综述：人工智能在牙髓钙化检测中的应用：一项综述性研究

《BMC Oral Health》：Artificial intelligence in the detection of dental pulp calcifications: a scoping review

　　

摘要

背景

牙髓钙化，包括牙髓结石和弥漫性钙化变化，可能会增加根管治疗的难度，如进入根管的难度、根管导航的复杂性以及治疗计划的制定。人工智能可能有助于辅助放射学检查中这些病变的检测，但目前可用的证据仍然有限且方法学上存在差异。本综述梳理了相关同行评审研究，这些研究应用人工智能技术在二维放射图像和锥形束计算机断层扫描（CBCT）中检测、分类或分割牙髓钙化病变。

方法

本综述遵循Joanna Briggs研究所的方法论以及系统评价和荟萃分析的优先报告条目扩展指南进行。检索了2015年1月1日至2025年9月29日期间发表的英文文献，数据来源包括PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar。在排除重复记录和不符合条件的记录后，对450条记录进行了标题和摘要筛选，最终纳入了7项同行评审的研究。数据按成像方式、人工智能架构、任务类型、验证设计、注释方法及报告性能等进行描述性分析。由于任务、数据集和结果指标的异质性，本研究未进行荟萃分析或推断性统计检验。

结果

纳入的研究均为2023年至2025年间发表的回顾性单中心研究。使用检测或分类算法的二维放射学研究显示出较高的内部性能，准确率在95.4%至96.5%之间，F1分数在78.9%至96.6%之间。一项全景分割研究显示，牙髓的Dice分数为0.84，牙髓结石的Dice分数为0.759。在锥形束计算机断层扫描中，一项三维U-Net研究的准确率为72.8%，曲线下面积为0.74，但对微小或弥漫性钙化的敏感性较低。所有研究均未使用外部验证数据，且公开的可用代码或数据集较为有限。

结论

人工智能技术在检测牙髓钙化方面显示出技术潜力，尤其是在经过内部验证的二维放射学研究中。然而，现有证据仍属于初步阶段。临床应用的推广受到单中心研究设计、数据集规模小且异质性强、缺乏外部验证、报告标准不一致以及可重复性有限等因素的限制。未来的研究应优先考虑多中心数据集、病变大小分层、标准化报告、开放性基准测试、校准评估以及基于工作流程的前瞻性评估。

试验注册

不适用。本研究为综述性研究，未涉及任何临床试验。

背景

牙髓钙化，包括牙髓结石和弥漫性钙化变化，可能会增加根管治疗的难度，如进入根管的难度、根管导航的复杂性以及治疗计划的制定。人工智能可能有助于辅助放射学检查中这些病变的检测，但目前可用的证据仍然有限且方法学上存在差异。本综述梳理了相关同行评审研究，这些研究应用人工智能技术在二维放射图像和锥形束计算机断层扫描（CBCT）中检测、分类或分割牙髓钙化病变。

方法

本综述遵循Joanna Briggs研究所的方法论以及系统评价和荟萃分析的优先报告条目扩展指南进行。检索了2015年1月1日至2025年9月29日期间发表的英文文献，数据来源包括PubMed、Scopus、Web of Science、IEEE Xplore和Google Scholar。在排除重复记录和不符合条件的记录后，对450条记录进行了标题和摘要筛选，最终纳入了7项同行评审的研究。数据按成像方式、人工智能架构、任务类型、验证设计、注释方法及报告性能等进行描述性分析。由于任务、数据集和结果指标的异质性，本研究未进行荟萃分析或推断性统计检验。

结果

纳入的研究均为2023年至2025年间发表的回顾性单中心研究。使用检测或分类算法的二维放射学研究显示出较高的内部性能，准确率在95.4%至96.5%之间，F1分数在78.9%至96.6%之间。一项全景分割研究显示，牙髓的Dice分数为0.84，牙髓结石的Dice分数为0.759。在锥形束计算机断层扫描中，一项三维U-Net研究的准确率为72.8%，曲线下面积为0.74，但对微小或弥漫性钙化的敏感性较低。所有研究均未使用外部验证数据，且公开的可用代码或数据集较为有限。

结论

人工智能技术在检测牙髓钙化方面显示出技术潜力，尤其是在经过内部验证的二维放射学研究中。然而，现有证据仍属于初步阶段。临床应用的推广受到单中心研究设计、数据集规模小且异质性强、缺乏外部验证、报告标准不一致以及可重复性有限等因素的限制。未来的研究应优先考虑多中心数据集、病变大小分层、标准化报告、开放性基准测试、校准评估以及基于工作流程的前瞻性评估。

试验注册

不适用。本研究为综述性研究，未涉及任何临床试验。