人工智能在口腔医学中的应用专家共识

人工智能在口腔医学中的应用专家共识近年来，人工智能（ArtificialIntelligence,AI）技术依托深度学习、多模态分析等核心技术，在口腔医学领域快速崛起并实现广泛应用，覆盖疾病筛查、辅助诊断、治疗规划、预后预测及医学教育等全流程，显著提升了口腔诊疗的精准性、效率与规范化水平。同时，口腔医学具备诊疗依赖多源影像数据、临床决策链路闭环完整、个性化器械数字化制造成熟等独特优势，为AI技术的场景化落地提供了天然条件。然而，当前口腔AI应用仍面临数据规范不统一、模型可解释性不足、隐私安全风险突出及临床验证与监管体系不完善等问题，导致不同机构在研发、验证和使用层面存在显著差异。为规范人工智能在口腔医学领域的合理应用，推动技术与临床诊疗、科研教学的深度融合，保障医疗质量与患者安全，促进口腔AI产业的规范化、安全化与可持续发展，由北京大学口腔医学院牵头，联合多家院校共同制订本共识。本共识制订启动于2025年4月21日，经过4次研讨及修订，于2025年10月15日终版定稿，旨在为医疗机构、临床工作者、科研人员及产业界提供科学、可行的技术指引与应用规范，明确口腔AI的学科特性、应用边界、伦理要求及发展方向，最终实现智能技术与口腔医学高质量发展的深度融合。一、共识制订背景与目的1.1制订背景随着数字医疗、AI医疗器械与真实世界证据体系建设的推进，AI技术在口腔医学各亚专科的应用场景不断丰富，从龋病、牙周病等常见疾病的早期筛查，到正畸、种植的个性化方案设计，再到口腔黏膜病、颌面创伤的精准诊疗，均展现出显著的技术优势。但与此同时，行业内缺乏统一的应用标准与规范，数据采集与标注无统一准则、模型临床验证流程不规范、算法可解释性不足、患者隐私保护机制不完善等问题，制约了口腔AI技术的规模化、标准化应用，也带来了潜在的医疗风险。在此背景下，建立覆盖口腔医学专科特性、技术发展趋势与临床应用场景的统一专家共识，成为推进口腔AI规范化发展的迫切需求。1.2制订目的本共识的核心目的包括：明确口腔AI的学科特性与总体应用架构；提供数据治理、平台建设、技术路径与场景落地的实践建议；提出伦理安全、隐私保护与监管要求；指导医疗机构、科研团队与产业界形成统一、可操作、可评估的应用标准；促进口腔AI的规范使用与可控迭代，推动技术创新与临床需求的精准对接，最终提升口腔医疗服务质量，保障患者权益。二、人工智能在口腔医学中的核心应用领域与规范人工智能在口腔医学中的应用需遵循“技术赋能、临床导向、安全优先、规范有序”的原则，结合各亚专科诊疗特点，聚焦核心场景，明确应用规范，确保技术服务于临床诊疗需求。2.1口腔影像与辅助诊断口腔影像（锥形束CT、口内扫描图像、全景片、头颅侧位片等）是AI应用最成熟的领域，核心在于通过图像识别与分析，提升诊断的精准度与效率，降低漏诊、误诊风险。在龋病诊断中，AI可自动识别牙齿表面脱矿区域、龋洞形态及累及深度，尤其对传统肉眼难以发现的邻面龋具有较高识别能力，部分AI系统对早期邻面龋的识别灵敏度可达91%，显著高于传统医生阅片水平（约75%），同时可区分需充填的龋洞与可再矿化的早期脱矿，减少过度治疗。在牙体牙髓病诊疗中，AI结合CBCT影像可精准分析根尖周低密度影范围、根管形态（如弯曲根管、C形根管），辅助区分可复性与不可复性牙髓炎，评估根尖周炎炎症程度，部分系统对弯曲根管的识别准确率达93%，提升根管治疗成功率。