数字化和人工智能技术在口腔医学中的应用进展

[摘要]"随着中国计算机技术行业不断发展，医疗行业经历从信息化到数字化、再到智能化的发展历程。人工智能的发展促使各种口腔诊疗算法和模型相继出现，人工智能系统可辅助医生的诊断和治疗工作，提高诊疗效率和准确性。这给口腔正畸、修复、颌面、牙体牙髓等亚学科的发展及口腔教学活动带来技术和效益方面的突破性进展。本文结合近年来国内外数字化技术在口腔医学中的研究和应用，从数字化和人工智能技术在口腔临床实践中的影像判断、疾病诊断、疾病治疗和口腔教学等方面阐述数字化口腔的发展与实践，为未来口腔医学的临床发展提供参考。

[关键词]"数字化；人工智能；口腔医学

[中图分类号]"R78""""""[文献标识码]"A""""""[DOI]"10.3969/j.issn.1673-9701.2024.31.029

近年来，数字化和人工智能技术逐渐从科研阶段转向应用阶段，医疗领域成为数字化应用集中的场景之一。人工智能已成功应用于肿瘤病理、心血管疾病、内分泌疾病、皮肤病等的临床诊断和治疗干预中，对提高诊断和治疗效率发挥不可替代的作用。人工智能的引入优化口腔各亚学科相关疾病的预测、诊断和治疗流程，将口腔教学水平提升到更高层次[1]。本文介绍近年来数字化技术和人工智能技术在口腔医学中的研究进展，提出优化建议，为口腔行业相关理论研究与临床应用提供参考。

1""口腔正畸

1.1nbsp;"3D牙列模型

既往临床实践中，医生通过制作模型了解患者的牙齿数据，准确率较低。医生应用牙列模型诊断排牙时需破坏性锯开石膏模型，逐个手工排列，既烦琐又耗时，且不同方案难以反复比较。目前，有模型扫描和口内扫描2种数字三维模型采集方式，后者因具有方便、快捷的特点而被更广泛地应用，如3Shape、Implant3D"CAD/CAM等系统已在国内临床实践中推广应用，所获得的三维数字牙齿模型可通过牙齿分割、移动和重排模拟治疗结果，指导矫治器设计。然而，患者牙齿变异大、错位拥挤、口腔内扫描时倒凹区扫描困难等因素可给牙齿图像分割带来困难。人工干预程序在一定程度上可导致牙齿分割效率降低。人工智能算法的引入给牙齿分割带来便利。Liao等[2]采用谐波场理论检测分区边界，通用网格分割方法，提出一种新颖的牙齿分割框架，大量数据表明该方法能自动分割高质量牙齿，具有高鲁棒性和高效率。相比传统制取印模技术，口内扫描技术可避免气泡出现、患者因印模材料所致恶心呕吐、印模材料变形等问题，其还能记录患者的牙齿和牙龈颜色，减少椅旁操作时间[3]。但口内扫描头体积普遍较大，易引起患者不适，扫描头坚硬触碰牙龈引起疼痛，且第二磨牙和第三磨牙的扫描易出现扫描不全。另外，设备可因唾液和反光而导致扫描不清晰。

1.2""颌骨标志点和模型

颌骨的标志点定位是对颅颌面软硬组织进行畸形分类的基础。随着X线片的普及应用，以往用硫酸纸描记标志点转变成为现在的数字化头影测量软件定位定点，从而解决传统手动定位可重复性不足、花费时间长的问题。有学者研究应用仿射变换基于模板匹配的头颅侧位片标志点自动识别的方法[4]；有学者应用经典机器学习方法和卷积神经网络对二维影像自动定位标志点。经研究比对发现，卷积神经网络的定位标志点效果更好，基于卷积神经网络算法的自动定点技术可将准确率提高至80.40%～"88.43%[3]。不同患者的标志点在外形上可能存在差异，影响机器学习算法自动检测定点的精确度。另外，口腔内的各种修复材料如种植体、活动义齿、树脂等可能产生伪影，影响定点的精确度。既往应用X线判定颌骨形态与关系的二维影像有正位片、侧位片、全景片、关节片。然而，二维形态的颌骨模型并不能真正反映人体三维头颅形态，且综合各种类型的二维影像得出的解剖关系与数据也存在计算误差。大视野范围锥形束CT机器的应用可有效解决这一问题。其可直观地观察每一颗牙齿、上下颌骨及关节的影像学信息，一次性拍摄出人体整个头颅的三维形态。在锥形束CT正畸定点上，Torosdagli等[5]提出一种不需要数据增强和后处理细化的深度神经网络架构，对包含50例高度颅颌面变异数据的锥形束CT数据集进行下颌骨分割，自动识别下颌骨的9个解剖标志点，结果表明与当时最先进的标记方法相比，该架构显示出优越性能。但在研究锥形束CT定点准确性上，Ma等[6]应用卷积神经网络对13个常用正畸标志点定位，平均误差高达5.78mm。因此，有关人工智能技术在锥形束CT正畸定点准确性方面的应用研究还需深入。

