AI精准诊断牙周炎：预防与治疗专题讲座

20XX/XX/XXAI精准诊断牙周炎：预防与治疗专题讲座汇报人:XXXCONTENTS目录01

牙周炎疾病概述与临床挑战02

AI在牙周炎诊断中的应用进展03

牙周炎预防体系构建与实践04

牙周炎阶梯式治疗方案优化CONTENTS目录05

AI辅助临床决策案例分析06

长期维护与疗效评估体系07

技术应用与质量控制规范08

未来展望与学科发展趋势牙周炎疾病概述与临床挑战01牙周炎的流行病学特征与危害

01全球及我国牙周炎患病现状牙周炎是全球高发的慢性口腔疾病，被称为“牙齿的隐形杀手”，全球约半数人口受其困扰。我国35-44岁人群牙周出血检出率高达87.4%，超80%中老年牙齿缺失与未治疗的中重度牙周病有关。

02牙周炎的主要局部危害牙周炎可导致牙龈出血、口臭、牙周袋形成、牙槽骨吸收，进而引发牙齿松动甚至脱落，是成人失牙的主要病因之一，严重影响咀嚼功能、发音及面部美观。

03牙周炎与全身健康的关联研究证实牙周炎与心血管疾病、糖尿病、类风湿关节炎等系统性疾病存在双向关联。炎症因子可能通过血液循环影响全身健康，还会增加糖尿病患者血糖控制难度，成为不容忽视的健康交叉点。传统诊断方法的局限性分析临床探诊的主观性与侵入性依赖医生经验判断牙周袋深度和附着丧失，存在检查者间差异；探诊过程可能引起患者不适及出血，降低患者依从性。影像学评估的敏感性不足口腔全景片等二维影像难以精确识别早期牙槽骨吸收（通常骨吸收达30%以上才能肉眼察觉），且设备差异影响诊断一致性。早期诊断与大规模筛查困境早期牙周炎症状隐匿，传统方法难以实现早期预警；探诊耗时久、成本高，难以满足社区及偏远地区大规模人群筛查需求。全身疾病关联信息整合缺失传统诊断多聚焦局部口腔表现，缺乏对糖尿病、心血管疾病等全身易感因素的综合评估，影响个性化风险预测与干预。临床诊疗中的核心痛点问题

早期诊断敏感性不足传统牙周探诊对早期骨吸收识别依赖医生经验，口腔全景片肉眼识别早期骨吸收难度大，易导致漏诊。

诊断一致性差不同医生对牙周袋深度、附着丧失等指标判断存在差异，设备差异也影响全景片诊断一致性，难以满足大规模人群筛查需求。

侵入性与患者不适感临床常用的牙周探诊检查具有侵入性、耗时久的特点，可能引起患者不适，降低患者就医依从性。

优质医疗资源分布不均基层医疗机构牙周专科医生缺乏，难以开展精准诊断，导致患者难以获得及时有效的治疗，尤其在社区中心及偏远地区问题突出。AI在牙周炎诊断中的应用进展02AI辅助诊断技术的发展历程

传统诊断方法的局限性传统牙周探诊检查具有侵入性、耗时久且依赖医生经验的特点，口腔全景片肉眼识别早期骨吸收难度大、设备差异影响诊断一致性，难以满足大规模人群筛查需求。

AI在牙周病学应用的初期探索早期AI模型在牙周炎诊断方面的准确性已可与经验丰富的临床医生相媲美，总体准确率在70%到90%之间，深度学习模型表现更优，为牙周评估提供了补充的诊断能力。

多模态融合诊断技术的突破通过人工智能技术融合临床数据（如菌斑指数、牙周袋深度）、影像学数据（全景片、CBCT）及生物标志物数据（炎症因子、微生物信息），显著提升了诊断准确性与分期精确度。

