人工智能在口腔临床诊疗中的应用进展

近年来，数字化技术的广泛应用为人们的生活带来了巨大变革。随着计算机技术的不断发展和大数据时代的到来，一项更具应用潜力的新兴技术——人工智能开始逐渐应用于多个领域

。相比于锥体束CT、计算机辅助设计/计算机辅助制造（computer aided design/computer aided manufacturing，CAD/CAM）、3D 打印等数字化技术，人工智能优势在于可模拟人类思维，自主学习、解决问题，实现自动化。将人工智能融入口腔临床诊疗，推动从数字化向智能化的飞跃，不仅可提高操作精确性及高效性，而且可通过对数据的自主学习、整理及分析辅助临床决策及预后评价，降低错误率。如今，众多学者正在不断探索人工智能技术在口腔诊疗领域的应用，结合人工智能的新型口腔医疗模式将成为发展的重要趋势。本文将简要阐述人工智能技术的概念和基本原理，综述其目前在口腔诊疗中的应用情况。

1 人工智能概述

人工智能是研究并开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用的一门新的技术科学

。简言之，人工智能技术旨在通过模拟人类的思维方式以解决实际问题。

朱晓仑在工作中铁面无私，但在具体的工作中他认真贯彻落实以人为本，将人性化服务融入食品药品监管工作中。对内，他关心同志，维护团结，同事间相互帮助配合。对外，他关心弱势群体。柳南区食品药品监管对象中有很多个体经营者，其中不少是下岗失业人员、进城务工人员。这些人员来办理相关业务时，他都给予无微不至的关心和指导。

机器学习是人工智能的重要技术，是指计算机在非精确编程条件下的学习能力

，其中神经网络是目前最流行的一种机器学习模型

。通过设计、组装并连接人工神经元，人工神经网络可以在拥有庞大数据库的基础上，完成对结果的整理与预测，进而完成各种特定任务。机器学习按原理的不同可分为监督学习和非监督学习。在医学领域中，前者常被用于疾病的诊断及预后评价，而后者则可用于复杂数据的交互关系分析

。近年来，深度学习成为了机器学习系统的一大突破，其所包含的神经网络层次更为复杂，可更精细地利用算法展现图像及其层次结构，构建自动识别模式，因此被认为是最具应用潜力的人工智能技术之一

。

2 人工智能在口腔临床诊疗中的应用

人工智能在口腔领域的应用通常包括数据、算法与软件程序三大要素，其核心在于应用算法模拟人类思维能力，通过设计自动化软件程序，辅助医生诊断决策，以简化口腔的诊疗流程及数据管理，弥补人工诊断的主观性与局限性，使传统口腔诊疗更加智能化、现代化

。数字化技术与人工智能技术的有机结合，推动了口腔临床诊疗的快速发展。以下将从不同学科介绍目前人工智能在口腔临床诊疗中的应用现状及进展。

很多患者希望通过正畸及正颌治疗改善面型，获得更优的面部吸引力，因此美学评估是评价正畸治疗效果的重要方式。然而美学评估具有较强的主观性，专业医生所依据的“理想面容特征”及“黄金比例”很难判断其在同龄人中获得的吸引力。人工智能则可通过基于大数据训练的卷积神经网络算法，学习大量面部特征，客观地评估治疗前后外观及面部吸引力的变化

。这一系统既可辅助医生制定个性化治疗计划，又可改善医患沟通。

2.1 口腔修复学

人工智能也可用于肿瘤进程预测。Chu 等

利用多种人工智能算法构建了预测模型，其对预测肿瘤治疗疗效、复发及进展情况有重要帮助。Kim 等

提出了一种更完善的癌症生存预测模型，回顾性研究了255 例名口腔鳞状细胞癌患者，证明基于深度学习的生存预测具有更高的准确性。

人工智能的引入同样可改善传统人工弓丝弯制耗时、费力的缺点，提高精度并有效避免反复弯制所致的钢丝断裂情况。多年来对弯制弓丝机器人的研究层出不穷，sunsmile 弓丝弯曲机器人、舌侧弓线制造与辅助设计系统、笛卡尔式弓丝弯曲机器人等相继问世

