數字化和人工智能技術在口腔醫學中的應用進展

[摘要]"隨著中國計算機技術行業不斷發展，醫療行業經歷從信息化到數字化、再到智能化的發展歷程。人工智能的發展促使各種口腔診療算法和模型相繼出現，人工智能系統可輔助醫生的診斷和治療工作，提高診療效率和準確性。這給口腔正畸、修復、頜面、牙體牙髓等亞學科的發展及口腔教學活動帶來技術和效益方面的突破性進展。本文結合近年來國內外數字化技術在口腔醫學中的研究和應用，從數字化和人工智能技術在口腔臨床實踐中的影像判斷、疾病診斷、疾病治療和口腔教學等方面闡述數字化口腔的發展與實踐，為未來口腔醫學的臨床發展提供參考。

[關鍵詞]"數字化；人工智能；口腔醫學

[中圖分類號]"R78""""""[文獻標識碼]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.31.029

近年來，數字化和人工智能技術逐漸從科研階段轉向應用階段，醫療領域成為數字化應用集中的場景之一。人工智能已成功應用于腫瘤病理、心血管疾病、內分泌疾病、皮膚病等的臨床診斷和治療干預中，對提高診斷和治療效率發揮不可替代的作用。人工智能的引入優化口腔各亞學科相關疾病的預測、診斷和治療流程，將口腔教學水平提升到更高層次[1]。本文介紹近年來數字化技術和人工智能技術在口腔醫學中的研究進展，提出優化建議，為口腔行業相關理論研究與臨床應用提供參考。

1""口腔正畸

1.1nbsp;"3D牙列模型

既往臨床實踐中，醫生通過制作模型了解患者的牙齒數據，準確率較低。醫生應用牙列模型診斷排牙時需破壞性鋸開石膏模型，逐個手工排列，既煩瑣又耗時，且不同方案難以反復比較。目前，有模型掃描和口內掃描2種數字三維模型采集方式，后者因具有方便、快捷的特點而被更廣泛地應用，如3Shape、Implant3D"CAD/CAM等系統已在國內臨床實踐中推廣應用，所獲得的三維數字牙齒模型可通過牙齒分割、移動和重排模擬治療結果，指導矯治器設計。然而，患者牙齒變異大、錯位擁擠、口腔內掃描時倒凹區掃描困難等因素可給牙齒圖像分割帶來困難。人工干預程序在一定程度上可導致牙齒分割效率降低。人工智能算法的引入給牙齒分割帶來便利。Liao等[2]采用諧波場理論檢測分區邊界，通用網格分割方法，提出一種新穎的牙齒分割框架，大量數據表明該方法能自動分割高質量牙齒，具有高魯棒性和高效率。相比傳統制取印模技術，口內掃描技術可避免氣泡出現、患者因印模材料所致惡心嘔吐、印模材料變形等問題，其還能記錄患者的牙齒和牙齦顏色，減少椅旁操作時間[3]。但口內掃描頭體積普遍較大，易引起患者不適，掃描頭堅硬觸碰牙齦引起疼痛，且第二磨牙和第三磨牙的掃描易出現掃描不全。另外，設備可因唾液和反光而導致掃描不清晰。