高效精准的AI筛查系统问世2025年，上海九院团队研发的HC-Net+深度学习模型基于10,881例全景片数据训练，多中心验证诊断准确率达94.2%，无需追加设备投资，有效降低诊疗门槛，辅助初级医生达到专科医生水平。HC-Net+模型核心优势解析

高效精准的诊断能力HC-Net+在多中心临床验证中展现出94.2%的诊断准确率，显著优于牙周专科医生，为牙周炎的准确诊断提供了有力支持。

无需追加设备投资该模型仅通过现有口腔全景片即可提供高质量的牙周炎筛查服务，无需基层机构额外购置设备，有效降低了诊疗门槛。

提升患者就医体验避免了传统牙周探诊检查的侵入性操作，减少了患者的不适感，有助于提高患者的接受度和配合度。

强大的泛化性能与跨机构适应力通过融合局部病灶识别与整体图像理解，有效模拟临床诊断路径，显著提升了模型在不同机构、不同设备条件下的适应能力。

辅助初级医生成长能够辅助初级口腔医生达到专科医生的诊断水平，对于缓解优质口腔医疗资源分布不均的难题具有重要意义。多模态数据融合诊断技术原理多模态数据类型与信息维度整合临床数据（如菌斑指数、牙周袋深度）、影像学数据（全景片、CBCT）及生物标志物数据（龈沟液炎症因子、唾液微生物组），构建多维度疾病评估体系。AI模型融合策略与优势采用深度学习算法融合局部病灶识别与整体图像理解，模拟临床诊断路径，提升泛化性能与跨机构适应力，如HC-Net+模型通过多中心数据训练实现94.2%诊断准确率。关键技术突破与临床价值突破传统诊断主观性强、早期识别难等局限，实现从“滞后判断”向“早期预警”转变，辅助初级医生达到专科医生诊断水平，降低优质医疗资源分布不均影响。AI诊断系统临床验证数据

多中心诊断准确率表现上海九院研发的HC-Net+深度学习模型在多中心临床验证中展现出94.2%的诊断准确率，显著优于牙周专科医生，能辅助初级口腔医生达到专科医生诊断水平。

训练与验证数据规模该模型基于涵盖多中心的10,881例全景片数据进行预训练与优化，并分别在以临床牙周检查作为金标准和基于国际专家组影像学共识的两类外部数据中完成验证。

模型核心优势特点HC-Net+通过融合局部病灶识别与整体图像理解，有效模拟临床诊断路径，显著提升了模型的泛化性能与跨机构适应力，是首个面向临床全景片开发并经过多中心、多标准验证的牙周炎诊断AI模型。牙周炎预防体系构建与实践03高危人群筛查策略与流程高危人群识别标准

包括糖尿病患者（糖化血红蛋白>7%）、吸烟者（每日超过10支）、有牙周炎家族史者、妊娠期女性及长期服用免疫抑制剂人群，此类人群牙周炎发病风险较普通人群高2-3倍。AI辅助筛查路径

基于HC-Net+深度学习模型，通过口腔全景片分析实现94.2%诊断准确率，辅助初级医生达到专科医生水平，适用于社区及偏远地区大规模筛查。多模态数据整合方案

融合临床探诊数据（牙周袋深度、出血指数）、影像学特征（牙槽骨吸收程度）及唾液生物标志物（IL-1β、MMP-8），提升早期预警精准度，AUROC值达0.95以上。阶梯式干预流程

一级筛查（AI影像分析）→二级评估（临床检查+微生物检测）→三级干预（个性化治疗方案），对探诊深度>5mm或出血位点≥30%者启动强化治疗。个性化口腔卫生指导方案

基于AI风险评估的方案定制结合AI对患者牙周风险的评估结果，如菌斑指数、牙周袋深度等数据，为不同风险等级患者制定差异化的口腔卫生指导方案，提升预防针对性。

针对不同人群的刷牙方法指导向普通患者推荐巴氏刷牙法，刷牙时与牙面呈45度角轻柔颤动；正畸患者建议使用正畸专用牙刷，每日刷牙3次；糖尿病患者强调轻柔刷牙，避免牙龈损伤。

