引言

人工智能与数字化技术和牙周病学的深度融合，是口腔医学数字化转型、迈向精准医疗的核心方向之一。系统梳理该领域的研究进展与应用现状，一方面能够全面呈现当前技术的发展水平与应用边界，为临床医师了解人工智能与数字化工具的实用价值提供参考；另一方面，通过剖析技术转化过程中的现存问题，能够为后续科研方向的优化、临床落地路径的探索提供明确指引。同时，总结人工智能在牙周诊疗全流程的应用场景，可为基层医疗机构提升牙周诊疗同质化水平、完善牙周病全周期防控体系提供新思路。推动个性化诊断模式落地，能够针对不同患者的疾病特征与风险因素制定差异化诊疗方案，提升治疗效果与患者依从性，对推动我国牙周病精准诊疗的普及、提升居民口腔健康保障水平具有重要的现实意义。

1研究背景

自20世纪以来，随着口腔医学与数字技术的飞速发展，人类对牙周疾病的认知与诊疗手段不断深入，牙周病的防控体系取得了显著的阶段性成果。技术迭代始终是推动牙周病学发展的核心动力，不仅为临床诊疗提供了理论基础与工具支撑，也帮助研究者厘清了疾病的发展历程与演化规律。

牙周炎是累及牙龈、牙周韧带、牙骨质与牙槽骨的慢性炎症性疾病，是全球第六大普遍的健康问题。美国疾病控制与预防中心数据显示，美国成年人牙周病患病率约为46%，老年人群患病率更是超过70%。在我国，牙周病同样是口腔临床发病率最高的慢性疾病，其防控效果直接关系到居民口腔健康水平与全身健康状态。当前传统牙周诊疗模式仍存在诸多短板：临床探诊评估主观性强，不同医师诊断一致性不足；影像学检查仅能反映已发生的累积性病变，疾病早期预警与动态监测能力不足；诊疗方案多采用标准化模式，忽视个体疾病进展与治疗反应的差异，难以实现真正的精准干预。

2017年美国牙周病学会与欧洲牙周病联合会推出的牙周炎新分类系统，采用分期与分级体系，对疾病严重程度、管理复杂度与进展速度进行综合评估，对诊断数据的丰富度与精准度提出了更高要求。随着人工智能技术在口腔医学诊断领域的快速发展，深度学习在口腔医学图像分析中的技术优势逐步凸显，为突破牙周病诊疗的现有瓶颈、实现个性化诊疗提供了全新的技术路径。通过对国内外相关研究成果的系统梳理，明确我国人工智能赋能牙周病学当前面临的问题和挑战，能够为后续的技术研发与临床转化提供理论依据。

2 国内外研究现状

2.1 国外研究现状

近年来，国外学者在人工智能赋能牙周病学领域的研究取得了丰硕成果，技术探索覆盖个性化诊断、全流程诊疗支持、教育与公共卫生等多个维度，临床验证与基础研究同步推进。

在理论体系层面，国外研究率先明确了个性化医疗在牙周病学中的定位，指出传统“一刀切”的分层诊疗模式将患者视为统计平均值，忽视了个体生理特征与疾病进展的差异；而个性化医疗通过整合风险算法、分子诊断与靶向治疗，可识别对特定治疗更敏感的患者亚组，实现诊疗方案的精准匹配。在此基础上，P4医学（预测性、预防性、个性化、参与性）理念被引入牙周护理领域，为多模态数据与人工智能的融合应用提供了理论框架。多模态生物医学AI的跨领域研究也证实，整合影像、临床与组学数据的模型，诊断性能显著优于单模态方案，为牙周领域的技术发展提供了方法学参考。

在技术应用层面，人工智能已渗透到牙周诊疗的多个环节：

2.1.1 病历维护与临床文档处理

自然语言处理（NLP）技术可实现牙周临床记录的自动化整理与分析，一项基于NLP的研究验证了临床记录中牙龈炎体征与探诊出血诊断的一致性，模型F1分数可达98%；同时NLP还可用于分析患者反馈、搭建患者宣教聊天机器人，优化诊疗工作流与患者体验。相关领域研究指出，AI工具对临床文档的自动化处理，可显著降低医师的行政负担，将更多时间留给临床诊疗与患者沟通。

