人工智能技术在口腔种植领域的应用进展

Application progress of artificial intelligence technology in dental implant

摘要

在人工智能（Artificial intelligence，AI）技术迅猛发展并深度融入口腔医学领域的当下，AI技术与口腔临床结合正重塑口腔医疗模式。口腔种植作为口腔医学的关键分支，其诊疗的精准性与微创性对患者口腔功能重建及生活质量提升至关重要。然而，当前国内外针对AI技术在口腔种植专科领域的研究尚显不足，AI在该领域的应用尚处于起步阶段，其可行性与前景亟待可靠研究验证。鉴于此，本文对AI在口腔种植专科领域的应用进展进行综述，梳理AI技术在口腔种植修复各环节的应用现状，明确其技术优势与潜在价值。当前，AI技术已全面渗透至口腔种植诊疗全流程，在口腔种植影像分析、口腔种植方案优化、口腔种植外科机器人辅助、数字化比色、上部修复体制作及术后效果评价等方面展现出显著优势，机器学习算法的升级更推动了种植牙冠生成、牙齿比色等关键环节的精准化与高效化发展。未来研究应积极推动AI技术的口腔临床转化，确保AI始终处于人类的监督之下，让更多患者、更多基层医疗机构享受到技术进步的红利。

Abstract

With the vigorous development of artificial intelligence （AI） technology and its deep integration into the field of stomatology， the convergence of AI with clinical dentistry is reshaping dental healthcare models. As a critical branch of stomatology， the precision and minimally invasive nature of dental implant are essential for patients' oral function reconstruction and quality of life improvement. However， current domestic and international research on the application of AI in the specialized field of dental implant remains insufficient， with AI applications in this domain still in their early stages. Their feasibility and prospects urgently require validation through reliable research. In view of this， this article reviews the advancements in AI applications within the specialized field of dental implant， aiming to systematically summarize the current status of AI technology applications across various stages of implant restoration， and to clarify its technical advantages and potential value. At present， AI technology has comprehensively permeated the entire clinical workflow of dental implantology， demonstrating significant advantages in areas such as implant imaging analysis， treatment planning optimization， robotic-assisted implant surgery， digital shade matching， fabrication of superstructures， and postoperative outcome evaluation. Furthermore， advancements in machine learning algorithms have driven enhanced precision and efficiency in critical processes like implant crown generation and tooth color matching. Future research should actively promote the clinical translation of AI technologies in dentistry， ensuring that AI remains under human supervision， thereby enabling more patients and grassroots medical institutions to benefit from technological advancements.

关键词

人工智能 / 口腔医学 / 牙种植体 / 口腔修复

Key words

Artificial intelligence / Stomatology / Dental implant / Prosthodontic

随着信息技术的不断发展，人工智能（Artificial intelligence，AI）技术在口腔医学领域的应用日益广泛。AI技术逐步改变了传统的口腔临床诊疗模式，能够精准辅助口腔诊疗，助力口腔医学发展^［1］。自主式导航和定位系统、种植外科机器人、智能诊断系统等AI技术已应用于口腔医学相关领域，且在口腔种植医学中的应用也逐渐增多^［2］，有效解决了口腔种植影像数据分析误差、种植体位置不理想、邻近重要解剖结构损伤、上部修复不佳等难题，为口腔种植医学发展提供了新方向和新动力。本文归纳了AI技术在口腔种植领域的应用和进展，以期为AI技术与口腔种植学深入融合发展提供参考。

1 AI技术概述

AI是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门技术科学，是计算机科学的一个分支，该领域的研究包括机器人研发、语言识别、图像识别、自然语言处理和专家系统等。AI可分为弱AI、强AI、超级AI 3个类型，目前全球主要注重于弱AI的研发，而强AI、超级AI尚处于探索阶段。自AI技术出现以来，其应用范围不断扩大，在医学领域的研究与实践已形成科学化体系。AI可以通过机器学习（Machine learning， ML）和深度学习（Deep learning， DL）等方法，在采集临床数据的基础上，构建出能够扩展和模拟人的智能的数学模型，并赋予其感知、理解、推理、决策等能力。

