然而，当前口腔医疗发展仍面临多重挑战。一方面，随着人口老龄化不断加剧，口腔疾病患者基数庞大，而口腔专业医护人力相对不足，医疗资源在地域间分布不均，难以有效满足庞大的诊疗需求；另一方面，患者对个性化诊疗与精准治疗的期望持续上升，对诊断准确性与治疗效果提出了更高要求。此外，口腔医学的教学培训体系仍有待优化，基层口腔医疗机构的数字化基础薄弱，整体诊疗效率和服务质量仍有较大提升空间。面对上述困境，口腔医学亟需借助新兴技术手段，寻求突破与转型路径。
人工智能(artificial intelligence, AI)技术的快速发展为应对上述挑战提供了前所未有的机遇。随着深度学习在计算机视觉与自然语言处理等AI核心技术的日益成熟，AI正逐步重塑现代医疗服务的边界与模式[5-9]。全球医疗AI市场持续扩大，各大科技企业与研究机构积极投身于AI在医学领域的应用探索。作为高度依赖影像、文本与结构化数据的学科，口腔医学本身具有良好的数字化基础与清晰的临床流程，为AI的深度融合与应用提供了天然优势[10]。在此背景下，推动人工智能在口腔医学中的临床诊疗、科学研究、医学教育与医院管理等多个维度实现深度融合与系统化应用已成为行业发展的重要方向。本文将结合典型实践案例，系统阐述AI在口腔临床诊疗、科研创新、教学培训及医院管理四大领域的应用现状与实践成效。
1 AI赋能口腔临床医疗
1.1 赋能临床诊断
在口腔医学领域，基于深度学习的图像识别模型已广泛应用于牙周病、龋病、根尖病变等常见疾病的识别与辅助判断。以牙周病辅助诊断为例，通过对多模态数据的自动分析，AI可辅助识别骨吸收、牙周袋等病变，数字探针误差为0.04 mm[11]，有望重塑牙周健康管理的新模式。
在龋病筛查中，笔者团队针对常用曲面断层片研发了一款具备自动标注功能的AI辅助诊断系统，可精准定位疑似龋坏区域[13]。临床评估显示，该系统将医生诊断敏感性由67.4%提升至82.4%，阅片时间缩短约23%，显著提高了诊断准确性与效率。该系统已完成国内首个口腔AI辅助诊断软件的临床试验，并成功获得我国口腔领域首张第三类医疗器械注册证，标志着口腔AI临床转化实现了从“可行”到“合规”的关键跨越，成为行业里程碑。此外，笔者团队牵头制定了《AI辅助诊断软件用于龋病检测有效性评价方法指南》团体标准，填补了该领域评价体系空白，为口腔AI应用的标准化验证提供了技术依据与路径指导。
类似地，在邻面龋识别任务中，基于咬合翼片影像的深度卷积神经网络(convolutional neural network, CNN)在978例标注样本上训练后，整体识别准确率达87%，显著优于口腔医学研究生人工判断水平(82%)；其中，早期邻面龋检测敏感性超过65%，显著高于研究生人工判断水平(40%)，凸显AI在早期病灶识别中的优势[14]。针对口腔黏膜疾病，多类别图像分类模型已实现复发性阿弗他溃疡与口腔扁平苔藓的判别准确率分别为95.5%和89.7%。此外，结合多模态数据整合策略，研究人员开发的口腔白斑癌变风险预测模型预测准确率达85.7%，有助于高危病灶风险量化与干预前移。在头颈肿瘤领域，基于增强CT影像的深度学习模型用于口腔鳞状细胞癌颈部淋巴结转移判断，敏感性达92.0%，显著优于临床医生，为术前分期与风险评估提供有力支持[15]。
1.2 赋能临床决策
