《The Journal of Prosthetic Dentistry》：Microcomputed tomography analysis of marginal adaptation and internal fit of zirconia frameworks with direct-to-abutment connections using a deep learning artificial intelligence model
编辑推荐：
摘要
问题陈述：尽管直连基台式（direct-to-abutment）种植支持式固定全口义齿（ISFCDPs）的应用日益增多，但关于其边缘适应性和内部适合性——这两个对生物力学性能至关重要的参数——的证据仍然有限。
目的：本研究评估了采用直连基台连接的氧化锆支
摘要
问题陈述：尽管直连基台式（direct-to-abutment）种植支持式固定全口义齿（ISFCDPs）的应用日益增多，但关于其边缘适应性和内部适合性——这两个对生物力学性能至关重要的参数——的证据仍然有限。
目的：本研究评估了采用直连基台连接的氧化锆支架与传统钛基底（Ti-base）连接的氧化锆支架的边缘适应性和内部适合性。同时介绍了一种利用深度学习人工智能（AI）模型进行内部适合性评估的新方法，并评估了该方法与传统测量结果的一致性。此外，还使用传统测量和AI衍生测量两种方法比较了三种设计的内部适合性。
材料与方法：将24个氧化锆试件分为三组：带钛基底并使用常规螺丝的支架组（n=8）、采用直连基台连接并使用常规螺丝的支架组（n=8）、采用直连基台连接并使用改良螺丝的支架组（n=8）。每个试件在热机械老化（TMA）前后均接受显微计算机断层扫描（microcomputed tomography, μCT）以评估内部适合性和边缘适应性。研究人员使用图像处理软件开发了一种基于深度学习的AI分割模型，该模型最终验证损失低于0.01，对应骰子相似系数（Dice Similarity Coefficient）大于0.95。该指标表明间隙和基台区域具有高空间重叠度和稳健的分割效果。每个试件选取1个直基台和1个角度基台进行体积测量。试件接受120万次90 N的加载循环后进行重复测量。在TMA前后共评估了96个位点。对三种设计的直基台和角度基台各取两次测量的平均值，并计算差值（TMA后减去TMA前）。由于组间方差不齐，采用了非参数统计检验。进行了事后Mann–Whitney U检验、组内相关系数（intraclass correlation）分析和Bland-Altman分析（α=0.05）。
结果：在TMA前后，三组间的边缘适应性均存在显著差异。在两个时间点，钛基底组的边缘适应性均显著优于两个直连基台组（z=3.36，P<0.001）。三组间的内部适合性在TMA前后也存在显著差异。钛基底组的内部适合性相对于两个直连基台组均显著改善（标准化Mann–Whitney z值范围为3.15至3.36，P<0.001）。组内相关分析显示，使用传统方法和AI方法获得的标准化测量值之间存在显著的一致性（P<0.001），Bland-Altman图支持了AI衍生内部适合性测量的同时效度。
结论：在ISFCDPs中，钛基底连接表现出优于直连基台连接的边缘适应性和内部适合性。两种连接设计均达到了临床可接受的内部适合性数值。对于边缘适应性，直连基台常规螺丝组超过了120 μm的临床可接受阈值。标准化传统测量与AI衍生内部适合性测量之间发现了显著的一致性水平。Bland-Altman图支持了该深度学习AI模型的同时效度。
研究背景与意义
种植支持式固定全口义齿（Implant-supported fixed complete dental prostheses, ISFCDPs）已成为无牙颌患者的重要治疗选择，具有较高的存留率。随着计算机辅助设计及计算机辅助制造（CAD-CAM）技术的发展，氧化锆支架因其优异的机械性能和美学效果被广泛应用。近年来，直连基台连接（direct-to-abutment connection）作为一种创新设计，省去了传统的钛基底（Ti-base）界面，理论上可增加螺丝通道周围支架厚度、减少组件界面并降低成本。然而，边缘适应性（marginal adaptation）和内部适合性（internal fit）是决定修复体生物力学行为的关键参数，直接影响应力分布、微生物定植及长期临床成功率。目前，针对直连基台式氧化锆全口支架的这两项核心指标的研究数据极为匮乏，且缺乏对其在不同螺丝设计下的性能评估。因此，研究人员开展了本项体外研究，旨在对比直连基台连接与钛基底连接在边缘适应性和内部适合性上的差异，并引入深度学习人工智能（AI）模型优化评估方法。