目前，AI在口腔医学领域的主要研究方向是ML、DL以及机器人辅助手术。ML是AI的一个分支，旨在通过算法从数据中自动学习规律（即构建模型），并利用该模型对未知数据进行预测或决策，而无需依赖明确的编程指令，其中最受欢迎的模型是人工神经网络（Artificial neural network，ANN）。DL则是机器学习的一大突破，其神经网络结构更复杂，其通过模拟人脑神经元结构构建的多层神经网络，自动从海量数据中逐层提取抽象特征，从而解决复杂的预测或决策问题，被认为是最有应用潜力的AI技术之一^［3］。而卷积神经网络（Convolutional neural network，CNN）是目前最常用的一种核心算法模型，通过ML自动学习数据特征，减少了人工处理数据的程序^［4-7］。机器人辅助手术是指利用先进的AI医疗设备将外科医师的手部动作转化为手术器械精细操作的技术，多应用于口腔种植科、心脏外科、骨科等专业科室。

2 AI技术在口腔种植中的应用

2.1　口腔种植影像学分析

种植牙术前口腔科医师需要通过对种植位点的骨量骨质、邻牙情况、牙周情况等相关影像学结果进行判读，了解重要解剖结构如下颌神经管、切牙管、上颌窦、颏孔等信息。近年来，CNN在口腔影像学中的应用逐渐增多，主要用于识别种植系统、评估种植体周围骨组织丧失和种植体折裂等^［8］。Kurt Bayrakdar S等^［9］通过分析75例种植牙患者的术前锥形束计算机断层扫描（Cone beam computed tomography，CBCT）影像学检查结果，对比AI测量和人工测量在分析颌骨重要解剖结构的准确性，发现两者在分析牙槽骨的高度方面无明显差异。有学者^［10-11］利用深度CNN，通过术前CBCT影像高精度定位下颌神经管的位置，可提高口腔种植手术安全性。AI可通过分割口内扫描仪或锥形束计算机断层的影像数据构建术区的三维情况，提高种植牙手术的效率和精确度^［9］。Mangano F G等^［12］研究发现，利用AI分析根尖片和曲面体层片等口腔种植影像，种植体的植入准确率达93.8%～98%。

DL可以通过自动学习影像片上的种植体信息，辅助医师识别种植体的型号和品牌。Takahashi T等^［13］用1 282幅含种植体的全景X射线图像进行DL，识别出6种系统的种植体。Kim J E等^［14］使用801例种植患者的根尖X线片进行DL，可对4种种植体进行高精度识别，准确率达90%以上。Sukegawa S等^［15］使用5种CNN模型（ResNet18、34、50、101和152）对曲面断层片上的12个种植体品牌和治疗阶段分类进行DL，比较5种CNN模型学习系统的识别效果，发现这5种CNN模型在识别种植体系统的准确性均较高。Lee J H等^［16］将3种形状类似种植体的5 390幅曲面体层片和5 380幅根尖片作为研究对象，对比CNN与传统牙周医师在识别种植体系统的精确度，发现CNN的精确度高于牙周专科医师的精确度。在术前阶段，基于CNN的DL模型在解剖结构测量与种植体植入准确率方面表现优异。在术后评估中，AI模型能够通过影像数据自动识别不同品牌与型号的种植体系统，准确率已达到或接近临床医师水平。未来，随着多中心数据验证与算法泛化能力的提升，AI有望实现从影像分析、手术规划到预后评估的全流程智能化整合，成为口腔种植临床决策支持系统的重要组成部分。

2.2　口腔种植方案优化

对复杂和疑难种植病例，静态导航可引导医师将种植体植入理想区域。立体光刻（Stereo lithography apparatus， SLA）是一种常用的3D打印技术，多用于制作口腔静态种植导板^［17］。Türker H等^［18］使用了多种人工神经网络（Artificial neural network，ANN）模型（ANN模型1～10）用于分析SLA静态种植导板的精确度，其中ANN模型5精确度高达99%。尽管该模型精度优异，但相较于传统切削技术、其他3D打印技术，ANN模型在导板设计与制作的实时运算效率、边缘细节预测精度、多参数耦合适配性方面仍存在局限。因此ANN相关算法模型仍需进一步优化以用于导板的设计和制作。