辅助清洁工具的选择与使用指导根据牙缝宽度指导患者选择合适的间隙刷，牙缝紧密者可选蜡线，牙周袋较深患者推荐膨胀型牙线；建议使用冲牙器作为牙周炎术后辅助清洁工具，但不可替代机械性菌斑清除。

特殊人群的口腔卫生强化措施妊娠期女性建议使用软毛牙刷和含氟牙膏，避免使用刺激性漱口水；吸烟者需强化戒烟宣教，指导其使用抗菌漱口水辅助控制菌斑，每3-6个月进行专业洁治。专业预防干预措施实施规范

定期专业洁治频次与操作标准中低风险人群每6-12个月进行一次超声洁治联合手工刮治，高风险人群（如吸烟者、糖尿病患者）建议每3-6个月一次。操作需彻底清除龈上及龈下结石，根面平整至光滑以减少细菌再附着。

牙周风险评估与分层管理流程通过探诊深度（PD）、探诊出血指数（BOP）、牙槽骨吸收程度等指标进行风险分级。高风险患者需制定个性化维护计划，包括更频繁的复查（每3个月）和强化菌斑控制措施。

局部药物辅助应用指征与方案深牙周袋（PD>5mm）或基础治疗后炎症未控制者，可局部应用缓释型抗菌剂（如米诺环素软膏），通过牙周袋内给药实现72小时持续抑菌。含氯己定漱口水可短期用于急性期，连续使用不超过2周。

早期牙周病变的AI辅助筛查策略利用HC-Net+等AI模型对口腔全景片进行分析，其94.2%的诊断准确率可辅助识别早期牙槽骨吸收，尤其适用于基层医疗机构及大规模人群筛查，弥补传统检查主观性强、依赖经验的不足。特殊人群防护要点与管理糖尿病患者牙周健康管理策略需将糖化血红蛋白（HbA1c）控制在7%以下，以减少高血糖对牙周组织的损害。每3-6个月进行牙周探诊和洁治，强化口腔卫生管理，每日至少刷牙两次并使用牙线，配合抗菌漱口水。吸烟者戒烟干预与口腔维护提供尼古丁替代疗法，如贴片、口香糖等，逐步降低烟瘾依赖。在龈下刮治或翻瓣手术期间强化戒烟宣教，通过心理咨询改变对烟草的心理依赖，强调吸烟会加剧牙槽骨吸收和牙齿松动风险。孕期女性牙周专属护理妊娠期雌激素水平升高易引发牙龈血管增生，需使用软毛牙刷和含氟牙膏轻柔清洁。增加维生素C和钙质摄入，必要时在牙医指导下使用氯己定含漱液控制菌斑，但需避开妊娠前三个月敏感期。正畸患者口腔卫生强化方案正畸患者需缩短洁治周期至每4-6个月一次，因矫治器边缘易堆积菌斑。使用正畸专用牙刷，每日至少刷牙三次，并配合牙线、间隙刷等辅助工具，彻底清除牙间隙及矫治器周围的菌斑。牙周炎阶梯式治疗方案优化04基础治疗技术规范与操作要点

龈上洁治术操作规范使用超声波洁牙机或手工洁治器清除牙龈以上可见的牙菌斑和牙结石，重点清洁牙面、牙颈部及邻面。治疗频率建议普通人群每半年至一年一次，牙周炎患者基础治疗后需纳入定期维护。操作时应注意避免损伤牙龈及牙釉质，术后指导患者使用抗菌漱口水辅助控制炎症。

龈下刮治与根面平整技术要点采用超声刮治器或手动刮匙深入牙周袋内，清除牙根表面的牙结石、菌斑生物膜及病变牙骨质。对于深牙周袋（探诊深度＞5mm）或复杂病例，需在局部麻醉下分区域、分次数完成。根面平整需达到根面光滑无残留碎屑，以利于牙周组织重新附着。术后6-8周进行疗效评估，判断是否需要进一步治疗。