在头颅侧位片分析中，AI可自动定位头影测量标志点，实现错𬌗畸形的智能筛查与分型，减少人工标注误差，节省影像分析时间，但需注意标志点自动定位可能存在误差，临床使用中需经医师复核，严禁直接将AI分析结果作为诊断依据。在口腔黏膜病与颌面肿瘤筛查中，AI通过内镜图像、病理切片分析，可识别黏膜白斑、红斑的异常纹理及溃疡边缘不规则性，区分癌前病变与早期口腔癌，量化肿瘤浸润深度，部分系统对口腔黏膜白斑的恶性转化风险预测准确率达89%，显著提升早期检出率与患者生存率。应用规范：AI辅助诊断系统需经严格临床验证，明确其灵敏度、特异度等核心性能指标；临床使用中必须遵循“AI初判+医师复核”双重审查机制，医师对AI结论需同步追踪并签名确认；严禁将未通过临床验证、未获得医疗器械注册资质的AI系统用于临床诊断。2.2正畸治疗中的应用AI技术推动正畸治疗向“数字化、个性化、精准化”转型，覆盖错𬌗畸形筛查、治疗方案设计、矫治效果预测及过程监控全流程。在错𬌗畸形筛查中，AI通过口内扫描图像、面部照片及头颅侧位片，可自动测量牙齿拥挤度、覆合覆盖、颌骨关系，对青少年错𬌗畸形进行早期筛查，预测生长发育趋势，部分儿童早期正畸AI筛查工具的准确率达88%，显著高于传统目测水平（约65%），可推动干预时间提前至替牙期，降低成年后复杂正畸的概率。在治疗方案设计中，AI结合牙齿三维模型、牙周组织数据，模拟牙齿移动的生物力学过程，优化隐形矫治器的附件设计与更换周期，减少方案修改次数，部分系统可使方案修改次数从传统的3-5次减少至1-2次，提升患者满意度。应用规范：AI正畸方案需结合患者个体情况（如牙周健康状况、颌骨生长发育特点），由正畸医师进行个性化调整与确认；AI预测的矫治效果仅作为参考，医师需全程监控矫治过程，及时调整方案；隐形矫治器的智能化设计需符合口腔解剖结构与生物力学原则，确保矫治安全有效。2.3口腔种植中的应用口腔种植对精度要求极高，AI技术通过术前规划、术中导航，有效提升种植手术的安全性与精准度，降低手术风险，尤其适用于解剖结构复杂的种植场景。在术前规划中，AI通过CBCT重建牙槽骨三维结构，自动测量骨量（高度、宽度）、骨质密度，评估种植位点与邻牙、下颌神经管、上颌窦等关键结构的距离，推荐最佳种植体直径、长度及植入角度，对骨量不足者自动提示植骨必要性或短种植体替代方案，部分系统对下颌后牙区种植的安全距离预测准确率达96%，显著降低神经损伤风险。在术中导航中，AI将术前规划方案与术中实时影像融合，实时显示种植体当前位置与计划位置的偏差，当偏差超过安全阈值（如0.5mm）时自动预警，辅助医师调整植入方向，部分系统可将种植体位置偏差控制在0.3mm以内，提升骨结合成功率，缩短愈合时间。应用规范：AI种植规划需经种植医师复核，结合患者口腔局部条件与全身健康状况调整方案；术中需严格遵循AI导航提示，同时结合医师临床经验，确保种植体植入精准；术后需按照常规流程进行护理与随访，监测骨结合情况。2.4牙周病与颌面外科中的应用在牙周病诊疗中，AI结合牙周探诊数据、CBCT影像，可量化评估牙周袋深度、附着丧失、骨吸收程度，对牙周炎进行分级，预测疾病进展风险，辅助制定个性化治疗与维护方案，实现牙周病的精准管理与动态监测。