1.2""頜骨標志點和模型

頜骨的標志點定位是對顱頜面軟硬組織進行畸形分類的基礎。隨著X線片的普及應用，以往用硫酸紙描記標志點轉變成為現在的數字化頭影測量軟件定位定點，從而解決傳統手動定位可重復性不足、花費時間長的問題。有學者研究應用仿射變換基于模板匹配的頭顱側位片標志點自動識別的方法[4]；有學者應用經典機器學習方法和卷積神經網絡對二維影像自動定位標志點。經研究比對發現，卷積神經網絡的定位標志點效果更好，基于卷積神經網絡算法的自動定點技術可將準確率提高至80.40%～"88.43%[3]。不同患者的標志點在外形上可能存在差異，影響機器學習算法自動檢測定點的精確度。另外，口腔內的各種修復材料如種植體、活動義齒、樹脂等可能產生偽影，影響定點的精確度。既往應用X線判定頜骨形態與關系的二維影像有正位片、側位片、全景片、關節片。然而，二維形態的頜骨模型并不能真正反映人體三維頭顱形態，且綜合各種類型的二維影像得出的解剖關系與數據也存在計算誤差。大視野范圍錐形束CT機器的應用可有效解決這一問題。其可直觀地觀察每一顆牙齒、上下頜骨及關節的影像學信息，一次性拍攝出人體整個頭顱的三維形態。在錐形束CT正畸定點上，Torosdagli等[5]提出一種不需要數據增強和后處理細化的深度神經網絡架構，對包含50例高度顱頜面變異數據的錐形束CT數據集進行下頜骨分割，自動識別下頜骨的9個解剖標志點，結果表明與當時最先進的標記方法相比，該架構顯示出優越性能。但在研究錐形束CT定點準確性上，Ma等[6]應用卷積神經網絡對13個常用正畸標志點定位，平均誤差高達5.78mm。因此，有關人工智能技術在錐形束CT正畸定點準確性方面的應用研究還需深入。

1.3""數字化正畸矯治器

大多數傳統正畸矯治器需要醫生和技師手工制作。數字化矯治技術可避免冗雜的臨床椅旁操作和技師手工操作，在舒適度、患者復診等方面的優勢更加明顯。如在數字化唇舌側固定矯治領域，制作矯治器流程包括診斷分析、終末位排牙、制造托槽、定制弓絲、托槽復診及定制定位夾等步驟。個性化唇側固定矯治器通過計算機軟件精確計算、預排牙齒移動量，個性化生產高性能弓絲，并使用3D打印透明定位夾輔助托槽位置精準粘結，可高效、嚴密調控牙齒矯治過程。Wang等[7]研究發現，個性化唇側固定矯治器治療后的實際上下頜牙弓與虛擬排牙牙弓之間的相似度高達96%～97%。個性化舌側矯治器與唇側矯治器類似，在數字化排牙模型上設計底板與牙面完全貼合的舌側托槽及個性化舌側弓絲，通過3D打印技術和精密鑄造技術制作托槽。如Incognito舌側托槽在3D打印蠟塊后采用失蠟法鑄造，可更精準、更高效地實現正畸診療。對功能矯治器、擴弓器、支抗裝置等矯治器的制作也可應用數字化手段。Graf等[8]在虛擬頜架模型上設計雙頜墊矯治器，采用丙烯酸樹脂材料3D打印此類矯治器，取得良好效果。國內前沿的數字化正畸矯治器技術——“數字化設計雙頜墊矯治器聯合間隙維持技術”是重慶醫科大學為解決處于生長發育高峰期及高峰前期兒童存在的乳牙早失伴Ⅱ類錯頜畸形問題所設計，設計出的矯治器不僅能實現雙頜墊矯治器導下頜向前，同時可設計間隙維持裝置。隨著數字化技術的進一步發展，未來正畸矯治中的托槽和弓絲有望在椅旁直接3D打印，進一步優化診療流程。

2""口腔修復

2.1""牙體預備

傳統方法中，醫生用自由手備牙，采用定深溝法、記錄法等。張霞玲[9]運用深度測量器械輔助后牙牙體預備，與直接目測法相比，其預備的牙體更加精確。于海洋等[10]進行牙體預備后用硅橡膠材料制取模型以達到提高預備精度的效果。醫生依據經驗和視覺進行磨改，但因存在盲區及長時間精神高度集中，牙體預備后的“量與形”與理想值存在偏差。陳端婧等[11]提出定深孔牙體預備技術，在顯微鏡下通過一種精準制備定深孔引導備牙，實現精準備牙，但牙體預備量計算及顯微鏡的適應性方面需要提高。周永勝等[12]發明一種高效率牙體預備導板，用數控加工設備打印牙齒的兩套導板，在導板上加用可拆卸車針限位器用以引導牙體預備，可用于固定、活動義齒多處關鍵功能區的牙體預備。Otani等[13]使用自動化機器人進行牙體預備，經過體外實驗比對發現，機器人在邊緣線的預備上精度更高。Yuan等[14]將機器人和激光技術結合發明世界上第一臺機器人牙體預備系統，用高功率超短脈沖激光束在臨床頭模上完成牙齒的預備，結果顯示其預備效率和精度均較高，但該研究團隊也發現飛秒激光束的斷光延遲可影響備牙錐度。