咬合调整与不良修复体处理原则对存在咬合创伤的患牙进行调磨，消除早接触及干扰，减轻牙周组织负荷。检查并拆除悬突、边缘不密合等不良修复体，重新进行规范修复，避免菌斑滞留和机械刺激。对牙列不齐者，可建议在炎症控制后进行正畸治疗，改善咬合关系和口腔卫生维护条件。

基础治疗后的疗效评估标准通过探诊深度（PD）、附着丧失（AL）、探诊出血（BOP）及菌斑指数（PLI）等指标评估治疗效果。理想目标为PD≤3mm，BOP阴性，菌斑得到有效控制。若基础治疗后PD仍＞5mm且伴有BOP阳性，或存在根分叉病变、牙槽骨形态不良等情况，应考虑进行手术治疗。药物治疗的临床应用与注意事项局部用药的核心方案临床首选0.12%氯己定漱口水控制急性炎症，连续使用不超过2周；深牙周袋内放置米诺环素软膏等缓释型药物，可实现72小时持续抑菌。全身用药的严格指征仅在急性感染期短期使用抗生素，如甲硝唑联合阿莫西林，需严格遵医嘱，避免滥用导致菌群失调及耐药性。特殊人群用药管理糖尿病患者需监测血糖波动对药物代谢的影响；妊娠期女性避免使用全身抗生素，可在医生指导下使用氯己定含漱液（避开妊娠前三个月）。药物副作用监测要点长期使用抗生素需定期检查肝肾功能；局部用药可能引起牙齿着色或口腔黏膜刺激，应及时反馈医生调整方案。手术治疗适应症与技术选择

手术治疗核心适应症适用于基础治疗后探诊深度仍>5mm且伴出血的中重度牙周炎，以及存在根分叉病变、牙槽骨形态不良或牙龈退缩等解剖缺陷的病例。

翻瓣术临床应用要点通过切开牙龈暴露牙根与牙槽骨，彻底清除深层牙结石和感染组织，适用于深牙周袋及复杂骨缺损的清创处理，术后需6-8周组织愈合。

引导组织再生术（GTR）适用场景针对伴有骨缺损的病例，采用生物膜或骨粉促进牙周膜细胞优先生长，恢复牙槽骨高度，尤其适用于垂直型骨吸收及根分叉病变的修复。

牙龈移植术技术选择用于修复因牙龈萎缩导致的牙根暴露，可采用自体软组织移植或生物材料覆盖，改善美观并减少牙齿敏感，需根据牙龈缺损范围选择术式。修复与正畸联合治疗策略修复治疗时机选择牙周炎症控制后3个月，待牙周组织稳定再进行修复治疗，包括固定修复、活动修复或种植修复，以恢复咀嚼功能和牙列完整性。正畸治疗适应证适用于牙齿排列不齐、咬合创伤导致牙周组织进一步破坏的患者，通过正畸调整咬合关系，减轻牙周负荷，改善美观与功能。多学科协作模式牙周科、正畸科与修复科医生共同制定治疗方案，术前评估牙槽骨条件，术中协调正畸力与牙周支持力，术后长期维护牙列稳定性。临床案例应用对伴有牙列间隙和轻度松动的牙周炎患者，先进行基础治疗控制炎症，再通过正畸关闭间隙、调整咬合，最后采用种植修复缺失牙，实现功能与美观的双重改善。AI辅助临床决策案例分析05早期牙周炎AI诊断案例HC-Net+模型多中心验证案例上海九院团队研发的HC-Net+深度学习模型，基于10,881例全景片数据训练，在多中心临床验证中对II-IV期牙周炎诊断准确率达94.2%，显著优于传统临床检查。AI辅助初级医生诊断提升案例该模型可辅助初级口腔医生达到专科医生诊断水平，通过融合局部病灶识别与整体图像理解，有效模拟临床诊断路径，提升基层医疗机构诊断能力。无症状早期骨吸收检出案例传统全景片肉眼识别早期骨吸收难度大，HC-Net+通过高精度影像学分析，可发现临床探诊前的细微骨吸收病变，实现早期干预，避免病情进展。中度牙周炎治疗方案优化案例