AI可以结合有限元分析和ML优化种植体设计，调整种植体直径、长度、孔隙度等参数以减小种植体-骨界面的应力，提高种植体生物相容性和稳定性^［19］。AI通过三维建模获得种植区域的颌骨与软组织信息，根据患者骨量、骨质设计理想的植入位点，帮助医患双方选择最合适的种植方案，提高种植成功率^［20］。此外，虚拟现实技术可以通过外接设备和传感器模拟口腔环境，实时显示患者的口腔解剖结构和种植路径，与临床医师进行可视化交互，从而提高种植外科手术精确度和安全性^［21］。虚拟现实技术与实时种植导航系统结合，可实现医师在真实与虚拟环境的无缝过渡，增强视觉和触觉反馈，从而提升种植牙手术的精准度和安全性^［22］。

2.3　口腔种植机器人辅助手术

口腔种植机器人技术已成为口腔各专业领域的一项新型技术，机器人辅助手术通过使用具有高精度和运动自由度的设备，消除器械和手震颤的负面影响并提供手术区域的实时反馈，以实现手术的微创和精准。目前，口腔种植机器人在口腔种植领域的应用尤为显著。2017年，美国Neocis公司开发出第一台口腔种植手术机器人Yomi^［23］，我国赵铱民院士团队也在同年研发出了一种自动式口腔种植机器人（Auto-nomous dental implant robotic，ADIR）^［24］。口腔种植机器人主要包括机器人辅助种植手术和自主种植手术2种类型，前者是种植医师操作时使用机械臂或触觉反馈设备作为辅助，根据术前手术方案引导操作，同时也可做出自主决策和调整；后者是基于CBCT数据和数字化设计，在无人工干预的情况下进行种植体定位和植入^［25］。口腔种植机器人辅助手术是目前口腔领域一项相对成熟的技术，凭借其稳定可靠的优势，可减少术中操作误差，获得较准确的种植体植入位置^［26-27］。

口腔种植机器人能够实现手术区域重要解剖结构判读、手术实时导航校准等，可更好地完成种植体植入路径规划、种植过程可视化，辅助精确定位，有效避免手术对下牙槽神经、颏神经、鼻腭神经等重要结构的损伤。目前，口腔种植机器人辅助种植已应用于单颗牙、无牙颌、即刻种植、颧骨种植等多项手术，具有高于传统方法和静态或动态导航的治疗精确度^{［25，28-30］}。Yang J等^［23］研究发现，口腔种植机器人辅助种植牙手术的种植体颈部和根尖偏差仅为0.6 mm和0.7 mm，角度偏差为1.6°，表明机器人辅助种植手术是一种可靠的临床技术。白石柱等^［31］分析了口腔种植机器人和数字化导板在动物体内的种植牙手术效果，发现机器人种植体根颈部偏差0.254～0.269 mm，角度偏差0.989°，准确度明显高于数字化导板。

在口腔种植牙手术中，机器人机械臂可按照规划路径自动化运动到指定区域，依据医师设置的种植体位置、角度、深度进行洞型预备，并将种植体植入理想位点。然而，口腔种植机器人相关研究也存在一些局限，如成本高、学习曲线长、设置操作时间长、光学导航系统术前准备流程繁琐等。光学导航术前准备包括拍摄口腔CBCT、标定配准各坐标系、选择示踪标记等环节，任何偏差均会影响导航的精确度^［32］。同时，机械臂如何实时调整作用力度、如何优化种植机器人的末端结构、如何规划最佳路径等，均是口腔种植机器人未来研发和改进的重点。