2.2""種植手術

傳統種植中應用螺旋CT判斷種植位點骨量，而錐形束CT的發明替代螺旋CT，操作簡單、輻射低、空間分辨率高，對復雜結構區域如下頜骨、下頜神經管、顳下頜關節解剖結構的成像質量更好[15]。種植手術中，自由手操作是常態，但對一些無牙頜、嚴重頜骨萎縮、連續多牙缺失等復雜病例，自由手在精度方面欠佳。對某些復雜病例，靜態導航技術可提供可視化的術前規劃方案，醫生可按“以修復為導向”原則將種植體設計在理想位點，提前預測治療難度并規避手術風險。但存在術前設計復雜冗繁、術中不能變動方案、可視化程度較差的局限性，動態導航技術的出現可在一定程度上彌補上述缺點[16]。動態導航使患者在同一天進行種植計劃設計和手術，術中將解剖結構的“盲視”變為“直視”，實時引導手術進行且根據實際臨床操作情況靈活調改種植方案[17]。這些技術可提高醫生手術的精確度，但并不能完全解放醫生的雙手，而人工智能或能解放醫生的雙手。Dutreuil等[18]研發人工智能機器人輔助系統，醫生成功運用該系統進行1例患者8枚種植體的植入。2011年，Sun等[19]研發自動式種牙機器人，通過坐標測量機將基于錐形束CT的術前種植計劃轉變成實際的機器人自動化預備種植窩洞，但該方法存在種植位點不精確的不足。2017年，美國Neocis公司研發出世界上第一個商用口腔種植輔助機器人系統Yomi并應用于臨床，將人工智能運用至口腔種植領域。白石柱等[20]成功研發自主式種植牙手術機器人，其具備自動追蹤和自主操作能力，成功為一名女性患者完成兩顆缺牙的種植即刻修復。這一手術的成功實施標志著世界首臺自主式種植牙手術機器人的問世。但目前口腔種植手術機器人研究還存在難點，如光學導航系統前期準備工作復雜，包括錐形束CT拍攝、示蹤標記選擇、各坐標系標定配準等方面，任何環節的誤差均可影響導航精度。

2.3""全口義齒排牙

傳統全口義齒的制作主要包括4個步驟：初始印模和最終印模的獲取、頜位關系的記錄、制作頜架及義齒的戴入。上述步驟均依賴醫生的臨床經驗，制作過程復雜且存在較多誤差?，F代醫學致力于發明機器人排牙。2001年，呂培軍等[21]利用CRS-4506自由度機器人實現取物體于任意位置和姿態，研制可調式排牙器，初步建立全口義齒的機器人輔助人工牙列制作系統并為1例患者試制人工牙，首次實現機器人輔助排牙。義齒的結構和形態復雜，單操作手臂難以對義齒進行精確掌控和操縱，且義齒系統的排牙精度、速度需要進一步提高，制作出的義齒的外觀和形態也需要進一步改善。李存岑等[22]從系統結構及工作原理、控制器硬件設計、控制器軟件編制等方面闡述多操作機全口義齒機器人的實現方法、關鍵技術，證明該機器人運行的響應速度、精度、魯棒性等達到預期目標，有助于臨床排牙。為解決單操作機難以掌控義齒的問題，張永德等[23]設計14個獨立操作機，共84個自由度，僅需1次動作即可確定所有義齒的位置，將多操作機技術在全口義齒排牙領域繼續發展。但受該系統多驅動電機數量、復雜的計算機算法等因素影響，實現機器人系統控制和運動學計算非常困難。后期，Zhang等[24]針對該問題進行改進，增加1個牙弓發生器和滑道裝置，研發14個獨立機械手，由50個步進電機驅動的多操作機器人，整合牙弓曲線發生器，進一步提高全口義齒的排牙速率和精確度。排牙機器人可減少手工排牙的部分誤差，提高義齒的精準度；但對不同牙齒參數定量化、精確塑造牙齒形態、機器人操作準確度和穩定性等問題仍需深入研究。

