综述：人工智能在二维X光片上检测种植体周围炎：系统评价与诊断准确性评估

《Odontology》：AI detection of peri-implantitis on 2D radiographs: a systematic review and diagnostic accuracy assessment

　　

摘要

种植体周围炎是一种主要的生物并发症，会缩短牙科种植体的使用寿命，因此准确的放射学评估对于早期发现和干预至关重要。人工智能（AI）在牙科影像领域展现出了良好的性能；然而，支持其在二维放射图像上诊断种植体周围疾病的证据仍然零散且不充分。本研究旨在系统地评估和综合利用深度学习模型在检测或评估种植体周围炎及种植体周围骨丢失方面的性能、方法学质量以及证据确定性。搜索范围涵盖了PubMed、Scopus（包括Embase索引的记录）和Cochrane图书馆，时间跨度从研究开始直至2025年1月。符合条件的研究是那些使用深度学习模型来检测种植体周围炎、量化种植体周围骨丢失或对二维放射图像中的种植体缺陷形态进行分类的研究。筛选、数据提取和偏倚风险评估（QUADAS-2）均进行了双重验证。由于结果、诊断定义和报告格式存在较大异质性，无法进行正式的荟萃分析；因此采用叙述性方法综合分析结果，并在适当情况下进行了描述性汇总。证据确定性通过GRADE评分系统进行评估。共筛选出28篇文献，其中8篇符合纳入标准。这些研究均为2021年至2025年间发表的回顾性单中心研究。深度学习模型在内部数据集中的技术表现优异：二元分类器的敏感性高达0.90–0.98，特异性高达0.95，分割模型的Dice系数超过0.97。多类分类系统和基于测量的系统也与临床评估结果高度一致。然而，所有研究在患者选择和指标测试领域都存在较高的偏倚风险，且仅依赖内部验证，同时使用了不同的诊断目标和参考标准。仅有两项研究提供了足够的信息来计算敏感性和特异性。总体而言，证据确定性被评定为非常低。深度学习系统在识别二维放射图像中的种植体周围骨丢失和种植体周围炎方面具有很强的技术潜力，在受控条件下其性能常常能与临床医生相当甚至超越临床医生的水平。然而，严重的方法学局限性和缺乏外部验证限制了现有证据的确定性和普遍适用性。因此，基于AI的种植体周围疾病诊断系统目前仍应被视为研究性工具，在临床应用之前需要开展大规模的多中心前瞻性研究。