2.1.2 风险评估与预后预测

基于人工神经网络的预测模型可整合年龄、性别、吸烟、菌斑、探诊出血、探诊深度等参数，对牙周炎进展进行预测，准确率、灵敏度与特异度分别可达84.2%、85.7%与80.0%。Bashir等通过对比10种机器学习算法构建牙周炎预测模型，内部验证AUC超过0.95，证实多特征融合可大幅提升牙周炎风险预测的可靠性。真实世界研究也显示，基于电子健康记录的机器学习风险评分模型，可有效区分健康、轻度与重度牙周炎人群，具备临床落地的实用价值。现有研究已证实多组学数据（微生物组、蛋白质组、代谢组）的整合可进一步提升预测能力，揭示牙周病的分子通路，实现更精准的个性化风险评估。

2.1.3 疾病诊断与动态监测

在影像学诊断领域，基于卷积神经网络的模型可检测与量化牙槽骨吸收，对牙周炎进行分期分级，性能与专科医师相当甚至更优。Lee等开展的多中心验证研究显示，深度学习模型在全景片牙周骨吸收检测中具备稳定的诊断性能，可适配不同机构的影像设备与人群特征。Alotaibi等的研究也证实，CNN模型通过根尖片评估牙周骨水平的准确率可达73.0%，具备临床辅助诊断价值。在口内影像分析方面，自动化CNN模型可实现牙龈炎、牙菌斑的自动识别，为软组织病变评估提供客观依据。此外，深度学习模型还可用于牙种植体类型识别，一项多中心研究显示，模型完成25种种植体系统分类仅需4.5分钟，远短于临床医师的耗时，大幅提升诊疗效率。

2.1.4早期筛查与居家健康管理

国外研究重点探索了基于唾液、龈沟液生物标志物的早期检测路径，结合组学技术与人工智能挖掘牙周病早期生物标志物，开发椅旁与居家自检试剂盒。Sorsa等的研究证实，AI辅助的基质金属蛋白酶-8即时检测，可显著提升牙周病早期筛查的效率与准确性，适配社区与居家筛查场景。同时，基于智能手机的AI辅助自我监测方案已得到验证，患者通过拍摄口内照片即可实现牙周健康居家监测，配合数字提醒可提升患者依从性，改善牙周治疗预后；搭载AI工具的智能电动牙刷可追踪刷牙区域与时长，引导患者规范口腔清洁，从预防端降低牙周病发病风险。

2.1.5牙周教育与公共卫生应用

基于增强现实（AR）与虚拟现实（VR）的牙周训练模拟器已投入教学应用，如PerioSim等VR设备可提供带触觉反馈的牙周探诊、洁治训练，动态变化的病例场景可避免学生对标准化模型的记忆效应，实现个性化技能培训，提升学习效率与临床适配性。系统综述显示，AR/VR模拟训练可显著提升牙周专业学生的操作熟练度与学习体验，是未来牙周实践教学的重要发展方向。

此外，国外研究还从公共卫生视角探讨了人工智能的应用价值，提出通过可穿戴设备、物联网工具收集人群级健康数据，结合地理空间信息分析牙周病流行趋势，开展精准公共卫生宣教，推动牙周防控从治疗向预防转型。数据安全层面，联邦学习等隐私保护技术已被引入牙科AI领域，可在不共享原始数据的前提下完成多中心模型训练，为跨机构合作提供了合规路径。

2.2 国内研究现状

在国内方面，近年来数字化技术与人工智能在牙周病学领域的研究取得了长足进步。人工智能在口腔医学诊断领域的研究持续推进，覆盖牙体牙髓、牙周、颌面外科等多个学科，数字化技术已成为口腔医学发展的核心趋势，相关研究覆盖数字化诊疗工具、影像诊断、治疗规划、教学管理等多个维度，技术应用场景持续拓展，临床验证不断深入。吕春旭等的综述也指出，人工智能在牙周病学的应用场景持续拓展，是未来学科发展的核心方向。

2.2.1 数字化诊断工具的研发与应用

国内已广泛开展数字化牙周检查工具的临床应用研究。Florida电子压力敏感探针作为成熟的数字化探诊工具，可保持25g恒定探诊力度，测量精度达0.1mm，数据自动存储并可视化呈现，有效避免人工探诊的力度误差与视觉误差；研究证实，对于牙周治疗后患者，Florida探针的测量精确度显著优于传统探针，且钛合金工作端对种植体周围组织的探查灵敏度更高，适用于种植体周围炎的检查。

