegnoF等人（Casalegno等人， 2019年度）∗∗∗∗∗∗∗74Bayraktar Y等人（Bayraktar和Ayan，2022）∗∗∗∗∗∗∗∗85MoranM等人（Moran等人， 2021年）∗∗∗∗∗∗∗∗86HungM等人（Hung等人， 2019年度）∗∗∗∗∗∗∗∗87Kühnisch J等人（Kühnisch等人， 2022年）∗∗∗∗∗∗∗78ZhengL等人（Zheng等人， 2021年）∗∗∗∗∗∗∗∗89GeethaV等人（Geetha等人， 2020年）∗∗∗∗∗∗∗710KositbowornchaiS等人（Kositbowornchai等人， 2013年度）∗∗∗∗∗∗∗711HoltkampA等人（Holtkamp等人， 2021年）∗∗∗∗∗∗∗712Brickley MR等人（Brickley和Shepherd，1996）∗∗∗∗∗∗∗∗813ZhangW等人（Zhang等人， 2018年）∗∗∗∗∗∗∗∗814Endres MG等人（Endres等人， 2020年）∗∗∗∗∗∗∗715Poedjiastoeti W等人（Poedjiastoeti和Suebnukarn，2018）∗∗∗∗∗∗∗∗816YangH等人（Yang等人， 2020年）∗∗∗∗∗∗∗717MurataM等人（Murata等人， 2019年度）∗∗∗∗∗∗∗818Lee JH等人（J. H. Lee等人， 2020年）∗∗∗∗∗∗∗719ChoiE等人（Choi等人， 2021年）∗∗∗∗∗∗∗∗820KokH等人（Kök等人， 2019年度）∗∗∗∗∗∗∗721XieX等人（Xie等人，（2010年）∗∗∗∗∗∗∗722Jung SK等人（Jung和Kim，2016）∗∗∗∗∗∗∗723OzdenFO等人（Ozden等人，（2015年）∗∗∗∗∗∗∗724KroisJ等人（Krois等人， 2019年度）∗∗∗∗∗∗∗∗825AlalharithD等人（Alalharith等人， 2020年）∗∗∗∗∗∗726Lee JH等人（J.H. Lee等人， 2018年）∗∗∗∗∗∗∗∗827Papantonopoulos G等人（Papantonopoulos等人， 2014年度）∗∗∗∗∗∗∗728Johari M等人（Johari等人，（2017年）∗∗∗∗∗∗729Fukuda M等人（Fukuda等人， 2020年）∗∗∗∗∗∗730Kositbowornchai S等人（Kositbowornchai等人，（ 2006年）∗∗∗∗∗∗∗731Kwak GH等人（Kwak等人， 2020年）∗∗∗∗∗∗∗832SaghiriMA等人（Saghiri等人， 2012年）∗∗∗∗∗∗∗733Lerner H等人（Lerner等人， 2020年）∗∗∗∗∗∗∗734SadighpourL等人（Sadighpour等人， 2014年度）∗∗∗∗∗∗∗735Lee DW等（D.W. Lee等人， 2021年）∗∗∗∗∗∗∗736BayrakdarSK等人（Bayrakdar等人， 2021年）∗∗∗∗∗∗737SchwendickeF等人（Falk Schwendicke等人， 2022年）∗∗∗∗∗∗∗∗8一项研究在选择和暴露类别中的每个列出的项目只能获得一颗星为了比较，最多可以获得两颗星每项研究最多可获得9颗星。类别将为差（0-病理记录）（1星）-结构化访谈（1星）-书面自我报告（0星）-无描述（0星）基线时明显不存在的结果（最高1星）-是（2星）否（0星）;可比性-最高2星-控制混杂因素的队列可比性（最高评分：2星）-关键混杂因素的对照（例如，Gleason分级）（1星）-相关因素对照（1星）-队列不可比，混杂因素未控制（0星）;结局评估（最高评分：3星）-大型研究/小组-安全记录或直接测量（1星）-自我报告信息（0星），单一目标/目标（0星）。随访缺失数据校正（1星）。无随访或缺失数据声明（0星）。结果的明确说明（是-1星，否-0星）。S.S. Mahdi，G.