3""牙體牙髓

3.1""齲病

有學者應用深度卷積神經網絡檢測近紅外光透照圖像中的齲齒病變，將226顆后牙安放在經試點測試的假人頭診斷模型中檢測，表明其齲齒檢測性能良好[25]。Patil等[26]提出一種新穎的齲齒檢測模型MPCA-ADA，與其他傳統齲齒分類提取模型比較，顯示出更好的準確性、敏感度、特異性和精確度。Deniz等[27]利用人工神經網絡評估發光二極管和石英鹵鎢光固化單元對齲齒治療不同深淺復合材料底部/頂部維氏硬度值比值的影響，確定光固化單元和復合材料參數對維氏硬度比的影響最大。

3.2""根尖周病

目前，許多研究應用人工智能算法對根尖周炎進行訓練以研發算法模型，但根尖周炎、肉芽腫、囊腫的診斷同樣需鑒別。Endres等[28]開發一種預測深度學習算法，在對2902張不同類型根尖病變全景片鑒別診斷中，相比于24名外科醫生，其精確度更高，該算法有望幫助醫生進行臨床診斷。根管治療中正確的根備、根充都與準確的根長測量相關。實驗中醫生測量根長的準確率為76%，Saghiri等[29]用人工神經網絡測量根管長度的準確率為96%。有學者開發機電一體化系統用于根管預備，其可增加根備效率，并降低醫源性側穿的風險[30]。為消滅根管內易導致再感染的細菌，Hwang等[31]設計催化抗菌機器人，該機器人可按設定的路徑進行根管預備，根備中利用具有雙重催化磁性功能的氧化鐵納米顆粒，可精確去除生物膜碎片。

4""頜面外科

在正頜定點方面，Kang等[32]提出一種基于多階段深度強化學習及體積渲染成像的自動3D頭影測量注釋系統，與傳統手工標記相比，該系統的定點時間極大縮短。正頜定點后是否進行手術，有經驗的醫生可參考既往病例制定手術計劃，而缺乏經驗的醫生可借助智能技術手段。Jeong等[33]對822例患有牙頜面畸形和錯的參與者拍攝正面和右側面部照片，根據是否需正頜手術分為兩組，每組各411例；實驗使用VGG19卷積神經網絡分類，數據顯示準確率為89.3%，最終得出該算法僅通過照片可相對準確地判斷是否需要正頜手術的結論。傳統頜面外科術者需熟悉口腔頜面部血管、神經、肌肉組織位置走向，避免損傷重要解剖結構，而對一些腫瘤切除范圍、正頜頜骨精準切割等做不到精確把控，術中引入數字化可幫助解決此類問題。腫瘤切除范圍方面，有研究者用高光譜成像技術研究30例口腔腫瘤患者的手術標本，結果顯示人工智能技術對口腔腫瘤邊界預測精確度達85%，具有良好的參考價值[34]。Gui等[35]制造一種新的7自由度機械臂，應用自主研發的導航系統TBNAVIS-CMFS實現Le"Fort"Ⅰ截骨術虛擬手術規劃，并在實際手術中用機械臂成功完成截骨術，成功應對傳統使用骨鋸很難做到精確截取不規則上下頜骨的問題。術后面容預測對醫生來說是一項難題。Tanikawa等[36]獲取137例接受正頜手術患者治療前后頭顱側位片和三維面部圖像，開發人工智能系統預測正頜手術后的面部形態；根據結果，當＜2mm的系統誤差定義為成功時，實驗總成功率均為100%。對正頜外科術前三維口頜面數字化定點、手術適應證判斷、術中輔助導航、術后面容預測，數字化的應用只涉及其中一個方面，未來還需要研究集術前、術中、術后智能化一體的數字化技術。

