综述：为正畸学中的临床决策制定AI框架：深度学习与数据挖掘的视角

《Rice Science》：Designing AI Frameworks for Clinical Decision-Making in Orthodontics: Deep Learning and Data Mining Perspectives

　　人工智能正畸诊断与数据驱动治疗规划研究摘要：AI通过深度学习分析影像数据为正畸临床决策提供客观支持，推动经验型向数据型决策模式转变，提升个性化治疗水平。

　　

KyungMin Clara Lee

韩国光州 Buk-gu 区 Yongbong-ro 33 号，全南国立大学牙科学院正畸系，61186

摘要

人工智能（AI）作为一股变革性力量，在牙科领域迅速崛起，为正畸临床决策提供了前所未有的支持机会。本综述重点介绍了基于 AI 的工具在提高患者诊断和治疗计划方面的潜力。这一变革的关键组成部分是数据挖掘，它能够从原始患者数据中提取出具有临床意义的模式。随着这些数据积累成大规模的临床资源，正畸学可以从基于经验的决策方式转向真正以数据为驱动的范式。这种方法不仅提高了治疗计划的精确性和可靠性，还为个性化及基于证据的正畸护理奠定了基础。

重要的是，要有效利用 AI 作为临床工具，正畸医生需要理解其基本概念、能力和局限性。通过概述临床医生应了解的关键知识和方法论考虑因素，本综述为将 AI 整合到日常正畸实践中提供了实用指导。此外，通过综合当前的发展趋势并确定未来的发展方向，本文提出了一个在临床正畸学中构建 AI 环境的框架。向数据驱动策略的转变是实现更有效、可重复且以患者为中心的治疗结果的关键步骤。

引言

随着数字技术的出现以及人工智能（AI）在临床医生中的日益普及，AI 在医学和牙科领域的应用（尤其是通过医学成像）迅速扩展。这些进步正在重塑患者的诊断、治疗计划和临床决策方式。本综述强调了基于 AI 的工具在提高临床正畸诊断准确性和治疗计划方面的潜力。通过利用各种患者数据（包括口内照片、数字扫描、牙模扫描、CBCT 成像和其他临床记录），AI 系统可以为临床医生提供客观且一致的分析结果，从而补充传统专业知识。此外，对原始患者数据进行系统的数据挖掘可以建立大规模的数据库，支持从基于经验的决策方式向数据驱动的正畸护理转变。通过将深度学习与这些庞大的数据集相结合，AI 为更精确、可靠和个性化的治疗策略提供了框架。本综述强调了在临床正畸学中设计 AI 环境的重要性，并指出了构建以数据为中心的患者护理未来的机遇和挑战。从临床医生的角度来看，关键问题不仅在于有哪些技术可用，还在于如何在实践中应用它们，以及通过何种系统能够最有效地利用这些技术。

部分摘录

用于拔牙决策的 AI 驱动诊断工具

在临床正畸学中，治疗计划传统上是通过综合各种患者记录来制定的，但最终决定往往很大程度上依赖于临床医生的经验。虽然这种专业知识仍然不可或缺，但仅依赖经验判断可能会引入变异性并限制可重复性。因此，越来越需要采用数据驱动的方法，利用患者的大数据来提供更客观和个性化的支持。

结论

人工智能正在重塑正畸诊断和治疗计划。通过将深度学习算法应用于口内照片、数字扫描和 CBCT 成像等原始临床数据，基于 AI 的系统可以为正畸学中最重要的临床决策之一提供客观且可重复的支持。这些进步的核心是数据挖掘的概念，它能够将未经处理的患者记录转化为具有临床意义的见解。

数据可用性声明

如需获取患者临床数据，请联系相应作者。

资金来源

本项工作得到了韩国政府（科学技术信息通信部）资助的韩国国家研究基金会（NRF）的资助（项目编号：RS-2025-00516911）。

CRediT 作者贡献声明

KyungMin Clara Lee：概念构思、数据整理、正式分析、资金获取、研究、数据可视化、初稿撰写、审稿与编辑。

利益冲突声明

作者不存在任何利益冲突（财务或其他方面）。