，口腔正畸弓丝弯制机器人正在不断调整与完善之中。

2.2 口腔颌面外科学

牙周病是一种由病原微生物（牙菌斑生物膜）与人体免疫系统相互作用引起的口腔炎症性、不可逆性疾病。临床上主要通过探诊牙周袋深度及牙龈退缩来评估牙周健康状况，但具体操作及诊断有赖于医生的临床经验。影像学检查虽已用于牙周病诊断，但多作为辅助手段。Lee 等

将卷积神经网络系统应用于牙周受损牙齿的诊断，通过对根尖片数据进行深度学习，该计算机辅助检测系统在前磨牙和磨牙牙周情况的诊断中均获得了较高的准确率。此外，Chang 等

还提出了一种用于自动检测牙槽骨丧失并进行牙周炎分类分期的新型混合系统。还有学者收集了不同牙周状况患者的龈下菌斑样本，进行机器学习，结果表明，支持向量机分类器可通过识别细菌种类及负载量来区分侵袭性牙周炎与慢性牙周炎

。

口腔颌面部包含众多复杂精细的解剖结构、血运丰富且操作范围较为局限，不当的手术操作可能造成手术失败及严重并发症。人工智能辅助设计手术方案、导板及手术机器人的应用可缩短医生操作时间、降低疲劳程度，有效提高外科手术的精准性和安全性。Choi 等

将神经网络机器学习的人工智能模型用于正颌手术的诊断和治疗计划制定，其对于手术/非手术决策、手术类型和拔牙决策的判断成功率均高于90%；Chao 等

利用CAD 技术设计出了截骨及骨瓣重建方案，并让机器人在动态导航下执行截骨手术，初步证明了预编程机器人用于骨瓣制备和颌骨重建的潜力及精确性。还有学者开发出了用于颌骨重新定位的手术机器人，于术前完成机器人与CT 图像空间的配准，在术中即可实现自动定位

。

高光谱成像作为一种新兴的成像方式，因高效、无创、及时性而具有很高的诊断潜力。Ma等

利用深度学习算法分层学习高光谱图像特征，并在动物模型中进行头颈部肿瘤检测，精确度高达91.36%。基于深度学习的高光谱成像技术，还可用于检测并划定头颈部癌患者新鲜手术标本中病变与正常组织的界限，辅助医生判断适宜的切除范围

。此外，Yang 等

建立了基于深度学习的自动检测颌骨囊肿及肿瘤的诊断模型；Aubreville 等

利用深度学习对共聚焦激光内窥镜检查的口腔鳞状细胞癌图片进行自动分类；多名学者分别研究了人工智能用于检测、分级口腔上皮发育不良、口腔黏膜下纤维化等潜在恶性病变的效果，均获得了较好的诊断准确率

。

目前，课程教材大多侧重于理论知识介绍，且教学中的案例趋于陈旧，再加上课时有限，在案例教学时缺乏对案例背景、案例因果关系、发展过程、应用效果的深入剖析，这些因素都制约了学生实践能力的提升。

头颈部肿瘤的常用治疗方法包括手术、放疗和化疗等。确保放疗区域的精准化、最小化，可减少其对周围正常组织的不利影响，最大程度避免严重并发症的发生。Kearney 等

综述了人工智能算法在头颈部肿瘤放疗计划制定中的应用，基于机器学习的放疗区域勾勒，可在获得准确率的同时提高效率。此外，正确判断肿瘤淋巴结转移情况有助于恶性肿瘤治疗计划制定、病理检查效率提高及预后改善。Ariji 等