在治疗方案智能化制定方面，AI潜力不断显现，推动口腔治疗决策向个体化、快速化发展。在口腔修复领域，AI技术能自动融合锥形束计算机断层扫描成像(cone beam computer tomography, CBCT)、口内扫描(intraoral scan, IOS)，构建高度精准的三维“虚拟患者”模型，以支持种植体精确定位、角度与深度规划[16]，还可结合IOS与计算机辅助设计与制造(computer-aided design/computer-aided manufacturing, CAD/CAM)系统，自动设计修复体[17]，还有望实现智能化的种植体位置与深度规划[18]。以可摘局部义齿修复为例，笔者团队基于上万例病例构建数字化设计数据库，研发出可在约2 s内自动生成修复方案的智能系统，设计准确率超90%，效率显著优于传统流程[19]。
然而，临床决策不仅依赖于治疗方案的制定，还需要对疾病发展趋势和疗效进行科学预测，以实现诊疗全流程的精准管理。因此，AI在预后预测和辅助决策中的应用成为智能化诊疗体系的重要拓展方向。相关研究通过整合大规模随访数据与机器学习算法，构建了唾液腺恶性肿瘤患者的生存预测模型，利用LightGBM实现个体化风险分层，辅助制定差异化随访策略[32]。此外，亦有相关研究开展研发针对口腔白斑癌变风险的预测模型，以期实现病灶量化分级，为早期干预决策提供参考。
2 AI赋能口腔科学研究
AI的迅猛发展不仅重塑了临床诊疗模式，也为口腔医学的基础研究与转化研究注入了强大动力。作为全球科研的新范式，“AI for Science”正在深刻改变传统科学探索路径，并在生命科学领域展现出巨大潜能。DeepMind开发的AlphaFold 2模型成功预测了98%以上的人类蛋白质结构，推动结构生物学实现跨越式发展；在新冠疫情期间，AI显著加速了抗病毒药物的设计与筛选，缩短研发周期并降低实验成本。当前，以数据驱动和模型驱动为核心的科研范式，正逐步渗透至口腔医学领域，成为学科创新的重要引擎。
2.1 赋能口腔基础研究
在疾病机理与生物学过程研究中，AI拓展了全新的思路与手段。凭借深度学习和机器学习在多源大规模生物医学数据中的模式识别能力，研究者能够快速识别疾病发生发展的关键因素及生物标志物。尤其是在牙周疾病、龋病和口腔肿瘤等复杂疾病研究中，传统方法往往难以从高维、异质性强的数据中提取有效信息，而AI算法能够在临床记录、基因组数据及医学影像中自动提取潜在特征，为探索龋病易感性、牙周炎进展模式及发现口腔癌早期分子标志物提供高效工具[33]。
2.2 赋能口腔材料学研究
AI同样在口腔生物材料研究中展现出巨大价值，显著提升研发效率并推动再生医学创新。传统口腔材料研发依赖经验和反复实验，导致周期长、成本高。通过构建“材料-生物相互作用”数据库并结合机器学习模型，研究人员有望通过在计算机模拟中快速评估材料改性对生物相容性和功能特性的影响，缩小创新搜索空间，加速筛选与优化。例如，近期研究提出结合AI与三维生物打印的个性化口腔软组织再生策略，利用预测模型优化生物墨水配方和打印参数，实现具备结构与功能一体化特性的定制化口腔软组织移植物，显著提升口腔组织工程效率[36]。笔者团队整合高通量测序数据，建立干细胞三向分化基因表达参考体系并训练AI预测模型，预测准确率达90.63%，显著高于传统方法(80.21%)，且能在培养早期预测分化命运，为材料功能筛选提供高效工具，显著缩短验证周期[37]。同时，团队开发的结合图神经网络与强化学习的多尺度模型，可解析材料表面特征与蛋白构象的复杂关联，并基于此进一步提出“材料-蛋白适配度”指标，实现植入材料生物学性能的定量预测，突破经验驱动的试错模式，为口腔植入体设计与优化提供全新思路[38]。
3 AI赋能口腔教学创新