2.4　辅助上部修复体比色

牙齿比色是种植上部修复过程中的重要环节，目前临床上最常采用的比色方法是视觉比色法，但其精确度仅为40%～60%^［33］。为了提高比色的精确度，Kim M等^［34］开发了多套数字化牙齿比色设备，基于支持向量机（Support vector machine， SVM）算法匹配牙齿颜色，精确度均达到90%以上，表明利用SVM算法进行牙齿颜色测定是一种最优方案。Chen S L等^［35］提出了一种基于色调、饱和度、明度（Hue Saturation Value，HSV）颜色模型的牙齿颜色匹配方法，通过训练机器学习模型，进行牙齿色度数据DL，HSV颜色模型可自动识别并分析牙齿图像样本中的关键颜色特征，其比色效果明显优于传统的临床比色方法。ML算法在一定程度上降低了主观及客观因素干扰带来的误差，辅助口腔医师更精确地获取牙齿颜色特征。

2.5　辅助上部修复体制作

计算机辅助设计及计算机辅助制造（Computer aided design/computer aided manufacturing，CAD/CAM）技术在以修复为导向的口腔种植领域中应用广泛，其通过导入口腔CBCT影像以及读取口腔扫描数据形成虚拟模型。CAD/CAM技术通过融合AI技术进行大数据分析，并利用计算机生成图像信息、数字信息，将连接线、边缘标出生成可读取传输的三维数据，可设计和制造出美学与功能兼具的修复体，如在个性化基台上设计数字化氧化锆冠、数字化前牙美学分析和修复设计等。Lerner H等^［36］对106个利用AI结合CAD技术制作的二氧化锆单冠进行回顾性分析，发现这些单冠的存留率和成功率分别达到了99.0%和91.3%，表明AI是一种可靠的辅助上部修复体制作的工具。

有学者^［37-38］通过将AI技术和CAD/CAM技术结合，发现其可自动分类和分割牙齿、软组织以及骨组织，极大减少了处理用时，显著提高修复效果。AI可通过视觉系统识别修复体的形状，通过ANN算法和传感器实时监测环境温度、激光功率、刀具磨损程度等参数，实现制作过程的质量控制。Raith S等^［39］通过ANN算法自动识别和分类口腔扫描仪数据中的牙尖形态，有助于口腔医技人员参考对颌牙牙尖形态合理设计种植牙冠咬合面形态。基于根尖X线片、全景片、口腔CBCT、牙齿三维扫描的ANN已被探索用于牙齿分类与分割，克服数据获取与CAD/CAM之间的障碍^［40-42］。AI还可通过获取对颌牙和邻牙的形态与角度信息，评估口腔咬合力，自动推荐和提供修复方案^［43］。近年来，人工排牙机器人的应用广泛，其缩短了排牙时间，提高了修复效率和质量，其智慧化、精准化、标准化成为智能口腔修复的发展趋势^［44］。将机器学习算法和虚拟患者结合，未来将不断提高修复体制作的个性化、可预期化，实现美学与功能兼具的精准化修复。

2.6　种植术后效果评价

骨结合是种植体与周围骨组织最理想的结合状态，是影响种植体成功率的最关键因素。近年来，基于回顾性分析口腔临床数据构建AI预测模型，发现深度学习在评估骨量丢失、检测种植体折裂等方面效果明显，可显著降低口腔种植失败率。Huang N等^［45］开发出3种AI预测模型，可自主分析患者全身健康状况、种植体系统、医师手术水平、口腔卫生状况、种植位点解剖状况等因素，并预测种植体脱落风险，表明AI预测模型在预测种植体寿命方面表现良好，可帮助口腔种植医生评估术前风险。也有学者^［46］评估了基于区域卷积神经网络（Regions with CNN features， R-CNN）和牙科医师在根尖周围X光片上检测边缘骨质流失部位和种植体的准确性，两者之间的一致性为中等水平（Kappa值分别为0.547和0.568），发现该基于CNN分析的AI系统是一项极具前景的牙种植体周围骨质丢失检测的辅助诊断工具。目前，AI模型还可像数学模型一样用来评估种植体与骨结合界面的应力情况，评价种植体的机械性能。Lee D W等^［47］比较3种不同深度卷积神经网络（Deep convolutional neural networks，DCNN）模型（VGGNet-19、GoogLeNet Inception-v3和自动化的DCNN）在探查和检测种植体折断方面的可信度，发现3种CNN模型在检测种植体断裂时均表现出可接受的准确性，其中自动化深度卷积神经网络模型仅在使用根尖图像时实现了最佳准确性。