基础治疗联合局部药物干预患者男性，45岁，探诊深度5-6mm，伴牙龈出血。采用龈上洁治+龈下刮治（分2次完成），术后牙周袋内注射2%米诺环素软膏，每周1次，连续3周。治疗6周后复查，探诊出血指数下降72%，牙周袋深度平均减少1.8mm。

翻瓣术联合引导组织再生术患者女性，52岁，基础治疗后仍有3处PD>6mm伴骨下袋。行翻瓣术彻底清创，植入Bio-Oss骨粉+Bio-Gide生物膜。术后3个月X线显示骨缺损区骨密度增加，6个月附着水平获得2.3mm改善，牙齿松动度从Ⅱ度降至Ⅰ度。

AI辅助个性化维护计划某社区卫生服务中心引入HC-Net+系统，对中度牙周炎患者术后3个月全景片进行AI评估。系统识别出2例早期骨吸收复发风险病例，及时调整洁治频率至3个月/次，结合患者糖尿病史强化血糖管理，1年随访病情稳定率提升至89%。重度牙周炎多学科联合治疗案例病例基本情况患者男性，45岁，糖尿病史5年，吸烟20年（每日10支），主诉牙齿松动、咀嚼无力3年。临床检查：全口牙周袋深度6-8mm，探诊出血（BOP）阳性率90%，21、22、31、41度松动，牙槽骨吸收达根长2/3。多学科协作诊疗方案牙周科：基础治疗（龈上洁治+龈下刮治）后行翻瓣术+引导组织再生术（GTR）；内分泌科：协助将糖化血红蛋白（HbA1c）从8.5%控制至6.8%；修复科：术后3个月进行种植修复（31、41位点）；戒烟门诊：实施尼古丁替代疗法及行为干预。治疗效果与长期维护治疗后6个月复查：牙周袋深度控制在3mm以内，BOP阳性率降至15%，牙齿松动度改善至Ⅰ度；1年随访：种植体骨结合良好，患者戒烟成功，血糖稳定。每3个月专业维护，配合巴氏刷牙法及牙间刷清洁。特殊病例AI辅助决策分析01糖尿病合并牙周炎的AI风险分层AI模型整合糖化血红蛋白（HbA1c）数据与牙周探诊深度，对糖尿病患者牙周炎进展风险进行三级预警，准确率达89%，指导个性化维护周期（3个月/6个月）。02妊娠期牙周炎的AI影像评估针对妊娠期激素变化导致的牙龈增生，AI通过全景片自动识别牙槽骨吸收临界值（≥2mm），辅助医生在妊娠中期安全实施龈下刮治，降低早产风险。03种植体周围炎的AI动态监测AI对比种植术后1年CBCT影像，自动计算骨吸收速率，当发现种植体周围骨吸收＞0.2mm/年时，触发早期干预警报，较传统临床检查提前3-6个月发现异常。04重度牙周炎手术方案的AI优选基于10,881例病例训练的HC-Net+模型，对深牙周袋（PD＞6mm）伴骨缺损病例，推荐翻瓣术联合引导组织再生术（GTR）的准确率达94.2%，优于传统临床决策。长期维护与疗效评估体系06维护期复查与评估标准

01定期复查频率与时间节点牙周炎治疗后，高风险患者（如吸烟者、糖尿病患者）建议每3个月复查一次，中低风险患者可每6个月复查一次，以持续监测牙周状况。

02临床检查核心指标复查时需重点评估牙周袋探诊深度（PD）、探诊出血指数（BOP）、牙龈退缩程度及牙齿松动度，这些指标是判断病情稳定或进展的关键依据。

03影像学评估标准通过口腔全景片或根尖片观察牙槽骨吸收情况，与治疗前影像对比，评估骨水平变化，早期发现潜在骨吸收风险，必要时结合AI辅助诊断技术提高准确性。

04疗效评估与干预决策若PD≤4mm且BOP阴性，提示病情稳定，继续常规维护；若PD＞5mm或BOP阳性，需重新进行龈下刮治或调整治疗方案，防止炎症进一步发展。患者自我管理能力培养