5""口腔教學

課本知識復雜、冗繁，課堂知識任務重，學生在短暫課堂中被動接受大量抽象、難以理解的口腔醫學知識，不少同學存在厭學心理。研究表明，學生對網絡教學的興趣高于傳統教學模式，學習積極性更高[37]。自新冠肺炎疫情以來，大部分高校在遠程教學平臺上進行視頻直播教學，同時設置回放供學生反復觀看，以提高學生知識獲取的積極性。課前、課中、課后都可觀看的教學視頻讓學生能對不理解的知識反復學習。隨著網絡教學平臺的完善，數字圖書館、資源庫、試題庫等都開始在平臺上出現。學生可根據自身時間隨機進行學習，滿足個性化需求。部分平臺上設有自適應學習平臺，專門針對學生各種情況進行評估和總結，設計出符合學生個人特點的教學進度，有針對性地進行理論指導和知識點突破[38]。中國某學校采用校內網絡平臺與理論教學相結合的教學方法，通過對學習時間、成績、課堂討論質量的統計分析發現，與傳統教學模式相比，混合式教學模式在培養學生自主學習、團隊合作、分析解決問題、臨床思維等方面得到更廣泛認可[39]。人工智能技術的應用為學生的學習增添樂趣。人工設計的機器人教師可通過攝像頭觀察學生的學習過程，剖析語言和肢體行為的意義，收集學生提出的問題和建議，整合反饋給教師，對教學內容和方法進行整改[40]。然而，數字化教學導致小組討論和同學間交流減少，且目前國內沒有統一的口腔數字化教育標準，這些問題在未來口腔醫學人工智能教學應用上仍需解決。

6""展望

口腔醫學行業數字化已發展幾十年，醫生和患者群體均受益匪淺。目前，數字化技術的前沿是人工智能技術的應用，人工智能在口腔行業的圖像判斷、疾病檢測、疾病治療等方面均取得不錯的成績。然而，人工智能尚未達到廣泛臨床推廣的程度，問題層出不窮。第一，“黑匣子”特性。一些人工智能算法只知道算法數據的輸出和結果，數據處理過程不明確，無法科學論證。第二，數據隱私性。訓練人工智能算法需大量患者數據，而這些數據的隱私性得不到保證。第三，倫理問題。人工智能在口腔領域的應用還沒有完善的法律法規，這一領域的倫理問題，即“誰來為醫療事故負責”也需要解釋清楚。隨著社會和科技的發展，這些問題都是可以解決的。同時，應對人工智能保持嚴謹的態度，其只能起到輔助醫生的作用，并不能取代醫生。人工智能的發展方興未艾，未來口腔醫學領域有望出現集預測、診斷、治療、預后為一體的人工智能系統，進一步造福醫患。

利益沖突：所有作者均聲明不存在利益沖突。

[參考文獻]

[1] 洪勁超，"袁蕊，"謝曜爵."口腔醫學數字技術的應用進展[J]."當代醫藥論叢，"2023，"21（1）："34–37.

[2] LIAO"S"H，"LIU"S"J，"ZOU"B"J，"et"al."Automatic"tooth"segmentation"of"dental"mesh"based"on"harmonic"fields[J]."Biomed"Res"Int，"2015，"2015："187173.

[3] 葉年嵩，"房兵."數字化正畸發展現狀[J]."實用口腔醫學雜志，"2022，"38（6）："707–712.

[4] 潘林，"胡遒生，"鮑旭東，"等."基于模板匹配的頭顱側位片標志點的自動識別[J]."臨床口腔醫學雜志，"2003，"19（11）："661–664.

[5] TOROSDAGLI"N，"LIBERTON"D"K，"VERMA"P，"et"al."Deep"geodesic"learning"for"segmentation"and"anatomical"landmarking[J]."IEEE"Trans"Med"Imaging，"2019，"38（4）："919–931.