Mahri M等^［48］构建了一种高精度机器学习算法，可基于相关文献自动评价药物对种植体骨结合的影响，发现药物能够通过改变机体稳态、调控骨改建过程、影响细胞增殖等途径干扰种植体骨结合率，该算法评价的精确性可达95%。此外，AI可收集患者的口腔数据、修复体参数、修复体使用情况等信息，利用机器学习算法建立预测模型分析影响修复体寿命的因素^［49］。

3 小结与展望

随着AI技术在口腔医学领域的蓬勃发展，AI与口腔临床的融合应用成为目前口腔医疗的新模式，也是口腔医学行业的未来发展趋势。AI已渗透至种植诊疗全流程，从术前影像分析、方案设计，到术中机器人辅助导航，再到术后效果评价与修复体制作，展现出显著的技术优势。ML算法的迭代升级，使AI在种植牙冠生成、牙齿比色等关键环节的准确性和效率持续提升，实现了从二维图像识别到三维形态设计的跨越，为口腔种植的标准化、精准化、微创化发展提供了技术支撑。目前，国内三甲医院或口腔专科医院大力推广和应用的主要是口腔种植机器人、动态导航种植机器人，临床案例的成功证明了AI技术的优势。然而，国内许多地市级医院或基层医院由于设备经费有限、种植收费偏低、种植医师欠缺、种植门诊量低等综合因素，AI技术应用面临很大瓶颈和挑战。此外，AI在口腔医学领域目前缺乏统一标准，且存在技术问题、监管问题、安全问题、伦理问题等诸多潜在风险。未来研究应坚持“技术为用、人为本”的理念：一方面，积极推动AI技术的临床转化，让更多基层医疗机构享受到技术进步的红利；另一方面，健全监管法规，规避伦理与安全风险，助力人类口腔健康事业发展。

参考文献

[1] 韩生伟，韩伟.人工智能技术在口腔医学领域的应用进展［J］.口腔医学研究，2020，36（6）：519-522.

[2] 孙玉春，李骋，陈虎.人工智能翻开口腔医学新篇章［J］.现代口腔医学杂志，2022，36（6）：361-364.

[3] Heo M S， Kim J E， Hwang J J，et al.Artificial intelligence in oral and maxillofacial radiology：what is currently possible？［J］.Dentomaxillofac Radiol，2021，50（3）：20200375.

[4] 李畅，黄翠，杨宏业.人工智能在口腔临床诊疗中的应用进展［J］.口腔疾病防治，2022，30（11）：821-826.

[5] Rajkomar A， Dean J， Kohane I.Machine learning in medicine［J］.N Engl J Med，2019，380（14）：1347-1358.

[6] Tandon D， Rajawat J， Banerjee M.Present and future of artificial intelligence in dentistry［J］.J Oral Biol Craniofacial Res，2020，10（4）：391-396.

[7] 朱可石，廖安琪，余优成.机器学习在口腔种植学中的应用研究进展［J］.国际口腔医学杂志，2023，50（4）：491-498.

[8] Elgarba B M， van Aelst S， Swaity A，et al.Deep learning-based segmentation of dental implants on cone-beam computed tomography images：a validation study［J］.J Dent，2023，137：104639.

[9] Kurt Bayrakdar S， Orhan K， Bayrakdar I S，et al.A deep learning approach for dental implant planning in cone-beam computed tomography images［J］.BMC Med Imaging，2021，21（1）：86.

[10] Kwak G H， Kwak E J， Song J M，et al.Automatic mandibular canal detection using a deep convolutional neural network［J］.Sci Rep，2020，10（1）：5711.