关键技术方法
研究人员将24个氧化锆试件按连接方式分为三组：钛基底常规螺丝组（ZrTiRS）、直连基台常规螺丝组（ZrDiRS）和直连基台改良螺丝组（ZrDiMS）。所有试件在热机械老化（Thermomechanical aging, TMA）前后均采用显微计算机断层扫描（microcomputed tomography, μCT）进行检测。研究中开发了一种基于U-Net架构的深度学习分割模型，用于自动识别并计算基台与支架间的内部间隙体积，模型训练采用手动标注的真实数据进行监督学习。统计分析采用非参数检验（Kruskal–Wallis H检验和Mann–Whitney U检验）比较组间差异，并通过组内相关系数（Intraclass Correlation Coefficient, ICC）和Bland-Altman分析验证AI模型与传统人工测量的一致性。
研究结果
边缘适应性（Marginal Adaptation）
结果显示，在TMA前后，三组间的边缘适应性均存在统计学显著差异。钛基底组的边缘适应性显著优于两个直连基台组（P<0.001）。具体而言，钛基底组的边缘间隙平均值仅为2.17 μm至7.02 μm，而直连基台常规螺丝组高达203.41 μm至211.03 μm，改良螺丝组为94.23 μm至101.14 μm。值得注意的是，直连基台常规螺丝组的数值超过了120 μm的临床可接受阈值，而钛基底组和直连基台改良螺丝组均在阈值范围内。各组在TMA前后的变化量无统计学差异。
内部适合性（Internal Fit）
无论是采用传统人工测量还是AI衍生测量，三组间的内部适合性在TMA前后均存在显著差异，钛基底组表现最佳（P<0.001）。传统测量显示，钛基底组内部间隙为53.06 μm至62.96 μm，直连基台常规螺丝组为98.13 μm至109.06 μm，改良螺丝组为111.06 μm至119.55 μm。尽管存在统计学差异，所有组别的内部适合性数值均低于120 μm的临床可接受阈值。同样，TMA并未导致各组内部适合性的显著改变。
AI模型验证
深度学习AI模型在验证集上的损失低于0.01，骰子相似系数（Dice Similarity Coefficient）超过0.95，显示出极高的分割精度。组内相关分析表明，AI测量与传统测量在直基台和角度基台中均具有显著的一致性（ICC范围0.812至0.926，P<0.001）。Bland-Altman图显示两种方法的均值差异接近于零，界限可接受，验证了AI模型具有良好的同时效度。
讨论与结论
讨论部分指出，尽管直连基台连接具有减少界面和潜在成本优势，但其边缘适应性远逊于钛基底连接，这可能源于氧化锆切削工艺限制及烧结收缩难以精确补偿，导致无法像金属钛基底那样精准复制基台形态。特别是常规螺丝设计组的边缘间隙过大，可能引发生物学并发症（如种植体周围炎）。相比之下，内部适合性虽存在差异，但所有设计均处于临床可接受范围。研究人员强调，所开发的深度学习AI模型提供了一种高效、客观且可重复的μCT图像分析方法，解决了传统手动测量工作量大且易受主观影响的问题，为大规模三维适合性评估提供了可靠工具。
结论
基于上述体外研究结果，研究人员得出以下结论：第一，钛基底连接的ISFCDPs在边缘适应性和内部适合性上均显著优于直连基台连接。第二，热机械老化对各组边缘适应性和内部适合性的改变量无显著影响。第三，两种连接设计均达到了临床可接受的内部适合性标准。第四，对于边缘适应性，仅钛基底连接和采用改良螺丝的直连基台连接达到了临床可接受阈值。第五，本研究提出的深度学习AI模型是传统内部适合性评估方法的有效替代方案。本研究发表于《The Journal of Prosthetic Dentistry》。