巴蒂内尼湾Khawaja等人International Journal of Information Management Data Insights 3（2023）1001444图三. AI在牙科中的使用趋势模式。图二. 利用PRISMA 2020流程图进行文献选择的系统程序。镜头和全景射线照片（OPG）由神经网络生成。随着牙科的数字化，人工智能在许多牙科学科中的部署呈指数级增长 图 3阐述了人工智能在牙科中的应用模式。列表显示了研究设计、应用AI算法、应用和实验结果等一般特征 表2中 这些研究主要集中在AI在龋齿识别和诊断中的应用（Bayraktar和Ayan，2022; Casalegno等人， 2019; Geetha等人， 2020; Holtkamp等人， 2021;Hung等人，2019;Javed等人，2020; Kositbowornchai等人， 2006;Kühnisch等人，2022;Moran等人，2021;Patil等人，2019年;Zheng等人， 2021），垂直牙根骨折的检测（Fukuda等，2020; Kositbowornchai等人，2013），用于正畸治疗中的咬合不正（Jung和Kim，2016; Xie等人，2010）、颈椎阶段的检测（Kök等人，2019年），用于根管治疗的工作长度识别（Saghiri等人，2012），口腔颌面外科第三磨牙拔除（Brickley和Shepherd，1996），根尖周射线可透性囊肿或肿瘤（Endres等，2020; J. H. Lee等人，2020年; Yang等人，2020），用于识别孔和上颌窦（Kwak等人，2020; Murata等人，2019 ） ， TMJ 骨 性 关 节 炎 （ Choi 等 人 ， 2021 ） ， 用 于 面 部 肿 胀（Poedjistoeti和Suebnukarn，2018;Zhang等人，2018年），在牙周病学识别-在牙周炎组织中进行牙周检查（Alalharith等人，2020; Krois等人，2019; J. H. Lee等人，2018;Ozden等人，2015;Papantonopoulos等人，S.S. Mahdi，G.巴蒂内尼湾Khawaja等人International Journal of Information Management Data Insights 3（2023）100144（接下页）5表2纳入研究的一般特征研究设计算法应用研究因素发现参考1神经网络口腔颌面外科临床研究手术牙齿（第三磨牙）该网络的灵敏度为0.78，略低于口腔外科医生口腔外科医生和网络的判断之间的一致性（kappa= 0.850）。（Brickley和Shepherd，1996）2临床试验学习向量量化（LQV，NN）人工智能在诊断牙洞方面是有益的。（Kositbowornchai等人，（2006年）3病例对照人工神经网络正畸错（牙合）成功的，准确率为80%，在预测是否提取或非拔牙治疗似乎适用于11至15岁的错牙合患者。4人工神经网络在根管治疗中的临床应用使用X线摄影测量，人工神经网络可以作为第二意见，在X线照片上找到根尖孔。5临床试验神经网络牙髓牙齿这项研究灵敏度、特异性和准确性可用作垂直根部断裂检测的模型（Xie等人，（ 2010年）（Saghiri等人， 2012年）（Kositbowornchai等人，2013年度）6回顾性研究7回顾性研究当给定基于交叉熵（CE）数据的牙周病学神经网络时，核密度估计，人工神经网络可以有效地将牙周炎患者分类为侵袭性或慢性（KDE）。因此，人工神经网络可以用于准确地诊断牙周炎使用非常基本和容易获得的信息，如外周血中的白细胞计数。人工神经网络牙科种植学种植病例在0.005的学习率内，运作良好该网络（Papantonopoulos等人，2014年度）（Sadighpour等人， 2014年度）8人工神经网络、决策树、和支持向量机牙周病牙齿SVM和DT的性能为98%。的输入和输出变量之间的相关性最差的人工神经网络，其性能被评估为46%。