人工智能技术在龋齿风险预测与评估中的应用：范围综述及其临床转化潜力

　　本刊推荐：为解决传统龋齿风险评估方法准确性不足的问题，研究人员开展人工智能（AI）技术在龋齿风险预测（CRP）与评估（CRA）中的应用研究。通过系统分析13项研究，发现机器学习算法（如随机森林RF和逻辑回归LR）在特异性（0.531-0.943）和敏感性（0.59-0.996）方面优于传统方法，证实AI技术可通过分析社会人口学因素、口腔卫生习惯和微生物指标等多维度数据，实现精准化龋病预防策略制定。

　　

随着人工智能技术的快速发展，医疗领域正迎来一场诊断范式的革命。在口腔医学领域，龋齿作为全球最常见的慢性疾病之一，其预防和控制一直是临床工作的重点。传统的龋齿风险评估方法如美国牙科协会（ADA）龋齿风险评估、龋病风险管理系统（CAMBRA）和Cariogram等，虽然考虑了行为习惯、社会人口学特征和临床因素等多维度指标，但存在准确性有限、依赖主观判断以及需要实验室检测等局限性。特别是在特异性方面表现不佳，导致大量假阳性结果，影响了预防资源的精准投放。这就提出了一个关键问题：能否利用人工智能技术提升龋齿风险评估的准确性和效率？

为了回答这个问题，研究团队在《Journal of Oral Biology and Craniofacial Research》上发表了这项范围综述，系统分析了2013-2023年间人工智能技术在龋齿风险预测和评估领域的应用现状、方法学和性能表现。

研究人员采用乔安娜·布里格斯研究所（JBI）范围综述方法学框架，对MEDLINE、EMBASE和Google Scholar三个数据库进行了系统检索。通过人口、概念、背景（PCC）框架制定纳入标准，最终从3059篇初始文献中筛选出13篇符合要求的研究进行深入分析。研究团队设计了包含八个维度的数据提取表，包括研究基本信息、人群特征、预测因子、AI算法、性能指标等，确保数据提取的全面性和准确性。

关键研究方法包括：系统检索策略（覆盖2013-2023年三大数据库）、研究筛选与数据提取（基于PRISMA-ScR流程）、数据分析方法（性能指标包括敏感性、特异性、AUC等）、以及AI算法比较分析（包括机器学习、神经网络和深度学习等各类算法）。

研究结果方面：

3.1. 研究设计

纳入研究覆盖了从0-5岁儿童到65-74岁老年人的不同年龄段人群，其中大多数研究（n=9）聚焦于儿童群体。样本量从最小的37例到最大的22,288例不等。研究设计以纵向研究（n=10）为主，其余为横断面研究（n=4）。数据来源包括问卷调查、临床检查和全国性调查数据。

3.2. 关键预测因子

研究发现最常用的预测因子包括社会人口经济学因素（n=12）、龋齿测量指标（n=7）和口腔卫生习惯（n=7）。一些新颖的预测因子如电视观看时间、防晒霜使用、计算机使用时间等也被个别研究采用。值得注意的是，两项研究使用了单核苷酸多态性（SNP）作为遗传标记预测因子，其中AMELX、AQP5和TUFT1基因多态性被证明是最重要的预测指标。

3.3. AI方法

机器学习（ML）是最主要的人工智能方法（n=11），其次是神经网络（NN）（n=3）和深度学习（DL）（n=1）。具体算法中，逻辑回归（LR）（n=9）和随机森林（RF）（n=8）使用频率最高，梯度提升算法（包括XGBoost、Adaboost、GBDT、Light GBM）共使用7次。性能最佳的算法中，随机森林在多数研究中表现最优。

3.4. 性能指标

各项研究报告的绩效指标存在较大异质性。敏感性范围0.59-0.996，特异性范围0.531-0.943，AUC值0.578-0.997，准确度0.62-0.974。其中Kang等（2023）使用GBDT算法在儿童龋齿预测中达到95.2%的准确度和95%的AUC值；Sadegh-Zadeh等（2022）使用MLP和RF模型对0-5岁儿童高风险龋齿识别准确度达97.4%；Hung等（2019）使用SVM算法在成人龋齿预测中获得了0.997的AUC值。

3.5. 局限性

研究发现的局限性包括样本量小、外部验证有限、自我报告数据的主观性以及横断面研究缺乏因果关系评估等问题。

讨论部分深入分析了AI在龋齿风险评估中的多方面价值。在预测因子方面，AI模型成功识别了社会人口学因素、口腔健康相关行为、生物学指标（遗传、微生物和唾液指标）以及父母影响等多种风险因素。与传统的CRA方法相比，AI模型特别是机器学习方法能够处理更复杂的非线性关系，减少过拟合问题，提高预测准确性。

算法方面，逻辑回归（LR）虽然计算简单但容易受到混杂因素影响；而随机森林（RF）等集成学习方法通过平均多个决策树的结果，能够更好地处理非线性关系和高维数据，在多数研究中表现出优于LR的性能。神经网络虽然能够检测复杂的非线性关系并实现最小误差，但其"黑箱"特性使得结果解释较为困难。

性能表现方面，与传统CRA工具相比，AI模型显示出更高的特异性。传统工具如AAPD工具的敏感性达100%但特异性仅3%；CAMBRA工具敏感性94%、特异性44%；Cariogram的敏感性和特异性分别为66.67%和60%。而AI模型的敏感性范围0.59-0.996，特异性范围0.531-0.943，AUC值均大于0.74，表明显著的性能提升。

研究也指出了AI在龋齿风险评估中面临的挑战和伦理考量，包括数据隐私、算法偏见、决策过程透明度等问题。"黑箱"特性使得AI决策过程不够透明，影响了其在临床实践中的可靠性和可接受性。此外，AI模型可能复制和放大训练数据中存在的社会经济或人口学偏见，导致歧视性结果。这就需要通过使用多样化训练数据集和建立严格的监管框架来确保AI系统的公平性和可靠性。

该研究的实际意义十分重大：AI驱动的龋齿风险评估模型可以作为牙科诊所、政府机构和非政府组织的筛查工具，识别高风险个体并实现早期干预。在缺乏临床数据的情况下，AI能够使用代理数据推断龋齿状态，从而实现大规模人群监测。此外，基于AI的预测建模可以通过准确估计未来医疗需求来实现高效的资源规划和分配，对口腔公共卫生政策制定和项目评估具有重要价值。

然而，作者也强调，尽管AI能够有效利用现有数据并在某些情况下替代传统数据集，但目前尚不能完全取代临床检查。需要更多的数据和在不同人群中的进一步测试来建立稳健的预测模型。

综上所述，这项范围综述表明，人工智能技术在龋齿风险评估领域展现出显著优势，能够通过分析多维度数据实现更精准的风险预测。各种机器学习算法特别是随机森林和逻辑回归，在龋齿风险预测中表现出较高的准确性和特异性，优于传统评估方法。这些AI工具有望通过早期诊断和精准预测，帮助制定个性化龋齿预防和治疗计划，从而推动预防牙科学的核心目标实现。然而，AI在龋齿风险预测中的实际应用还需要解决伦理、透明度和多样性等挑战，确保这项技术能够公平、可靠地服务于口腔公共卫生事业。