在影像学诊断方面，锥形束CT（CBCT）与三维重建技术已成为牙周精准诊断的重要支撑。CBCT可三维呈现牙槽骨形态，在根分叉病变、骨开裂、三壁骨缺损的检出率显著高于根尖片；牙槽骨吸收量测量与术中实测的平均误差仅0.19～1.27mm，对根分叉病变的诊断灵敏度显著高于牙周探诊，可检出常规探诊无法发现的隐匿病变。同时，CBCT可实现骨密度的定量评估，为牙周手术、种植术前评估提供精准的骨组织参考。

牙周内窥镜作为微创诊断与治疗工具，可将龈下环境放大24~48倍，在不翻瓣的前提下清晰呈现龈下牙石、肉芽组织等病变；临床对照研究显示，内窥镜辅助的龈下清创更彻底，术后牙龈退缩更少，美观效果更优，尤其适用于合并全身疾病、不耐受手术的患者。

2.2.2 数字化治疗技术与3D打印的临床转化

数码微笑设计（DSD）技术已广泛应用于牙周美学治疗，通过采集面部与口内扫描数据，量化分析唇-龈-牙的美学关系，设计个性化牙周美学方案，引导牙冠延长术、膜龈手术等术式，实现可预测的美学治疗效果。

3D扫描与3D打印技术形成了完整的数字化诊疗闭环，在牙周治疗中展现出突出的个性化优势。口内3D扫描可精准获取软组织形态，在膜龈手术中对牙龈退缩、龈乳头高度的测量精度优于传统探诊与石膏模型法，可精准评估术后软组织增量效果。3D打印技术可制备个性化手术导板，应用于松牙固定、骨皮质切开、冠延长术等术式，提升手术精准度，缩短手术时间，减轻术后反应。在基础研究领域，3D生物打印技术已用于制备牙周组织再生支架，通过双相、三相支架精准模拟牙周复合体结构，搭载细胞与生长因子促进牙周组织再生，为牙周再生治疗提供了全新路径。此外，4D打印技术作为前沿方向，也被认为在牙周再生器械研发中具有广阔应用前景。

2.2.3 人工智能的临床应用探索

国内人工智能在牙周病学的研究聚焦于影像诊断与疾病分类。早期研究已验证，基于支持向量机、决策树、人工神经网络的分类系统，可整合风险因素、临床参数与影像学骨吸收数据，实现6种牙周状态的自动分类，证实了AI诊断的高效性与精准性。

深度学习在口腔医学图像分析领域的技术迭代，为牙周影像智能诊断提供了成熟的算法基础。在影像智能判读领域，基于卷积神经网络的模型可通过根尖片检测牙槽骨丢失，诊断牙周疾病的准确率达73.0%；通过口内照片诊断牙周病的准确率可达91.6%，验证了深度学习在牙周影像评估中的应用价值。针对临床实际需求，国内学者开展了口腔医师对AI辅助影像判读的需求调查，结果显示多数医师认可AI工具在提升阅片效率、降低漏诊率方面的价值，尤其在儿童口腔诊疗等专科场景中应用需求突出，从临床端印证了影像AI技术的转化潜力。

在诊疗方案规划与手术辅助领域，人工智能手术规划参考平台已应用于自体牙移植术的牙槽窝预备设计，通过术前影像的智能分析提升手术精准度，推动诊疗模式从经验驱动向数据驱动转变。

2.2.4 延伸应用场景

在教学领域，人工智能技术逐步融入牙周病学课程体系，通过智能病例分析、虚拟操作训练等形式，弥补传统教学病例资源不足、实操训练受限的短板，提升教学效率与学生临床思维能力。在门诊运营层面，人工智能可应用于口腔门诊耗材管理，通过需求预测优化库存配置，为牙周诊疗工作的高效开展提供后勤支撑。

然而，目前我国在人工智能牙周病学的临床转化方面仍存在诸多限制，多数研究仍停留在单中心验证阶段，多模态融合模型、可解释性算法的研发相对滞后，组学数据与AI的结合研究较少，技术向基层临床落地的路径尚未完全打通，制约了该领域的高质量发展。

3 文献评述

3.1研究成果概括

通过对国内外人工智能赋能牙周病学领域研究成果的梳理可以发现，尽管该领域的发展仍处于上升阶段，但已在多个方向取得了阶段性成果。

国际研究在理论体系与前沿技术上先行一步，构建了个性化牙周诊疗的理论框架，将人工智能的应用从单一的影像诊断拓展到病历管理、风险预测、早期筛查、患者自我管理与医学教育等全场景，率先探索了多组学数据融合、居家监测、公共卫生应用等前沿方向，同时在模型可解释性、数据隐私保护等临床转化关键问题上开展了前瞻性研究，为全球领域发展提供了理论与技术参考。