[6] MA"Q，"KOBAYASHI"E，"FAN"B，"et"al."Automatic"3D"landmarking"model"using"patch-based"deep"neural"networks"for"CT"image"of"oral"and"maxillofacial"surgery[J]."Int"J"Med"Robot，"2020，"16（3）："e2093.

[7] WANG"X，"XIA"L，"LI"J，"et"al."Accuracy"of"dental"arch"form"in"customized"fixed"labial"orthodontic"appliances[J]."Am"J"Orthod"Dentofacial"Orthop，"2022，"162（2）："173–181.

[8] GRAF"S，"TARRAF"N"E，"VASUDAVAN"S."Direct"printed"removable"appliances："A"new"approach"for"the"twin-block"appliance[J]."Am"J"Orthod"Dentofacial"Orthop，"2022，"162（1）："103–107.

[9] 張霞玲."定深法用于后牙面牙體預備準確度分析[J]."現代中西醫結合雜志，"2012，"21（3）："268–269.

[10] 于海洋，"趙雨薇，"李俊穎，"等."基于牙體牙髓、牙周及功能健康的顯微微創牙體預備[J]."華西口腔醫學雜志，"2019，"37（3）："229–235.

[11] 陳端婧，"李怡源，"李俊穎，"等."一種顯微精準定深孔牙體預備技術[J]."華西口腔醫學雜志，"2016，"34（3）："325–327.

[12] 北京大學口腔醫學院."一種高效率牙體預備導板的制作方法："CN201810116583."2[P]."2018–10–09.

[13] OTANI"T，"RAIGRODSKI"A"J，"MANCL"L，"et"al."In"vitro"evaluation"of"accuracy"and"precision"of"automated"robotic"tooth"preparation"system"for"porcelain"laminate"veneers[J]."J"Prosthet"Dent，"2015，"114（2）："229–235.

[14] YUAN"F，"WANG"Y，"ZHANG"Y，"et"al."An"automatic"tooth"preparation"technique："A"preliminary"study[J]."Sci"Rep，"2016，"6："25281.

[15] 祝尋尋."CBCT與螺旋CT原理比較[J]."內江科技，"2015，"36（10）："122，"142.

[16] 葉明君，"沈山."口腔種植動態導航系統應用的研究[J]."醫學信息，"2022，"35（1）："62–66.

[17] 張馨月，"王柏翔，"蕭立萱，"等."動態導航技術在無牙頜種植中的應用進展[J]."中華口腔醫學雜志，"2022，"57（10）："1079–1083.

[18] DUTREUIL"J，"GOULETTE"F，"LAURGEAU"C，"et"al."Computer"assisted"dental"implantology："A"new"method"and"a"clinical"validation[C]."Utrecht："International"Conference"on"Medical"Image"Computing"amp;"Computer-"assisted"Intervention，"2001："384–391.

[19] SUN"X，"MCKENZIE"F"D，"BAWAB"S，"et"al."Automated"dental"implantation"using"image-guided"robotics："Registration"results[J]."Int"J"Comput"Assist"Radiol"Surg，"2011，"6（5）："627–634.

[20] 白石柱，"趙銥民."口腔種植機器人的相關研究[C]."南寧："第十五次全國口腔醫學計算機應用學術研討會，"2017："1–2.

[21] 呂培軍，"王勇，"李國珍，"等."機器人輔助全口義齒排牙系統的初步研究[J]."中華口腔醫學雜志，"2001，"36（2）："139–142.

[22] 李存岑，張永德，遇大道，等."基于TMS320LF2407A的全口義齒機器人控制器設計[J]."自動化技術與應用，"2005，"24（10）："7–9，"12.

[23] 張永德，"馬俊偉，"趙燕江，"等."包含串并聯關節的排牙機器人運動學分析[J]."機械科學與技術，"2008，"27（8）："981–985.

[24] ZHANG"Y"D，"JIANG"J"G，"LV"P"J，"etnbsp;al."Study"on"the"multi-manipulator"tooth-arrangement"robot"for"complete"denture"manufacturing[J]."Industrial"Robot，"2011，"38（1）："20–26.