利用深度学习图像分类系统，诊断了淋巴结转移及结外扩展，得到了比放射科医生更优的诊断准确性。

但这不能成为大洪水时诺亚可以见死不救的理由，他还是“义人”吗？独进方舟是善举吗？这是见死不救，是恶行。如果要用洪水惩罚猛兽的话，又何必让它们进入方舟呢？

CAD/CAM 如今已在口腔修复领域得到广泛推广。结合人工智能的CAD/CAM 可设计制造出更符合功能、美学及患者需求的个性化修复体，如人工冠桥、嵌体、贴面及种植体基台等，可缩短牙齿修复的时间，并降低失误率

。结合CAD，Lerner 等

提出了一种利用人工智能在个性化基台上制作氧化锆冠的方案，获得了较高的成功率；Yamaguchi等

利用卷积神经网络从二维图像中捕获信息，从而实现了对CAD/CAM 复合树脂冠脱落率的预测。

2.3 口腔正畸学

龋病是口腔最常见的疾病之一，通常表现为牙体硬组织的慢性进行性破坏，病变持续发展可继发牙髓炎及根尖周炎。早期表层下脱矿及邻面龋等易被忽视，这为早期临床诊断带来了巨大挑战。Lee 等

研究证明了卷积神经网络算法在根尖片上诊断早期龋的应用潜力；有学者尝试将人工智能应用于近红外透光图像中的龋损识别，取得了较为满意的效果

。此外，有学者提出一种用于检测光诱导荧光图像的系统，其通过识别自发荧光的菌斑数量对图像进行分类，从而提高了检测效率，降低了人工与时间成本

。Orhan 等

还应用人工智能系统在锥束计算机断层扫描图像上检测根尖周病变，准确率高达92.8%。

机器人也开始应用于口腔修复领域，主要包括自动牙体预备机器人及人工排牙机器人等。Otani 等

发现，在瓷贴面牙体预备过程中，机器人自动预备系统可利用数字印模诊断并预先虚拟设计备牙方案，可获得与传统人工预备相似的精确度。基于全口义齿排牙原理，Zhang 等

设计出了84 自由度的多操作机排牙机器人，创建了比6 自由度机器人更为简单灵活、易于操作的排牙机器人，并在初步实验中依据颌弓参数完成了全口义齿自动CAD/CAM。排牙机器人的出现缩短了排牙时间，有助于避免人工排牙过程中的疏忽与失误，提高了效率及治疗质量。此外，机器人技术也已应用于口腔种植体植入。有学者研究开发出了智能种植系统，通过术前数据采集分析、辅助牙科钻精确定位，完成牙槽骨钻孔等操作，可有效避免对手术神经、血管等重要面部结构的损伤

。2017 年，Yomi 系统成为首个受美国FDA 批准的种植机器人，并应用于口腔种植修复

。

但面对面校访、家访，其作用是网络、电话等现代信息技术手段所不能替代的。教师只有亲自接触家长，看到学生生活的家庭环境，才能全面深入地了解学生的情况，家长只有亲自到学校才能全面地了解自己的孩子成长的环境和学习情况。

2.4 牙体牙髓病学

根管系统的复杂多样性使根管治疗存在耗时大、治疗效果不理想等诸多问题，根管遗漏、侧穿及根尖孔破坏等是导致治疗失败的重要因素。Hiraiwa 等

构建了深度学习模型，并对磨牙曲面断层影像数据进行分析，结果显示下颌第一磨牙远中双根的检出率为86.9%；人工神经网络系统应用于细小根尖孔定位

，可以更方便快捷地确定工作长度，提高诊疗效果。此外，多名学者开发了用于牙髓治疗的微型机器人，并证实自动根管预备不仅可获得良好的根管预备形状，还缩短了手术时间，降低了根管过度预备及侧穿等不良事件的发生率