国内研究则紧密结合临床需求，重点推进了数字化诊疗工具的临床验证与落地应用，在Florida探针、CBCT、牙周内窥镜、3D扫描打印等技术的临床应用上积累了丰富的本土数据，同时在人工智能影像诊断、手术规划等方向完成了初步验证，形成了“数字化工具落地+AI技术探索”的发展路径。整体来看，人工智能与数字化技术已展现出突破传统牙周诊疗瓶颈的巨大潜力，是未来牙周病学向精准化、个性化、微创化发展的核心趋势。

3.2现存问题与挑战

当前人工智能与数字化技术在牙周病学的临床转化仍面临多方面的问题与挑战，亟待加以解决。

第一，数据与生物标志物层面存在短板。高质量、多中心的标注数据资源不足，现有研究多基于单中心、小样本数据集，数据标注标准不统一，人群代表性有限，导致AI模型的泛化能力不足，难以适配不同医疗机构的真实临床场景。同时，牙周病早期生物标志物的发现与验证仍有大量工作要做，牙周病由菌群生态失调而非单一病原体引发，个体异质性强，难以通过单一标志物实现精准早期诊断，也给自检试剂盒的开发带来了难度。

第二，技术本身存在局限。多数AI模型聚焦单一诊疗环节，多模态数据（临床、影像、生物标志物、组学）的深度融合研究仍较少，综合诊断与预测能力有待提升。深度学习模型普遍存在“黑箱”特性，决策过程缺乏可解释性，难以获得临床医师的充分信任，是制约技术临床落地的核心障碍之一。此外，多数数字化与AI工具尚未与现有临床工作流、电子病历系统深度整合，可能增加医师操作负担，临床适配性不足。

第三，监管、伦理与人才体系尚不健全。当前针对口腔领域人工智能产品的临床验证标准、审批流程仍待完善，医疗数据隐私保护、诊疗责任界定等伦理与法律问题尚未形成统一解决方案；数字化与AI技术的临床应用存在学习曲线，现有牙科教育体系尚未系统纳入相关内容，临床医师的技术应用能力有待提升。

第四，患者端与成本效益的挑战。个性化诊疗模式的推广需要患者的高度参与与依从性，但患者对新技术的接受度、自我管理的执行力仍存在差异；同时，新型数字化设备与AI工具往往成本较高，在基层机构的推广难度较大，成本效益仍需进一步验证。

3.3未来发展方向

为了推动我国人工智能赋能牙周病学领域的发展，需要从以下几个方面着手：

一是加强基础研究与数据建设，构建多中心、标准化的牙周疾病多模态数据库，统一数据采集与标注规范；深入开展牙周病生物标志物与致病机制研究，结合多组学技术挖掘早期诊断靶点，为AI模型提供更丰富的特征维度，揭示疾病内在规律。可借鉴联邦学习等技术方案，在保护数据隐私的前提下开展跨中心联合建模，破解数据孤岛难题。

二是强化核心技术研发，重点攻关多模态融合模型与可解释人工智能算法，提升模型的综合诊断能力与临床可信度；推动数字化工具与AI系统和现有临床工作流、电子病历系统的深度整合，降低临床使用门槛，提升技术的临床适配性。

三是加强跨学科合作与人才培养，促进口腔医学、人工智能、生物工程、信息工程等多领域的交叉融合；同时优化牙科教育体系，将数字化技术与人工智能相关内容纳入牙周病学教学体系，结合AR/VR模拟训练手段，培养兼具临床能力与数字素养的复合型人才。

四是完善行业规范与支撑体系，加快建立口腔AI产品的临床验证标准与审批规范，明确医疗责任界定；平衡数据利用与隐私保护，为技术合规落地提供制度保障；加大政策与资源投入，推动技术成果下沉基层，提升牙周诊疗同质化水平。

五是拓展应用场景，推动AI技术向预防端、患者端延伸，开发居家监测工具与患者宣教平台，提升患者自我管理能力与诊疗依从性；探索人工智能在公共卫生牙周病防控中的应用，推动诊疗模式从“治病”向“防病”转型。

