近年来，人工智能（AI）的应用大幅增长，彻底改变了人类与技术的互动方式。人工智能在口腔领域的应用也在扩大，为临床医生和患者开辟了新的可能性。由于每年种植牙的数量很多，许多创新的人工智能工具被提出用于口腔种植的各个阶段，从诊断到预后和维护。具体来说，人工智能工具可以帮助临床医生在X线影像中识别种植体的品牌和类型，识别可能影响种植体成功的条件，更快、更准确地进行种植体规划，并在随访期间早期诊断种植体周围疾病。虽然其中一些人工智能应用仍处于实验阶段，但人工智能具有颠覆性的潜力，可以彻底改变种植体植入治疗的每一个工作步骤，提高诊断和预后的准确性，加速和简化种植计划程序，并允许更快、更少侵入性的手术。然而，人工智能与数字化技术并非旨在取代牙医，而应被视为一种革新工具，其价值在于优化重复性高且耗时的任务流程，从而为医患互动释放更多时间与资源。
摘要
前言
人工智能（Artificial Intelligence, AI）是一个综合性术语，通常用于描述计算机系统执行传统上与人类智能相关的复杂任务的能力，例如决策和问题解决（Joda, Waltimo et al. 2018; Shan et al. 2021）。从技术角度来看，AI可分为两大类：“弱”人工智能（Weak AI）和“强”人工智能（Strong AI）。前者，也称为人工狭义智能（ANI），指在缺乏内在认知能力的情况下完成特定任务的能力，例如通过计算机视觉技术在一系列图像中识别特定目标。而强人工智能则被定义为能够复制典型人类心理能力和意识的系统，其运作方式完全模拟人类思维（Scerri and Grech 2020）。尽管目前尚未实现强人工智能，但弱人工智能系统在日常生活中的应用已显著增加，彻底改变了人类与技术互动及处理复杂任务的方式。与此同时，人工智能在医学和口腔领域的研究与应用也在持续扩展。
如今，医学领域中大多数人工智能的应用都基于机器学习（ML），并主要集中在放射影像的分析上。通过对现有数据集进行训练，ML算法能够对新输入的数据提供准确的预测（Bernauer et al. 2021）。在经典的机器学习模型中，人为干预是必要的，包括设计并为系统提供标记的数据集，算法则基于这些数据集进行训练。
在这种情况下，机器学习（ML）的一个子集被称为深度学习（DL）。与传统的ML相比，DL模型能够自主识别数据中的模式，并在无需人工干预的情况下对训练数据集的原始信息进行分层处理（Ren et al. 2021）。人工神经网络（ANN）是深度学习算法的核心架构。神经网络由多层节点组成：一个输入层、一个或多个隐藏层以及一个输出层，每个节点代表一个与其他神经元连接的人工神经元。当人工神经网络的层数超过三层时，即可被视为深度学习算法（图1）。人工神经网络通过训练数据集来学习并提高其准确性，然而，这一过程需要大量的数据支持（Bernauer et al. 2021）。
图.1: AI分支的图示
近年来，多种基于人工智能（AI）的应用程序和工具已被开发并引入，以辅助牙医的日常实践，例如在数字影像中实现病理识别与分类（Litjens et al. 2017）。因此，口腔内二维X射线、锥形束计算机断层扫描（CBCT）以及光学扫描在牙科领域具有特别重要的意义。JPG、DICOM和STL等数据格式通常用于诊断、治疗计划制定、修复体设计以及疗效评估，从而为人工智能技术的开发与应用提供了丰富的数据来源（Hung et al. 2020）。AI诊断模型在牙齿病变的影像学识别方面已取得显著成果，例如邻面龋坏、牙根折裂、根尖周病变以及牙周骨吸收等（图2）（Devito et al. 2008；Johari et al. 2017；Chang et al. 2020；Endres et al. 2020）。
图. 2: AI模型开发过程。数据处理：获取原始数据，进行调整，并手动标记，以创建训练和测试数据集。学习：使用和优化选定的ML算法。评估：对学习模型进行交叉验证和评估，最终确定成熟的模型
人工智能模型在正畸领域的应用也取得了显著成功，其中基于知识的算法和计算机视觉方法已被证实能够可靠地识别和测量头颅X线片上的解剖标志点（Gupta et al. 2015; Park et al. 2019）。
本叙述性综述旨在描述和总结人工智能（AI）目前在口腔种植学中的应用现状。综述的结构遵循数字化种植工作流程：诊断、临床治疗流程（包括实验室工作流程）、预后及维护（图3），并详细阐述了AI在当前或未来可能发挥作用的各个工作环节。重点聚焦于牙科影像、治疗计划制定、引导种植手术以及患者监测等领域。
图. 3: 数字化种植工作流程