。

2.5 牙周病学

拔牙是许多口腔治疗计划的关键初始步骤，我国学者构建了一种临床决策模型，该模型通过对电子口腔记录的学习来预测拔牙结果，从而为医生提供临床决策依据

。人工智能也可用于下唇麻木、面部肿胀等拔牙后并发症的预测。Vinayahalingam 等

开发出了可检测并分割牙科全景X 光片中下颌第三磨牙及下牙槽神经的深度学习系统；Zhang 等

建立了能综合分析患者个人因素、第三磨牙解剖因素以及外科手术因素，从而预测下颌第三磨牙拔除后面部肿胀的神经网络模型。此外，人工神经网络系统可用于上颌窦疾病的诊断。Kuwana 等

应用深度学习检测技术对X线片进行学习与识别，结果显示该技术对多种上颌窦炎和上颌窦区域囊肿检测的灵敏度均高于90%。

(6)古近系。测区古近系仅见于南部新兴农场三千一队小山包上，面积约0.024 km2。根据孢粉组合、岩石组合特征和与区域相对比，划分为邕宁群(EY)。

3 人工智能口腔医疗的优势、问题及展望

20 世纪80 年代，研究人员开始逐渐应用人工智能解决医学问题。相比于其他医学专科领域，口腔临床医疗的可直视和操作范围更为局限，这在一定程度上阻碍了口腔诊疗的顺利进行，人工智能的诸多优势可以提供很大帮助。首先，人工智能可通过对医疗数据的收集、整理和学习，使分析结果更为客观，克服了医生操作的主观可变性；其次，人工智能可以同时储存、处理多领域的海量数据，分析因素间交互作用，提出较完善的临床诊断与决策，弥补医生可能存在的跨专业知识空缺；再次，人工智能操作的精确性更高，可减小人眼视觉误差对治疗效果的不利影响；此外，人工智能还具有操作标准化、微创、省时、高效等优势。

尽管人工智能兼具高效率和高精度，其所涉及的隐私、安全、伦理、技术等方面的诸多问题仍不容忽视。首先，保护患者的安全是口腔诊疗的首要原则。当数据不充足或不够精确的情况下，人工智能的判断和执行结果可能存在错误，而人工智能又很难自动终止错误操作，有时患者被置于不必要的危险之中

。其次是隐私问题，深度学习需建立在大量医疗数据与信息的基础上，私密信息一旦泄露，将会给患者、医生、机构三方带来负面影响。除此之外，关于应用机器替代人类进行诊疗活动的伦理问题，机器人用于口腔诊疗的适应证选择，及人工智能医疗事故中的责任判定等，都是人工智能应用于口腔诊疗将要面临的挑战。人工智能医疗需要更完善的规范化法律制度体系，以促进人工智能医疗的继续发展。

人工智能时代的到来给口腔医学带来了巨大的机遇与挑战。尽管诸多技术尚处于实验阶段，某些专业领域尚缺乏人工智能的相关研究，但当前的研究充分证明了人工智能技术应用于口腔诊疗的可行性及广泛前景。正确处理隐私、安全、伦理、技术等潜在问题，人工智能技术将可提高诊断准确性，辅助临床决策及预后评估，提高医生工作效率，节约医疗资源，为患者提供更优质高效的口腔诊疗。在2020 年新冠肺炎疫情中，各种人工智能技术的应用既节约了医疗资源，提高了诊疗效率，又有效减少了医疗暴露，这也验证了人工智能对当今医疗领域的深远影响。总之，使人工智能与口腔临床相融合，是当下口腔医疗的新模式；对新技术的尝试与应用，对现有技术的不断更新与完善，也必将成为口腔医学行业的未来发展趋势。

互联网背景下会计电算化课程改革一方面可以提高人才的理论素质；另一方面可以增强人才的实践技能。与传统的会计核算方式相比，会计电算化课程核算的途径，发生了明显的变化。会计人才不仅需要充分的了解会计专业的相关知识，同样需掌握与会计软件应用情况有关的理论。加强课程改革，是确保教学能够达到上述效果的基础，对会计人才理论素质的提高，具有重要价值。从实践的角度分析，会计电算化对人才计算机操作水平的要求逐渐提高。学生必须不断的练习，并积极利用网络资源，方可充分了解当前的会计政策以及核算方式的变化情况。加强课程改革，是确保学生的各项实践技能，能够得到充分培养的关键。

Li C wrote the article. Yang HY and Huang C revised the article. All authors read and approved the final manuscript as submitted.