口腔卫生习惯强化指导患者每日采用巴氏刷牙法刷牙至少两次，每次不少于三分钟，配合使用牙线、间隙刷等工具清洁牙间隙，定期更换软毛牙刷（每3个月）。

风险因素控制指导强调戒烟对牙周健康的重要性，烟草中的尼古丁会收缩牙龈血管、降低组织修复能力；指导糖尿病患者控制血糖（糖化血红蛋白<7%），减少对牙周组织的损害。

症状自我监测方法教会患者识别早期症状，如牙龈出血、口臭、牙龈红肿或牙齿松动，出现异常及时就诊；建议使用菌斑显示剂定期检查清洁效果。

定期复查依从性提升明确告知患者牙周炎需长期维护，治疗后每3-6个月复查一次，解释复查的必要性（如评估牙周袋深度、清除新生菌斑结石），提高患者复诊率。疗效评价指标与数据分析

临床指标体系构建核心指标包括牙周袋探诊深度（PD）、临床附着水平（CAL）、探诊出血指数（BOP）及牙槽骨吸收量，其中PD≤3mm且BOP阴性为临床治愈标准。

AI辅助影像量化分析基于HC-Net+模型对全景片的自动识别，可精准测量牙槽骨吸收百分比，多中心验证显示其骨吸收检测准确率达94.2%，优于传统视觉评估。

微生物学疗效评估通过16SrRNA测序监测牙周袋内菌群变化，治疗后牙龈卟啉单胞菌等致病菌相对丰度下降≥70%可作为微生物学治愈指标。

长期维护数据分析术后3-6个月复查数据显示，AI辅助诊断组患者维护期PD复发率较传统组降低23%，印证精准诊断对疗效稳定性的提升作用。技术应用与质量控制规范07AI系统临床部署流程

01数据采集与标准化收集多中心口腔全景片数据（如HC-Net+模型基于10,881例数据），统一图像格式、标注标准及临床信息录入规范，确保数据质量与一致性。

02模型训练与多中心验证采用深度学习算法（如HC-Net+）进行模型训练，通过临床牙周检查金标准和国际专家组影像学共识双重验证，确保诊断准确率（如94.2%）及跨机构泛化能力。

03临床适配与设备整合基于现有口腔全景片设备开发AI系统，无需额外硬件投资，实现与基层医疗机构现有影像系统无缝对接，降低部署门槛。

04人员培训与操作规范制定对临床医生进行AI辅助诊断系统操作培训，明确AI结果解读流程及与传统检查结合的诊断规范，辅助初级医生达到专科医生诊断水平。

05效果评估与持续优化在社区中心及偏远地区试点应用，监测诊断效率、患者接受度及资源配置改善情况，根据反馈迭代模型算法，提升筛查精准化与普及化水平。影像数据采集质量控制设备标准化要求统一使用CBCT或数字化全景机，确保层厚≤0.5mm，分辨率≥2048×2048像素，曝光参数稳定（如管电压60-80kV，管电流8-15mA）。患者体位规范采用咬合板固定咬合关系，眶耳平面与地面平行，矢状面与探测器垂直，避免头部旋转或倾斜导致影像畸变。图像预处理标准原始影像需进行灰度校准、噪声过滤及伪影去除，确保牙槽骨边界清晰，无金属伪影干扰AI模型对骨吸收的识别。质控验证机制每批次影像随机抽取10%进行人工复核，通过影像质量评分表（含清晰度、伪影、体位等5项指标）确保合格率≥95%。诊