口腔医学教育直接关系到未来专业人才的培养质量。然而，传统教学模式在师生互动、临床实践训练及个性化培养方面存在明显不足，难以满足现代医学教育对高水平、复合型人才的需求。AI的引入，尤其是知识图谱、虚拟仿真和大语言模型(large language model，LLM)的应用，正推动口腔教育体系发生深刻变革，不仅重构教学内容的知识组织结构，更在教学模式、学习体验和能力培养方面实现系统创新。
3.1 赋能个性化学习
AI在知识管理与个性化学习中展现优势。通过知识图谱技术，AI将分散的解剖学、病理学、修复学等知识点进行网络化整合，形成系统化、可视化的知识框架，解决传统教材内容碎片化、逻辑关联度低的问题。在此基础上，智能学习助手能够根据学生的学习表现动态规划学习路径，精准推荐复习资料和练习任务，提高学习效率。同时，AI驱动的病例教学系统正成为实践教学的重要补充，学生可以在虚拟环境中完成病情分析、诊断推理和治疗方案设计，并获得即时反馈和评分，从而强化临床思维和决策能力，弥补传统以记忆为核心的教学模式的不足。
3.2 赋能教学体系
AI正在重塑口腔医学教学模式，推动课堂教学与在线学习深度融合。在在线课程中，AI作为“虚拟导师”，通过多轮交互实现实时答疑，并结合学习行为数据对学生的知识掌握情况进行评估，推送针对性的强化训练。在操作技能培养方面，AI与虚拟现实及增强现实技术结合，构建沉浸式模拟临床场景，虚拟患者系统呈现多种疾病表现及患者反应，帮助学生在技能训练和应变能力上实现突破。这些创新教学工具不仅拓展了教学资源，还突破了时间和空间的限制，使口腔教育更灵活、更高效，满足个性化培养需求。值得注意的是，这种创新已从探索阶段迈向体系化建设，教育主管部门已启动AI赋能医学教育的国家级项目，在2024年全国医药学研究生在线课程建设专项中，“口腔正畸学研究生系列AI课程”被列为重点课题，标志着AI在口腔教学中的应用正进入标准化、规模化发展的新阶段。
4 AI赋能口腔医院管理优化
AI，特别是基于LLM的应用，正以“以患者为中心”的理念推动口腔专科医院管理模式的深度变革，实现服务精细化与管理智慧化并重。口腔医院普遍面临门诊量大、科室细分和患者疾病认知不足等问题，导致盲目挂号、就诊路径不合理、医疗资源浪费，影响患者体验与运营效率。基于LLM驱动的智能分诊系统能够理解患者描述的症状和就诊需求，结合病历知识库和诊疗指南，精准推荐最优科室和就诊路径，使患者在初诊环节直达目标专科，减少挂号错误和等待时间，缓解导诊压力。在候诊环节，智能预问诊系统利用多轮自然对话采集病情、既往史和症状信息，并生成结构化病历同步至医生端，帮助医生提前掌握病情，缩短问诊时间，提升沟通效率与诊疗精准度。与此同时，AI在医疗文书处理中发挥重要作用，基于LLM的自然语言处理能力自动完成病历摘要、出院小结及手术记录，统一格式、提升质量，显著减轻医生书写负担。这一系列创新应用不仅优化了就诊流程和患者体验，更推动口腔医院管理向智能化、标准化和主动决策转型，标志着口腔医疗服务迈入以智能驱动的新时代。
在医疗质量控制与科研管理层面，AI的应用正进一步拓展智慧化场景。针对传统质控在数据规模快速增长下效率低、易出错的问题，笔者团队依托国家级口腔医疗质控中心，研发了基于LLM和知识图谱的智能质控平台，实现多模态数据的实时分析、异常预警及质量报告自动生成，为监管部门提供精准决策支持，弥补传统质控的滞后性与主观性。