[1] Chen YW, Stanley K, Att W. Artificial intelligence in dentistry:current applications and future perspectives[J]. Quintessence Int,2020,51(3):248-257.doi:10.3290/j.qi.a43952.

[2] Rajkomar A, Dean J, Kohane I. Machine learning in medicine[J].N Engl J Med, 2019, 380(14): 1347-1358. doi: 10.1056/NEJMra1814259.

[3] Tandon D, Rajawat J. Present and future of artificial intelligence in dentistry[J]. J Oral Biol Craniofac Res, 2020, 10(4): 391-396.doi:10.1016/j.jobcr.2020.07.015.

[4] Handelman GS, Kok HK, Chandra RV, et al. eDoctor: machine learning and the future of medicine[J].J Intern Med, 2018,284(6):603-619.doi:10.1111/joim.12822.

[5] Heo MS, Kim JE, Hwang JJ, et al. Artificial intelligence in oral and maxillofacial radiology: what is currently possible?[J]. Dentomaxillofac Radiol, 2021, 50(3): 20200375. doi: 10.1259/dmfr.20200375.

[6] Khanagar SB,AlEhaideb A,Maganur PC,et al.Developments,application, and performance of artificial intelligence in dentistry a systematic review[J]. J Dent Sci, 2021, 16(1): 508 - 522. doi:10.1016/j.jds.2020.06.019.

[7] Lerner H, Mouhyi J, Admakin O, et al. Artificial intelligence in fixed implant prosthodontics:a retrospective study of 106 implantsupported monolithic zirconia crowns inserted in the posterior Jaws of 90 patients[J]. BMC Oral Health, 2020, 20(1): 80. doi:10.1186/s1290302010624.

[8] Yamaguchi S, Lee C, Karaer O, et al. Predicting the debonding of CAD/CAM composite resin crowns with AI[J]. J Dent Res, 2019,98(11):1234-1238.doi:10.1177/0022034519867641.

[9] Otani T,Raigrodski AJ,Mancl L,et al.

evaluation of accuracy and precision of automated robotic tooth preparation system for porcelain laminate veneers[J]. J Prosthet Dent, 2015, 114(2):229-235.doi:10.1016/j.prosdent.2015.02.021.

[10] Zhang YD, Jiang JG, Liang T, et al. Kinematics modeling and experimentation of the multimanipulator tootharrangement robot for full denture manufacturing[J].J Med Syst,2011,35(6):1421-1429.doi:10.1007/s109160099419x.

[11] Sun X, Mckenzie FD, Bawab S, et al. Automated dental implantation using imageguided robotics: registration results[J]. Int J Comput Assist Radiol Surg, 2011, 6(5): 627 - 634. doi: 10.1007/s1154801005433.

[12] Wu Y, Wang F, Fan S, et al. Robotics in dental implantology[J].Oral Maxillofac Surg Clin North Am, 2019, 31(3): 513-518. doi:10.1016/j.coms.2019.03.013.

[13] Cui Q, Chen Q, Liu P, et al. Clinical decision support model for tooth extraction therapy derived from electronic dental records[J].J Prosthet Dent, 2021, 126(1): 83-90. doi: 10.1016/j.prosdent.2020.04.010.

[14] Vinayahalingam S, Xi T, Bergé S, et al. Automated detection of third molars and mandibular nerve by deep learning[J]. Sci Rep,2019,9(1):9007.doi:10.1038/s41598019454873.