1.3""数字化正畸矫治器

大多数传统正畸矫治器需要医生和技师手工制作。数字化矫治技术可避免冗杂的临床椅旁操作和技师手工操作，在舒适度、患者复诊等方面的优势更加明显。如在数字化唇舌侧固定矫治领域，制作矫治器流程包括诊断分析、终末位排牙、制造托槽、定制弓丝、托槽复诊及定制定位夹等步骤。个性化唇侧固定矫治器通过计算机软件精确计算、预排牙齿移动量，个性化生产高性能弓丝，并使用3D打印透明定位夹辅助托槽位置精准粘结，可高效、严密调控牙齿矫治过程。Wang等[7]研究发现，个性化唇侧固定矫治器治疗后的实际上下颌牙弓与虚拟排牙牙弓之间的相似度高达96%～97%。个性化舌侧矫治器与唇侧矫治器类似，在数字化排牙模型上设计底板与牙面完全贴合的舌侧托槽及个性化舌侧弓丝，通过3D打印技术和精密铸造技术制作托槽。如Incognito舌侧托槽在3D打印蜡块后采用失蜡法铸造，可更精准、更高效地实现正畸诊疗。对功能矫治器、扩弓器、支抗装置等矫治器的制作也可应用数字化手段。Graf等[8]在虚拟颌架模型上设计双颌垫矫治器，采用丙烯酸树脂材料3D打印此类矫治器，取得良好效果。国内前沿的数字化正畸矫治器技术——“数字化设计双颌垫矫治器联合间隙维持技术”是重庆医科大学为解决处于生长发育高峰期及高峰前期儿童存在的乳牙早失伴Ⅱ类错颌畸形问题所设计，设计出的矫治器不仅能实现双颌垫矫治器导下颌向前，同时可设计间隙维持装置。随着数字化技术的进一步发展，未来正畸矫治中的托槽和弓丝有望在椅旁直接3D打印，进一步优化诊疗流程。

2""口腔修复

2.1""牙体预备

传统方法中，医生用自由手备牙，采用定深沟法、记录法等。张霞玲[9]运用深度测量器械辅助后牙牙体预备，与直接目测法相比，其预备的牙体更加精确。于海洋等[10]进行牙体预备后用硅橡胶材料制取模型以达到提高预备精度的效果。医生依据经验和视觉进行磨改，但因存在盲区及长时间精神高度集中，牙体预备后的“量与形”与理想值存在偏差。陈端婧等[11]提出定深孔牙体预备技术，在显微镜下通过一种精准制备定深孔引导备牙，实现精准备牙，但牙体预备量计算及显微镜的适应性方面需要提高。周永胜等[12]发明一种高效率牙体预备导板，用数控加工设备打印牙齿的两套导板，在导板上加用可拆卸车针限位器用以引导牙体预备，可用于固定、活动义齿多处关键功能区的牙体预备。Otani等[13]使用自动化机器人进行牙体预备，经过体外实验比对发现，机器人在边缘线的预备上精度更高。Yuan等[14]将机器人和激光技术结合发明世界上第一台机器人牙体预备系统，用高功率超短脉冲激光束在临床头模上完成牙齿的预备，结果显示其预备效率和精度均较高，但该研究团队也发现飞秒激光束的断光延迟可影响备牙锥度。