参考文献：

1. [1] 吕春旭,葛少华.人工智能在牙周病学的应用现状与未来展望[J].华西口腔医学杂志,2025,43(05):620-627.
2. [2] 陈玮玉,刘红蕊.人工智能融入《牙周病学》教学的探究[J].创新教育研究,2024,12(12):261-267.
3. [3] 危伊萍,徐涛,胡文杰,等.欧洲牙周病学会牙周病诊断的当代与新兴技术共识解读[J].中华口腔医学杂志,2026,61(04):468-476.
4. [4] 李艺,汤振存,张文云,等.数字化技术在牙周病学临床诊疗与基础研究中的应用与进展[J].牙体牙髓牙周病学杂志,2024,29(04):230-239.
5. [5] 刘娇宏,张玲.人工智能技术在口腔门诊耗材管理中的应用进展[J].牙体牙髓牙周病学杂志,2025,30(08):481-486.
6. [6] 那颖旭,钱锟.人工智能在口腔医学诊断研究中的应用现状[J].中国口腔医学继续教育杂志,2025,28(05):337-344.
7. [7] 方文婧,成欣,李颂,等.数字化技术在牙体牙髓病诊断和治疗中的应用进展[J].牙体牙髓牙周病学杂志,2025,30(11):664-669.
8. [8] 牛群文,齐泽秋,贾京晨,等.人工智能手术规划参考平台辅助自体牙移植术牙槽窝预备[J].牙体牙髓牙周病学杂志,2025,30(04):209-214.
9. [9] 曾雪晴,樊华,夏斌,等.口腔医生对人工智能辅助判读儿童曲面断层片的需求调查[J].牙体牙髓牙周病学杂志,2024,29(06):332-336,340.
10. [10] 朱红标,刘强冬,戴芳,等.深度学习在口腔医学图像分析中的研究进展[J].中国实用口腔科杂志,2023,16(04):488-492.
11. [11] Pichika V, Büttner M, Schwendicke F. Artificial intelligence and personalized diagnosis in periodontology: A narrative review[J].Journal of clinical periodontology,2024,51(03):245-258.
12. [12] Lee J, Kim J, Park S, et al. Deep learning-based automated detection of periodontal bone loss from panoramic radiographs: A multi-center validation study[J]. Journal of clinical periodontology,2022,49(08):789-798.
13. [13] Alotaibi G, Awawdeh M, Farook F F, et al. Artificial intelligence diagnostic tools: Utilizing a convolutional neural network to assess periodontal bone level radiographically- a retrospective study[J].BMC oral health,2022,22(01):399.
14. [14] Bashir N Z, Rahman Z, Chen S L. Systematic comparison of machine learning algorithms to develop and validate predictive models for periodontitis[J].Journal of clinical periodontology,2022,49(10):958-969.
15. [15] Sorsa T, Gursoy U K, Nwhator S, et al. Analysis of matrix metalloproteinases, especially MMP-8, in gingival crevicular fluid, mouthrinse and saliva for monitoring periodontal diseases with AI-assisted point-of-care testing[J].Periodontology2000,2023,91(01):142-163.
16. [16] Schaumberg A J, Juarez-Nicanor W C, Choudhury S J, et al. Interpretable multimodal deep learning for periodontal disease diagnosis: Towards clinical trustworthiness[J].Journal of dental research,2023,102(07):789-797.
17. [17] Renge K, Kaur S, Sandhu S S. Augmented reality and virtual reality in periodontal education: A systematic review of simulation-based training systems[J].Journal of dental education,2024,88(03):345-356.
18. [18] Ma Y, Xie L, Yang B, et al. Three-dimensional bioprinting biotechnology for the regeneration of tooth and tooth-supporting tissues[J].Biotechnology and bioengineering,2019,116(02):452-468.
19. [19] Kaissis G A, Makowski M R, Rückert D, et al. Secure, privacy-preserving and federated machine learning in dental imaging: Applications in periodontal AI[J].Nature machine intelligence,2020,2(06):305-311.
20. [20] Schwendicke F, Samek W, Krois J. Artificial intelligence in dentistry: Chances and challenges for clinical translation[J].Journal of dental research,2020,99(07):769-774.
21. [21] Monsarrat P, Bernard D, Marty M, et al. Systemic periodontal risk score using machine learning: A real-world observational study[J]. Journal of personalized medicine,2022,12(02):217.
22. [22] Acosta J N, Falcone G J, Rajpurkar P, et al. Multimodal biomedical AI in periodontology: Integrating imaging, clinical and omics data[J].Nature medicine,2022,28(09):1773-1784.