（Ozden等人，（2015年）9诊断研究人工神经网络正畸错牙合人工神经网络的准确率为92%，可能对正畸学10临床研究PNN牙髓牙齿PNN的准确性为96.6%，灵敏度为93.3%和100%的特异性，并且所创建的神经网络可以用作用于在根管治疗和完整牙齿的CBCT图像上检测牙根纵裂的合适模型。（Jung和Kim，2016）（Johari等人，（2017年）11验证研究ANN口腔颌面外科Face这种基于AI的算法在以下情况下的可靠性为98%：预测阻生第三磨牙拔除后的面部肿胀。（Zhang等人， 2018年）12回顾性研究CNN口腔颌面外科CNN的敏感度为81.8%，特异性，83.0%的准确性和诊断时间分别为38秒。（Poedjistoeti和Suebnukarn，2018）13回顾性研究CNN牙周病牙齿基于CNN的模型在识别和预测牙周损伤的牙齿。（J. H. Lee等人， 2018年）14EX实验研究适应性龙蜥算法和神经网络利用图像处理的方法，一种独特的改进后的模型在检测龋齿方面表现出更高的性能。（Patil等人， 2019年度）15诊断研究CNN修复牙科牙齿该模型的ROC为83. 6%的咬合邻面龋的ROC为84.6%，是一个准确的龋损16临床研究人工神经网络修复牙科牙齿根龋识别，支持向量机 获得97.1%、 95.1% 的精确 度、99.6%的灵敏度和94.3%的特异性。（Casalegno等人， 2019年度）（Hung等人， 2019年度）17回顾性研究CNN口腔颌面外科上颌窦炎准确度87.5%，灵敏度86.7%，该模型的特异性为88.3%，曲线下面积为0.875（Murata等人， 2019年度）18EX实验研究ANN正畸学颈椎人工神经网络的平均准确率为77.2%，提示其可能是检测颈椎分期的较好方法。（Kök等人， 2019年度）19验证研究CNN牙周病牙周CNN预测准确性被确定为是81%，这与考官相似。（Krois等人， 2019年度）S.S. Mahdi，G.巴蒂内尼湾Khawaja等人表2（续）International Journal of Information Management Data Insights 3（2023）100144（接下页）6研究设计算法应用研究因素发现参考20临床研究ANN修复牙科牙齿（龋损）人工神经网络模型预测链球菌后突变体的效率为0.99033，而测试实例的均方误差和平均绝对百分比误差分别为0.2341和4.967。（Javed等人， 2020年）21EX实验研究人工神经网络修复牙科牙齿（龋病变）X线照片该模型的准确率为97.1%，假阳性（FP）率为2.8%，受试者工作特征（ROC）面积为0.987，精确-召回曲线（PRC）面积为0.987。（Geetha等人， 2020年）22回顾性研究23回顾性研究24回顾性研究ANN口腔颌面外科CNN口腔颌面外科CNN口腔颌面外科牙X线片上根尖周全景X线片上有明确囊肿或肿瘤的牙齿全景X线片上有三种类型的囊肿的深度学习方法优于14个样本中的24名OMF外科医生，平均准确度为0.60（0.04），F1评分为0.58（0.04），相当于PPV为0.67（0.05），TPR为0.51（0.05）。在识别牙源性囊肿和肿瘤的实时检测系统CNN中，YOLO在有限数量的标记全景照片上进行了训练，表现良好，可与专业牙医相媲美。本研究表明，使用深度CNN架构，包含三种牙源性OCL的全景和CBCT成像数据集可以有效地发现和诊断。（Endres等人， 2020年）（Yang等人， 2020年）(J. H. Lee等人， 2020年）25CNN牙周治疗牙龈炎的临床研究的准确性、精确度、召回率和mAP，模型预测值为77.12%、88.02%、41.75%和68.19%，分别本研究建立了深度学习模型在口腔内图片中识别和诊断牙龈炎的可行性。（Alalharith等人， 2020年）26回顾性研究CNN牙髓病学牙齿与X线片显示牙根纵裂CNN学习模型已经显示出潜力作为在全景照片中检测VRF的工具和作为CAD工具。（Fukuda等人， 2020年）27回顾性研究CNN口腔颌面外科牙齿具有下颌管X线片包含相邻照片在全局准确性方面优于朴素U-Net变体，得分为0.82。