[15] Zhang W, Li J, Li ZB, et al. Predicting postoperative facial swelling following impacted mandibular third molars extraction by using artificial neural networks evaluation[J]. Sci Rep, 2018, 8(1):12281.doi:10.1038/s41598018299341.

[16] Kuwana R,Ariji Y,Fukuda M,et al.Performance of deep learning object detection technology in the detection and diagnosis of maxillary sinus lesions on panoramic radiographs[J]. Dentomaxillofac Radiol,2021,50(1):20200171.doi:10.1259/dmfr.20200171.

[17] Choi HI,Jung SK,Baek SH,et al.Artificial intelligent model with neural network machine learning for the diagnosis of orthognathic surgery[J].J Craniofac Surg,2019,30(7):1986-1989.doi:10.1097/SCS.0000000000005650.

[18] Chao AH,Weimer K,Raczkowsky J,et al.Preprogrammed robotic osteotomies for fibula free flap mandible reconstruction:a preclinical investigation[J]. Microsurgery, 2016, 36(3): 246 - 249. doi:10.1002/micr.30013.

[19] Woo SY, Lee SJ, Yoo JY, et al. Autonomous bone reposition around anatomical landmark for robotassisted orthognathic surgery[J]. J Craniomaxillofac Surg, 2017, 45(12): 1980-1988. doi: 10.1016/j.jcms.2017.09.001.

[20] Ma L, Lu G, Wang D, et al. Deep learning based classification for head and neck cancer detection with hyperspectral imaging in an animal model[J]. Proc SPIE Int Soc Opt Eng, 2017, 10137. doi:10.1117/12.2255562.

[21] Lu G,Little JV,Wang X,et al.Detection of head and neck cancer in surgical specimens using quantitative hyperspectral imaging[J].Clin Cancer Res,2017,23(18):5426-5436.doi:10.1158/10780432.CCR170906.

[22] Yang H, Jo E, Kim HJ, et al. Deep learning for automated detection of cyst and tumors of the jaw in panoramic radiographs[J]. J Clin Med,2020,9(6):1839.doi:10.3390/jcm9061839.

[23] Aubreville M, Knipfer C, Oetter N, et al. Automatic classification of cancerous tissue in laserendomicroscopy images of the oral cavity using deep learning[J]. Sci Rep, 2017, 7(1): 11979. doi:10.1038/s41598017123208.

[24] Mahmood H, Shaban M, Indave BI, et al. Use of artificial intelligence in diagnosis of head and neck precancerous and cancerous lesions: a systematic review[J]. Oral Oncol, 2020, 110: 104885.doi:10.1016/j.oraloncology.2020.104885.

[25] Kearney V, Chan JW, Valdes G, et al. The application of artificial intelligence in the IMRT planning process for head and neck cancer[J]. Oral Oncol, 2018, 87: 111-116. doi: 10.1016/j.oraloncology.2018.10.026.

[26] Ariji Y, Fukuda M, Kise Y, et al. Contrastenhanced computed tomography image assessment of cervical lymph node metastasis in patients with oral cancer by using a deep learning system of artificial intelligence[J]. Oral Surg Oral Med Oral Pathol Oral Radiol,2019,127(5):458-463.doi:10.1016/j.oooo.2018.10.002.

[27] Ariji Y, Sugita Y, Nagao T, et al. CT evaluation of extranodal extension of cervical lymph node metastases in patients with oral squamous cell carcinoma using deep learning classification[J].Oral Radiol,2020,36(2):148-155.doi:10.1007/s11282019003914.

[28] Chu CS, Lee NP, Adeoye J, et al. Machine learning and treatment outcome prediction for oral cancer[J].J Oral Pathol Med, 2020,49(10):977-985.doi:10.1111/jop.13089.

[29] Kim DW, Lee S, Kwon S, et al. Deep learningbased survival prediction of oral cancer patients[J]. Sci Rep, 2019, 9(1): 6994. doi:10.1038/s41598019433727.