当前，平台已在多个关键场景中落地应用，有效提升质控效率与管理智能化水平。在病历书写方面，系统可自动识别结构缺失、术语不规范等问题，提供实时修改建议，显著提高文书合格率；在诊疗规范审核中，AI通过比对临床路径与指南，智能识别用药偏差、检查冗余与流程脱节，辅助优化治疗方案；在危急值与并发症管理中，平台联动检验、护理和诊疗数据，实现高风险结果的即时预警与跨科室响应，显著缩短干预时间；在术后管理中，系统融合随访记录与自由文本，构建并发症预测模型，支持早期识别与个性化干预。此外，平台还具备宏观分析能力，支持跨科室绩效对比、诊疗流程评估与资源调配优化。例如，系统曾基于门诊大数据识别出某类治疗等候时间异常，结合诊疗路径图谱分析出排班机制问题，推动流程优化并显著提升患者满意度。近期团队还利用LLM，完成对历年文书中非结构化描述的精准抽取与归类，实现特定风险事件的自动识别与分布分析，填补了传统质控手段在跨系统数据处理上的能力空白。通过对AI的上述应用，医院质量管理正由“事后复盘”向“过程可控、风险前置”转型，推动医疗服务走向更加精细化、智能化的发展路径。
此外，团队在科研与管理决策领域开展了深度探索：基于大规模脱敏病历数据库，构建AI驱动的检索、统计分析与语义挖掘工具，帮助科研人员快速完成患者筛选、验证科研假设并识别流程瓶颈。例如，通过门诊大数据分析，可发现影响患者体验的关键问题，如某类治疗平均等候时间过长，并借助知识图谱解析主诉与诊断之间的隐性关联，辅助优化诊疗路径和完善临床指南，实现医院管理模式由经验驱动向数据驱动转型，全面提升医疗质量、科研效率与运营科学性。
5 总结和展望
近年来，AI在口腔医学领域的应用取得了显著突破，广泛渗透至临床诊疗、科研创新、医学教育与医院管理等多个维度。临床上，AI显著提升了疾病诊断的准确性与效率，推动治疗方案制定向个体化和智能化转变，并逐步应用于预后预测与辅助决策。科研方面，“AI for Science”范式正在重塑疾病机制探索、分子标志物发现及口腔生物材料研发路径，促进口腔再生医学加速发展。教学领域，知识图谱、虚拟仿真及LLM正推动教学模式向个性化、交互式与沉浸式演进。而在医院管理中，AI有望实现智能分诊、预问诊和医疗文书处理，从而优化就诊体验，并通过智慧质控和科研管理系统，实现管理模式由经验驱动向数据驱动的转型。
展望未来，医疗AI正从以深度学习为核心的2.0时代迈向以多模态大模型和知识推理为基础的3.0时代。新一代医学大模型具备跨模态信息整合与临床语义理解能力，有望实现影像、病历及检验数据的联合分析，并在数字化设备协同操作和临床决策支持中发挥作用。依托大型语言模型、知识图谱和医学指南，打造多智能体协同框架：以口腔医生个人助理智能体为核心，联合影像诊断、诊疗规划与手术辅助、个性化随访与预后预测、患者沟通与教育、临床文献解析与知识更新、病历摘要与决策建议、教学训练及行政资源管理等智能体，通过统一接口共享数据与知识，实现人机协同，全面提升口腔诊疗的效率、精准度与智能化水平，将AI在口腔医疗中的角色由“辅助”升级为“伙伴”，迈入智能化新阶段。
然而，AI在口腔医学领域的大规模应用仍面临若干挑战：其一，数据隐私与安全问题突出，需加强加密、脱敏及合规管理；其二，模型可靠性不足，需提升数据质量并建立多维验证机制，降低“幻觉”风险，此外，实践表明，在执行过程中引入明确的指令性路径也有助于引导模型输出，进一步减少幻觉发生；其三，泛化能力有限，亟需通过跨域迁移学习和多中心数据协作增强模型适应性；其四，可解释性不足，需发展因果推理与可追溯机制以提高临床信任度。此外，人才储备、伦理监管及行业标准体系尚需完善。未来，科研机构、医疗机构和产业应加强产学研协作，开发安全、可解释、符合临床需求的AI产品，同时推动法律法规和行业标准建设，以实现AI在口腔医学的可持续、规范化应用。可以预期，AI将成为驱动口腔医学高质量发展的核心技术，并助力构建以患者为中心的口腔智慧医疗新格局。