（Kwak等人， 2020年）28回顾性研究29回顾性研究30回顾性研究人工神经网络种植牙制造植入物CNN修复牙科牙齿（咬翼片）CNN修复牙科牙齿（咬翼片）人工智能似乎是一个可靠的解决方案，使用全数字化过程，在定制的混合基台上用氧化锆冠修复单个种植体。CNN模型的总准确率为94.59%。整个AUC计算为87.19%。Inception模型在测试集上的学习率为0.001，准确率为73.3%，经过2000次迭代训练后获得了最佳结果。（Lerner等人， 2020年）（Bayraktar和Ayan，2022）（Moran等人，2021年）31诊断研究CNN修复牙科牙齿图像当评估所有测试图像时，CNN在92.5%的情况下准确检测到空洞（SE，89.6; SP，94.3; AUC，0.964）。（Kühnisch等人， 2022年）32回顾性研究美国有线电视新闻网修复牙科牙齿（根尖X线片）ResNet18的CNN表现优于VGG19，Inception V3以及对比牙医[准确度=0.82[CI：0.80精密度=0.81 [CI：0.73灵敏度=0.85 [CI：0.79=0.89 [CI：0.86（Zheng等人， 2021年）33CNN修复牙科临床研究在体内数据上训练和测试的EX假牙模型在很大程度上优于那些在体外数据上训练和测试的人。体外评价时，体内训练模型的表现明显较低（0.70±0.01;p <0.01）。同样，当在体内、体外评估时，示教模型的准确性显著降低（0.61±0.04;p0.05）。<（Holtkamp等人， 2021年）34CNN口腔颌面外科临床研究TMJ的OPG图像深度学习模型展示了与专家的灵敏度相当，以及灵敏度和特异性的更好平衡，这意味着AI可以在OMFR专家或CT无法访问的大多数全科诊所的OPG中对TMJOA的初步诊断中发挥重要作用。（Choi等人， 2021年）S.S. Mahdi，G.巴蒂内尼湾Khawaja等人表2（续）International Journal of Information Management Data Insights 3（2023）1001447N研究设计算法应用学习因素结果Ref35回顾性研究CNN牙科种植学种植体断裂的全景和根尖周与微调和预训练的VGGNet-19和Google NetInception-v3架构相比，使用根尖周图像的自动化DCNN架构表现出最高和最可靠的检测，AUC为0.984（CI：0.9（D. W. Lee等人， 2021年）36回顾性研究CNN牙科种植学牙科种植体在上颌骨和下颌骨的所有位置，AI和手动测量之间的骨厚度测量值存在统计学显著差异（p<0.001）。对根管的正确识别率为72.2%，对窦/窝的正确识别率为66.4%，对缺失牙区的正确识别率为95.3（Bayrakdar等人， 2021年）37随机试验DentalXrai Pro 1.0.4，神经网络修复牙科咬翼片在这项研究中，人工智能辅助检测比没有人工智能的检测更敏感。然而，在AI组中，病变更频繁地接受侵入性治疗。无论付款人（FalkSchwendicke等人，2022年）2014），在种植学中用于牙种植体放置或识别牙种植体的术后并发症（Bayrakdar等人，二零二一年;D. W. Lee等人， 2021; Lerner等人， 2020; Sadighpour等人， 2014年）。3.2. 牙科中的AI模型分析和机会不同类型的AI模型正在牙科领域中使用。使用的最古老和最早的人工智能算法之一是涉及CNN和ANN的神经更严格的，可重复的，类似的过程应该在以后实现，以建立有用性，安全性和普遍适用性。在牙周病学中，krois等人应用CNN检测牙周骨丢失。他认为CNN是可靠的，产生了同等的灵敏度和特异性，以允许随后的射线照相准确性（Krois等人，2019年）。此外，Alalharith等人评价了CNN用于检测与正在进行的正畸治疗有关的牙龈炎的利用。这项工作证明了深度学习模型在口腔内图片中识别和诊断牙龈炎的可行性。CNN也被应用于口腔颌面外科的检测 不同类型的异常，囊肿，肿瘤（J. H。