[30] Xie X, Wang L, Wang A. Artificial neural network modeling for deciding if extractions are necessary prior to orthodontic treatment[J].Angle Orthod,2010,80(2):262-266.doi:10.2319/111608588.1.

[31] Thanathornwong B.BayesianBased decision support system for assessing the needs for orthodontic treatment[J]. Healthc Inform Res,2018,24(1):22-28.doi:10.4258/hir.2018.24.1.22.

[32] Hwang HW, Park JH, Moon JH, et al. Automated identification of cephalometric landmarks: part 2 might it be better than human?[J].Angle Orthod,2020,90(1):69-76.doi:10.2319/022019129.1.

[33] Jiang JG, Zhang YD, Wei CG, et al. A review on robot in prosthodontics and orthodontics[J]. Adv Mech Eng, 2015, 7(1). doi: 10.1155/2014/198748.

[34] Patcas R, Bernini D, Volokitin A, et al. Applying artificial intelligence to assess the impact of orthognathic treatment on facial attractiveness and estimated age[J]. Int J Oral Maxillofac Surg,2019,48(1):77-83.doi:10.1016/j.ijom.2018.07.010.

[35] Lee JH,Kim DH,Jeong SN,et al.Detection and diagnosis of dental caries using a deep learningbased convolutional neural network algorithm[J]. J Dent, 2018, 77(77): 106-111. doi: 10.1016/j.jdent.2018.07.015.

[36] Schwendicke F,Elhennawy K,Paris S,et al.Deep learning for caries lesion detection in nearinfrared light transillumination images:a pilot study[J]. J Dent, 2020, 92: 103260. doi: 10.1016/j.jdent.2019.103260.

[37] Orhan K, Bayrakdar IS, Ezhov M, et al. Evaluation of artificial intelligence for detecting periapical pathosis on conebeam computed tomography scans[J]. Int Endod J, 2020, 53(5): 680-689. doi:10.1111/iej.13265.

[38] Hiraiwa T,Ariji Y,Fukuda M,et al.A deeplearning artificial intelligence system for assessment of root morphology of the mandibular first molar on panoramic radiography[J].Dentomaxillofac Radiol,2019,48(3):20180218.doi:10.1259/dmfr.20180218.

[39] Saghiri MA,Asgar K,Boukani KK,et al.A new approach for locating the minor apical foramen using an artificial neural network[J].Int Endod J,2012,45(3):257-265.doi:10.1111/j.13652591.2011.01970.x.

[40] Ortiz SJ, Martinez AM, Espinoza DL, et al. Mechatronic assistant system for dental drill handling[J]. Int J Med Robot, 2011, 7(1):22-26.doi:10.1002/rcs.363.

[41] Lee JH,Kim DH,Jeong SN,et al.Diagnosis and prediction of periodontally compromised teeth using a deep learningbased convolutional neural network algorithm[J]. J Periodontal Implant Sci,2018,48(2):114-123.doi:10.5051/jpis.2018.48.2.114.

[42] Chang HJ, Lee SJ, Yong TH, et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis[J]. Sci Rep, 2020, 10(1): 7531. doi: 10.1038/s4159802064509z.

[43] Feres M, Louzoun Y, Haber S, et al. Support vector machinebased differentiation between aggressive and chronic periodontitis using microbial profiles[J].Int Dent J, 2018,68(1):39-46.doi:10.1111/idj.12326.

[44] 李征宇.机器人在口腔医学领域的研发及应用中相关问题探讨[J]. 医学与哲学, 2017, 38(24): 81-83. doi: 10.12014/j.issn.10020772.2017.12b.24.Li ZY. Discussion of problems in research and application of robots in stomatology[J].Medicine and Philosophy,2017,38(12):81-83.doi:10.12014/j.issn.10020772.2017.12b.24.