[11] Jaskari J， Sahlsten J， Järnstedt J，et al.Deep learning method for mandibular canal segmentation in dental cone beam computed tomography volumes［J］.Sci Rep，2020，10（1）：5842.

[12] Mangano F G， Admakin O， Lerner H，et al.Artificial intelligence and augmented reality for guided implant surgery planning：a proof of concept［J］.J Dent，2023，133：104485.

[13] Takahashi T， Nozaki K， Gonda T，et al.Identification of dental implants using deep learning-pilot study［J］.Int J Implant Dent，2020，6（1）：53.

[14] Kim J E， Nam N E， Shim J S，et al.Transfer learning via deep neural networks for implant fixture system classification using periapical radiographs［J］.J Clin Med，2020，9（4）：1117.

[15] Sukegawa S， Yoshii K， Hara T，et al.Multi-task deep learning model for classification of dental implant brand and treatment stage using dental panoramic radiograph images［J］.Biomolecules，2021，11（6）：815.

[16] Lee J H， Jeong S N.Efficacy of deep convolutional neural network algorithm for the identification and classification of dental implant systems，using panoramic and periapical radiographs：a pilot study［J］.Medicine，2020，99（26）：e20787.

[17] Javaid M， Haleem A.Current status and applications of additive manufacturing in dentistry：a literature-based review［J］.J Oral Biol Craniofac Res，2019，9（3）：179-185.

[18] Türker H， Aksoy B， Özsoy K.Fabrication of Customized dental guide by stereolithography method and evaluation of dimensional accuracy with artificial neural networks［J］.J Mech Behav Biomed Mater，2022，126：105071.

[19] Revilla-León M， Gómez-Polo M， Vyas S，et al.Artificial intelligence applications in implant dentistry：a systematic review［J］.J Prosthet Dent，2023，129（2）：293-300.

[20] Sakai T， Li H， Shimada T，et al.Development of artificial intelligence model for supporting implant drilling protocol decision making［J］.J Prosthodont Res，2023，67（3）：360-365.

[21] 周勇，张思慧，赵晓娴，等.口腔种植治疗培训中虚拟现实技术的应用及评价［J］.中华口腔医学杂志，2021，56（8）：799-804.

[22] Qiao S C， Wu X Y， Shi J Y，et al.Accuracy and safety of a haptic operated and machine vision controlled collaborative robot for dental implant placement：a translational study［J］.Clin Oral Implants Res，2023，34（8）：839-849.

[23] Yang J， Li H.Accuracy assessment of robot-assisted implant surgery in dentistry：a systematic review and meta-analysis［J］. J Prosthet Dent， 2024， 132（4）：747.e1-747.e15.

[24] 柯怡芳，张耀鹏，王勇，等.机器人在口腔修复领域的研发及应用现状［J］.中华口腔医学杂志，2021，56（9）：939-944.

[25] Yang S， Chen J， Li A，et al.Accuracy of autonomous robotic surgery for single-tooth implant placement：a case series［J］.J Dent，2023，132：104451.

[26] Liu L， Watanabe M， Ichikawa T.Robotics in dentistry：a narrative review［J］.Dent J，2023，11（3）：62.

[27] 陈江，宿玉成，沈国芳，等.口腔种植机器人临床应用的专家共识（第一版）［J］.中国口腔种植学杂志， 2023， 28（3）：134‑139.

[28] Chen J， Zhuang M， Tao B，et al.Accuracy of immediate dental implant placement with task-autonomous robotic system and navigation system：an in vitro study［J］.Clin Oral Implants Res，2024，35（8）：973-983.

[29] Bolding S L， Reebye U N.Accuracy of haptic robotic guidance of dental implant surgery for completely edentulous Arches［J］.J Prosthet Dent，2022，128（4）：639-647.

[30] Li C， Wang M， Deng H，et al.Autonomous robotic surgery for zygomatic implant placement and immediately loaded implant-supported full-arch prosthesis：a preliminary research［J］.Int J Implant Dent，2023，9（1）：12.