Lee等人，2020年; Yang等人，2020），用于下颌管和颞下颌关节的精确成像（Choi等人，2021;Kwak等人，2020年）。在CNN的帮助下，也可以精确地在X光片上检测龋齿（Bayraktar和Ayan，2022;Kühnisch等人，2022;Moran等人，2021年）。人工神经网络具有巨大的潜力，以帮助在牙科临床决策。 在牙髓病学和修复牙科学中，ANN已被用于检测根尖孔以辅助工作长度测量（ Saghiri 等 人 ， 2012 ） 在 射 线 照 片 上 垂 直 牙 根 骨 折 的 检 测 中（Kositbowornchai等人，2013），以及根龋检测[23]。在正畸学中，ANN成功地预测了错牙合病例中是否需要拔牙，或者是否为牙科中涉及的复杂过程中的决策提供了途径（Xie等人，2010年）。 因此，人工智能模型在牙科不同领域的应用突出了其在牙科保健提供者中的潜在可用性和可接受性，并为他们在未来将其用于进一步复杂的病例提供了机会。3.3. 全科牙医牙医需要广泛的信息，以作出准确的诊断和治疗建议。虽然医学知识以稳定的速度增长，但医生花在治疗上的时间越来越少。患者满意度降低。因此，认识到医生在护理时需要的信息并正确有效地提 供 这 些 信 息 已 经 成 为 至 关 重 要 的 问 题 （ Odu 等 人 ， 2022;Venkatachalam and Ray，2022）. 虽然数字资源旨在使信息搜索更容易和更快，但它们在满足牙医在患者就诊期间的信息需求方面并没有发挥重要作用一个主要原因似乎是他们令人难以置信的快速时间表和有限的时间与每个病人，这是增加了这样一个事实，即当牙医确实需要，并可以在网上搜索信息，他们未能采取行动，因为他们不确定某些信息的可用性，如科学证明信息（Hinduja等人，2022年）。像往常一样，咨询同事或专家是第一选择，无论有时多么浪费或破坏性（Song等人，2010年）。然而，随着技术的进步，人工智能已经解除了牙医的担忧。这个人工智能可以成为你的同事，它已经被证明是更快和一致的。将人工智能纳入牙科实践的目标不仅仅是为解释X光片提供第二双眼睛，还可以帮助从业者自动化各种耗时的家务。人工智能还可以帮助牙科的商业方面它可以检测业务趋势并找到潜力领域通过将人工智能整合到他们的实践中，牙医将能够花更多的时间专注于他们的病人，而不是日常任务，文件编制、运营流程和资产跟踪，这些都使他们偏离了他们真正热爱的工作，也使他们的技能特别适合这些工作。随之而来的是更高水平的患者护理，从而提高患者的信任度和参与度（Agrawal和Nikhade，2022）。3.4. 人工智能如何克服牙科科学的局限性随着研究和技术的发展，基于人工智能技术的新应用程序已广泛应用于牙科。在执行其预期功能时，这些模型表现出令人难以置信的可靠性以及高精度和灵敏度。然而，人工智能解决方案尚未在常规牙科实践中广泛采用，原因是：1）数据的可用性、易访问性、框架和完整性有限;2）在其开发过程中缺乏科学严谨性和指导方针; 3）对这些解决方案的重要性和可用性以及完整性和责任性的实际考虑。人工智能可以通过提高治疗的获得和质量、提高服务效率和安全性、激励和支持牙医和患者、帮助医学研究和促进长寿来展示具体价值，从而克服这些限制。最后，必须确保牙科人工智能解决方案的可靠性和普遍适用性;S.S. Mahdi，G.巴蒂内尼湾Khawaja等人International Journal of Information Management Data Insights 3（2023）1001448应要求基于循证牙科学的监测和标准。4. 讨论本系统综述旨在阐明人工智能在诊断和治疗牙科疾病中的新兴作用我们发现人工智能在牙科中得到广泛应用，它将使牙科临床医生在诊断和治疗的各个阶段受益。4.1. 文学贡献根据一些证据，牙科诊断可以通过人工智能模型来辅助。各种方法用于获取和评估数据，以及创建AI算法。因此，很难比较这些研究。通过这样做，牙医可以准确地评估牙齿缺陷，并最大限度地减少人为错误。尽管人工智能允许访问大型数据集和更详细的分析，但其在日常实践中的使用受到技术，社会学和道德的限制。