[25] SCHWENDICKE"F，"ELHENNAWY"K，"PARIS"S，"et"al."Deep"learning"for"caries"lesion"detection"in"near-infrared"light"transillumination"images："A"pilot"study[J]."J"Dent，"2020，"92："103260.

[26] PATIL"S，"KULKARNI"V，"BHISE"A."Algorithmic"analysis"for"dental"caries"detection"using"an"adaptive"neural"network"architecture[J]."Heliyon，"2019，"5（5）："e1579.

[27] DENIZ"A"H，"ELIGUZELOGLU"D"E，"ALKAN"F，"et"al."Use"of"artificial"neural"network"in"determination"of"shade，"light"curing"unit，"and"composite"parameters’"effect"on"bottom/top"vickers"hardness"ratio"of"composites[J]."Biomed"Res"Int，"2018，"2018："4856707.

[28] ENDRES"M"G，"HILLEN"F，"SALLOUMIS"M，"et"al."Development"of"a"deep"learning"algorithm"for"periapical"disease"detection"in"dental"radiographs[J]."Diagnostics"（Basel），"2020，"10（6）："430.

[29] SAGHIRI"M"A，"GARCIA-GODOY"F，"GUTMANN"J"L，"et"al."The"reliability"of"artificial"neural"network"in"locating"minor"apical"foramen："A"cadaver"study[J]."J"Endod，"2012，"38（8）："1130–1134.

[30] ORTIZ"S"J，"MARTINEZ"A"M，"ESPINOZA"D"L，"et"al."Mechatronic"assistant"system"for"dental"drill"handling[J]."Int"J"Med"Robot，"2011，"7（1）："22–26.

[31] HWANG"G，"PAULA"A"J，"HUNTER"E"E，"et"al."Catalytic"antimicrobial"robots"for"biofilm"eradication[J]."Sci"Robot，"2019，"4（29）："eaaw2388.

[32] KANG"S"H，"JEON"K，"KANG"S"H，"et"al."3D"cephalometric"landmark"detection"by"multiple"stage"deep"reinforcement"learning[J]."Sci"Rep，"2021，"11（1）："17509.

[33] JEONG"S"H，"YUN"J"P，"YEOM"H"G，"et"al."Deep"learning"based"discrimination"of"soft"tissue"profiles"requiring"orthognathic"surgery"by"facial"photographs[J]."Sci"Rep，"2020，"10（1）："16235.

[34] 孫宏亮."基于人工智能技術的口腔醫學應用與研究進展[J]."黑龍江科學，"2022，"13（14）："81–83.

[35] GUI"H，"ZHANG"S，"LUAN"N，"et"al."A"novel"system"""for"navigation-and"robot-assisted"craniofacial"surgery："Establishment"of"the"principle"prototype[J]."J"Craniofac"Surg，"2015，"26（8）："e746–e749.

[36] TANIKAWA"C，"YAMASHIRO"T."Development"of""novel"artificial"intelligence"systems"to"predict"facial"morphology"after"orthognathic"surgery"and"orthodontic"treatment"in"Japanese"patients[J]."Sci"Rep，"2021，"11（1）："15853.

[37] SOLTANIMEHR"E，"BAHRAMPOUR"E，"IMANI"M"M，"et"al."Effect"of"virtual"versus"traditional"education"on"theoretical"knowledge"and"reporting"skills"of"dental"students"in"radiographic"interpretation"of"bony"lesions"of"the"jaw[J]."BMC"Med"Educ，"2019，"19（1）："233.

[38] 王夢溪，"王娜，"張欣多，"等."人工智能醫學教學平臺的構建[J]."中國高等醫學教育，"2020（3）："46–48.

[39] 賈如，"王珍珍，"劉潔，"等."基于校內SPOC平臺與理論授課的混合式教學法在口腔修復學課程教學中的應用[J]."中國高等醫學教育，"2023（1）："108–109.

[40] 趙興龍."翻轉課堂中知識內化過程及教學模式設計[J]."現代遠程教育研究，"2014（2）："55–61.

（收稿日期：2024–05–15）

（修回日期：2024–10–16）