在颌面外科中，AI通过CBCT、MRI重建颌骨、面神经、血管的三维关系，对颌骨骨折自动标记骨折线走向、错位程度，规划最佳复位路径；对腮腺肿瘤等疾病，自动分割肿瘤边界与安全切除范围，标记面神经分支，降低手术损伤风险，部分系统对面神经分支的标记准确率达93%，显著降低术后面瘫发生率。应用规范：AI对牙周病的分级与进展预测需结合临床症状、实验室检查结果，由牙周医师确认；颌面外科AI手术规划需充分考虑解剖结构变异，术中需实时监测，灵活调整手术方案，确保手术安全。2.5科研与医学教育中的应用在科研领域，AI可高效整合分析多源临床数据、组学数据，在生物材料研发、药物筛选、实验自动化中发挥重要作用，加速基础研究成果向临床转化；同时，AI可辅助开展大样本研究，挖掘疾病发病规律、治疗效果影响因素，提升科研效率与研究质量。在医学教育领域，AI可构建虚拟仿真口腔诊疗场景，模拟临床操作流程，为口腔医学生、年轻医师提供规范化培训，提升操作技能；同时，AI可结合病例库，实现个性化教学，辅助医师掌握AI技术的临床应用方法，推动人才培养与技术普及。应用规范：科研用AI模型需确保数据来源合法、标注规范，研究结果需经严格验证；医学教育用AI仿真系统需符合临床诊疗规范，确保培训内容的科学性与实用性。三、数据治理与安全规范数据是口腔AI发展的核心基础，规范的数据治理、严格的隐私保护与安全管控，是保障口腔AI技术可靠应用的前提，需建立覆盖数据全生命周期的管理体系。3.1数据标准化与质量控制需制订覆盖口腔医学多模态数据（影像数据、临床文本数据、病理数据等）的统一采集、标注与审核规范。明确影像数据（如CBCT、口内扫描）的采集参数、分辨率要求，临床文本数据的结构化录入标准，以及病理数据的数字化采集流程；建立专业化的数据标注团队，由口腔医学专家、数据工程师共同参与，制订详细的标注指南和质量控制流程，对龋齿识别、牙周病分级、种植体定位等关键标注项目建立专家复核机制；在国家层面，逐步建设统一标准的数据集与样本资源库，遵循“统一标准、分级建设、互联共享”的原则，整合多中心临床数据资源，支持模型评估、技术验证及注册审批流程。3.2数据共享与隐私保护在保障患者隐私的前提下，推动构建统一的数据共享平台，结合数据分级分类与权限控制，支持跨机构数据调阅与模型训练；探索数据资产确权、信用积分激励与科研成果挂钩机制，提高医院和医师参与数据共享的意愿。技术上部署联邦学习、安全多方计算、差分隐私等隐私保护机制，管理上建立共享记录与审计制度，确保共享行为可追溯、可管控。同时，严格遵循数据最小化和知情同意原则，患者应清楚知悉数据用途并可随时撤回授权，通过加密传输、分层脱敏、定期审计等方式，防止数据泄露与滥用，构建覆盖数据采集、脱敏、传输、使用、销毁全生命周期的隐私保护体系。3.3算法透明与持续监管鼓励在AI模型开发阶段建立完整的研发日志，包括训练数据来源、预处理方法、模型结构与参数配置等关键信息，支持算法审计与责任追溯；实施“白盒化”管理，建立标准化的模型档案制度，包含数据溯源信息、特征工程方法、超参数设置等关键要素。临床部署后，实施动态评估机制，持续监测算法在真实世界场景中的表现；推动由“临床—工程—伦理”多方组成的独立评估机构，开展上市前与上市后的第三方验证，确保模型在不同人群与环境下的公平性与可靠性。针对预后预测模型，需重点关注其校准度与可解释性，确保模型输出结果的准确与公平，赢得临床医师与患者的信任。