数据大小、算法或数据在临床实践中的使用可能存在限制。除了口腔的视觉和战术检查之外，牙医使用咬翼射线照片作为其诊断过程的一部分（Jain等人，2021; Janjic Rankovic等人，2021年）。就准确性而言，咬翼片在诊断蛀牙时并不可靠和有效。在一项研究中，发现咬翼X射线在检测龋齿方面具有0.24-0.42的低灵敏度（Rindal等人，2010; Falk Schwendicke等人，2015年）。当牙科X射线用于诊断龋齿时，假阳性和假阴性结果也很常见。最近的几项研究表明，基于AI的技术在检测牙科X光片上的龋齿方面比牙医更敏感（Mertens等人，2021年）。发现近红外扫描在识别口腔内的龋损方面比咬翼X射线更准确（Metzger等人，2022年）。促进牙科诊断和数据管理的计算机软件系统通常使用AI设计（Favaretto等人，2020年）。由于牙科AI，牙科护理现在更容易获得，医疗保健从业者可以在临床评估中收到基于AI技术的系统的专家建议（Falk Schwendicke等人， 2021年）。在医疗保健行业，人工智能已经取得了重大突破，并发表了大量研究。4.2. 对实践的尽管人工智能已被证明在牙科分析中是合理的，但从业者仍然误解它（F。Schwendicke和Marazita，2022年）。一些牙医甚至可能认为这项技术是一种威胁，直到它被广泛采用的专业。牙医不应该担心人工智能会消除他们的工作，因为许多行业担心它会这样做。Schwendicke等人，2020 b; Uribe等人，2022年）。人工智能助理可以以类似于使用X光灯的方式帮助他们，因为他们不是专业的放射科医生;查看X光片只是他们工作的一小部分。在诊断阶段，牙医必须继续参与患者护理和治疗（Nanayakkara等人，2019年）。然而，为了建立对这项创新技术的信任，必须对牙医和牙科学生进行教育。教育牙医关于人工智能的好处和用途应该自然消除误解。当一项技术将曾经复杂的活动转化为常规活动时，如果不暴露其潜力和局限性，例 如 偶 尔 的 假 阳 性 和 假 阴 性 ， 就 会 导 致 冷 漠 （ Fontenele 等 人 ，2022;Javaid等人，2021;Young和Steele，2022 b）。特别是鼓励牙科学校的学生在学校期间练习使用人工智能，以便他们熟悉潜在的技术的滥用和滥用，例如仅使用AI 以诊断患者（Javaid等人，2021年）。对于牙科学生来说，一个明显的接触领域是协助放射学研究。学生可以使用AI系统来分析和获得关于他们在比他们现在在手动选择和注释的射线照片上训练时所能完成的更多的射线照片上的发现的反馈（Kumar和Price，2022）。临床背景下的人工智能技术可以通过培训尽管人工智能有能力实现自动化，但这一过程仍然需要有经验的人类。随着人工智能的进步，人类的责任将发生变化，个人将有能力发现机器无法发现的微妙之处（Chan等人，2022年）。尽管人工智能有能力识别一个小洞或制造一个更好的假牙，但识别病人的不情愿并提供一个令人安慰的解释仍然需要人类。实践4.3. 牙科AI毫无疑问，人工智能正在改变牙科的未来，各种传统的牙科部件正在通过人工智能实现现代化。与技术一样，人工智能在这一领域始终处于领先地位，因此，人工智能将始终认识到需要实现无责任诊断的算法。为了让人工智能算法达到更好的质量标准，输入数据必须与模式识别相结合保险索赔也将使用预测诊断进行授权，这将有助于预防疾病，而不是简单地治疗疾病（Meghil等人，2022年）。患者可以受益于同一天的诊断，授权和治疗，以及诊所和保险公司之间的联网AI。此外，AI将在各种医疗保健领域提供综合治疗方案。随着数据驱动疗法的兴起，医学学科正在不可避免地融合，直到综合牙科和医疗保健被整合。5. 结论本文提供了对人工智能和牙科文献的见解。尽管人工智能有了重大进步，但它缺乏人类同情心和道德判断的主观感觉。牙科智能系统可以为复杂疾病提供快速诊断和治疗计划。人工智能有无数的治疗应用，这门学科仍处于起步阶段，正在进行积极的研究。未来，传统牙科和颌面X线摄影都将受益于这些技术。基于人工智能的技术的