[31] 白石柱，任楠，冯志宏，等.自主式口腔种植机器人手术系统动物体内种植精度的研究［J］.中华口腔医学杂志，2021，56（2）：170-174.

[32] Gargallo-Albiol J， Barootchi S， Salomó-Coll O，et al.Advantages and disadvantages of implant navigation surgery.A systematic review［J］.Anat Anz，2019，225：1-10.

[33] Tabatabaian F， Beyabanaki E， Alirezaei P，et al.Visual and digital tooth shade selection methods，related effective factors and conditions，and their accuracy and precision：a literature review［J］.J Esthet Restor Dent，2021，33（8）：1084-1104.

[34] Kim M， Kim B， Park B，et al.A digital shade-matching device for dental color determination using the support vector machine algorithm［J］.Sensors （Basel），2018，18（9）：3051.

[35] Chen S L， Zhou H S， Chen T Y，et al.Dental shade matching method based on hue，saturation，value color model with machine learning and fuzzy decision［J］.Sens Mater，2020，32（10）：3185.

[36] Lerner H， Mouhyi J， Admakin O，et al.Artificial intelligence in fixed implant prosthodontics：a retrospective study of 106 implant-supported monolithic zirconia crowns inserted in the posterior jaws of 90 patients［J］.BMC Oral Health，2020，20（1）：80.

[37] Hao J， Liao W， Zhang Y L，et al.Toward clinically applicable 3-dimensional tooth segmentation via deep learning［J］.J Dent Res，2022，101（3）：304-311.

[38] Cui Z， Li C， Chen N，et al.TSegNet：an efficient and accurate tooth segmentation network on 3D dental model［J］.Med Image Anal，2021，69：101949.

[39] Raith S， Vogel E P， Anees N，et al.Artificial Neural Networks as a powerful numerical tool to classify specific features of a tooth based on 3D scan data［J］.Comput Biol Med，2017，80：65-76.

[40] Lee J H， Han S S， Kim Y H，et al.Application of a fully deep convolutional neural network to the automation of tooth segmentation on panoramic radiographs［J］.Oral Surg Oral Med Oral Pathol Oral Radiol，2020，129（6）：635-642.

[41] Lahoud P， EzEldeen M， Beznik T，et al.Artificial intelligence for fast and accurate 3-dimensional tooth segmentation on cone-beam computed tomography［J］.J Endod，2021，47（5）：827-835.

[42] Shaheen E， Leite A， Alqahtani K A，et al.A novel deep learning system for multi-class tooth segmentation and classification on cone beam computed tomography.A validation study［J］.J Dent，2021，115：103865.

[43] Chen Y， Lee J K Y， Kwong G，et al.Morphology and fracture behavior of lithium disilicate dental crowns designed by human and knowledge-based AI［J］.J Mech Behav Biomed Mater，2022，131：105256.

[44] 汪潇潇，程兴群.人工智能在口腔医学领域的应用进展［J］.实用口腔医学杂志，2021，37（5）：710-715.

[45] Huang N， Liu P， Yan Y，et al.Predicting the risk of dental implant loss using deep learning［J］.J Clin Periodontol，2022，49（9）：872-883.

[46] Liu M， Wang S， Chen H，et al.A pilot study of a deep learning approach to detect marginal bone loss around implants［J］.BMC Oral Health，2022，22（1）：11.

[47] Lee D W， Kim S Y， Jeong S N，et al.Artificial intelligence in fractured dental implant detection and classification：evaluation using dataset from two dental hospitals［J］.Diagnostics （Basel），2021，11（2）：233.

[48] Mahri M， Shen N， Berrizbeitia F，et al.Osseointegration pharmacology：a systematic mapping using artificial intelligence［J］.Acta Biomater，2021，119：284-302.

[49] Takahashi T， Nozaki K， Gonda T，et al.Deep learning-based detection of dental prostheses and restorations［J］.Sci Rep，2021，11（1）：1960.