四、伦理原则与责任界定口腔AI的应用需坚守医学伦理底线，明确责任主体，平衡技术创新与患者权益保护，构建“人机协同、责任可追溯”的伦理体系。4.1核心伦理原则一是人机对齐法则，遵循WHO《AI健康伦理治理》框架，以患者安全为最高原则，系统设计阶段即嵌入约束机制，临床使用中严格执行“AI初判+医师复核”双重审查制度，医师对AI结论承担最终审核责任。二是隐私保护与数据伦理，严格遵守医疗数据相关法律法规，坚持数据最小化和知情同意原则，保障患者对自身数据的知情权、控制权与撤回权。三是公平公正与透明，识别并修正训练数据中的隐性偏见，定期开展基于人群亚组的性能评估，通过重加权和阈值平衡提升跨群体一致性，在模型评估与发布阶段公开核心性能指标及群体差异指标，增强AI决策的透明度与可解释性。四是无害性原则，AI技术的应用需避免对患者造成生理、心理伤害，严禁过度依赖AI而忽视临床医师的主导作用，杜绝因技术缺陷、操作不当导致的医疗风险。4.2责任主体界定明确AI参与临床决策时的“开发者—医疗机构—临床医师”三级责任体系：开发者对算法质量、标签准确性及系统安全性承担先行责任，需确保产品通过临床验证、符合相关标准；医疗机构负责AI系统的合规部署、人员培训与持续监测，建立风险防控机制，及时处理技术故障与安全隐患；临床医师作为最终诊疗决策者，对AI辅助诊断结果、治疗方案进行复核确认，承担最终诊疗责任。若AI在说明书范围内正确使用仍致损害，由制造商承担缺陷责任；若医师忽视复核义务，需承担过失责任并纳入院内风险防控流程。五、面临的挑战与发展建议5.1主要挑战当前口腔AI应用面临四大核心挑战：一是数据异质性与高质量标注难题，不同医院的影像采集协议、设备、分辨率及标注粒度差异显著，高质量标注依赖经验丰富的口腔医师，耗时耗力且缺乏统一质控流程与激励机制，限制了标准化数据集的构建与共享，影响模型泛化能力。二是模型可解释性与临床可信度不足，深度学习模型多为“黑箱”模型，决策过程难以解释，尤其在预后预测等场景中，难以赢得临床医师与患者的充分信任。三是临床验证与监管体系不完善，市面多数口腔AI产品未获得正式的三类医疗器械注册资质，缺乏统一的临床验证标准与监管流程，部分产品盲目投入临床使用，存在安全隐患。四是人才缺口较大，缺乏既掌握口腔医学专业知识，又熟悉AI技术的复合型人才，制约了技术研发、临床应用与规范化管理的推进。5.2发展建议针对上述挑战，提出以下发展建议：一是加强多中心协作，推动口腔医学多模态数据标准化建设，建立统一的标注规范与质控体系，构建国家级口腔AI数据集与样本资源库，促进数据共享与高效利用。二是强化模型研发与验证，聚焦临床需求，提升模型的可解释性、泛化能力与可靠性，推动“白盒化”模型研发，建立标准化的临床验证流程，加快AI产品的医疗器械注册进程。三是完善监管体系，明确口腔AI产品的分类监管标准，建立上市前审查、上市后监测与召回机制，加强对AI产品临床应用的动态监管，规范市场秩序。四是加强人才培养，高校、医疗机构与企业协同，开设口腔AI相关课程，开展复合型人才培训，培养兼具口腔医学与AI技术能力的专业人才。五是推动产学研用深度融合，鼓励医疗机构、科研机构与企业合作，聚焦临床痛点，开展技术创新与成果转化，推动口腔AI技术向精准化、智能化、规范化方向发展，更好地服务于口腔医疗事业高质量发展与全民口腔健康需求。六、共识结语人工智能技术为口腔医学的发展注入了新的活