2.2""种植手术

传统种植中应用螺旋CT判断种植位点骨量，而锥形束CT的发明替代螺旋CT，操作简单、辐射低、空间分辨率高，对复杂结构区域如下颌骨、下颌神经管、颞下颌关节解剖结构的成像质量更好[15]。种植手术中，自由手操作是常态，但对一些无牙颌、严重颌骨萎缩、连续多牙缺失等复杂病例，自由手在精度方面欠佳。对某些复杂病例，静态导航技术可提供可视化的术前规划方案，医生可按“以修复为导向”原则将种植体设计在理想位点，提前预测治疗难度并规避手术风险。但存在术前设计复杂冗繁、术中不能变动方案、可视化程度较差的局限性，动态导航技术的出现可在一定程度上弥补上述缺点[16]。动态导航使患者在同一天进行种植计划设计和手术，术中将解剖结构的“盲视”变为“直视”，实时引导手术进行且根据实际临床操作情况灵活调改种植方案[17]。这些技术可提高医生手术的精确度，但并不能完全解放医生的双手，而人工智能或能解放医生的双手。Dutreuil等[18]研发人工智能机器人辅助系统，医生成功运用该系统进行1例患者8枚种植体的植入。2011年，Sun等[19]研发自动式种牙机器人，通过坐标测量机将基于锥形束CT的术前种植计划转变成实际的机器人自动化预备种植窝洞，但该方法存在种植位点不精确的不足。2017年，美国Neocis公司研发出世界上第一个商用口腔种植辅助机器人系统Yomi并应用于临床，将人工智能运用至口腔种植领域。白石柱等[20]成功研发自主式种植牙手术机器人，其具备自动追踪和自主操作能力，成功为一名女性患者完成两颗缺牙的种植即刻修复。这一手术的成功实施标志着世界首台自主式种植牙手术机器人的问世。但目前口腔种植手术机器人研究还存在难点，如光学导航系统前期准备工作复杂，包括锥形束CT拍摄、示踪标记选择、各坐标系标定配准等方面，任何环节的误差均可影响导航精度。

2.3""全口义齿排牙

传统全口义齿的制作主要包括4个步骤：初始印模和最终印模的获取、颌位关系的记录、制作颌架及义齿的戴入。上述步骤均依赖医生的临床经验，制作过程复杂且存在较多误差。现代医学致力于发明机器人排牙。2001年，吕培军等[21]利用CRS-4506自由度机器人实现取物体于任意位置和姿态，研制可调式排牙器，初步建立全口义齿的机器人辅助人工牙列制作系统并为1例患者试制人工牙，首次实现机器人辅助排牙。义齿的结构和形态复杂，单操作手臂难以对义齿进行精确掌控和操纵，且义齿系统的排牙精度、速度需要进一步提高，制作出的义齿的外观和形态也需要进一步改善。李存岑等[22]从系统结构及工作原理、控制器硬件设计、控制器软件编制等方面阐述多操作机全口义齿机器人的实现方法、关键技术，证明该机器人运行的响应速度、精度、鲁棒性等达到预期目标，有助于临床排牙。为解决单操作机难以掌控义齿的问题，张永德等[23]设计14个独立操作机，共84个自由度，仅需1次动作即可确定所有义齿的位置，将多操作机技术在全口义齿排牙领域继续发展。但受该系统多驱动电机数量、复杂的计算机算法等因素影响，实现机器人系统控制和运动学计算非常困难。后期，Zhang等[24]针对该问题进行改进，增加1个牙弓发生器和滑道装置，研发14个独立机械手，由50个步进电机驱动的多操作机器人，整合牙弓曲线发生器，进一步提高全口义齿的排牙速率和精确度。排牙机器人可减少手工排牙的部分误差，提高义齿的精准度；但对不同牙齿参数定量化、精确塑造牙齿形态、机器人操作准确度和稳定性等问题仍需深入研究。

3""牙体牙髓

3.1""龋病

有学者应用深度卷积神经网络检测近红外光透照图像中的龋齿病变，将226颗后牙安放在经试点测试的假人头诊断模型中检测，表明其龋齿检测性能良好[25]。Patil等[26]提出一种新颖的龋齿检测模型MPCA-ADA，与其他传统龋齿分类提取模型比较，显示出更好的准确性、敏感度、特异性和精确度。Deniz等[27]利用人工神经网络评估发光二极管和石英卤钨光固化单元对龋齿治疗不同深浅复合材料底部/顶部维氏硬度值比值的影响，确定光固化单元和复合材料参数对维氏硬度比的影响最大。

3.2""根尖周病

目前，许多研究应用人工智能算法对根尖周炎进行训练以研发算法模型，但根尖周炎、肉芽肿、囊肿的诊断同样需鉴别。Endres等[28]开发一种预测深度学习算法，在对2902张不同类型根尖病变全景片鉴别诊断中，相比于24名外科医生，其精确度更高，该算法有望帮助医生进行临床诊断。根管治疗中正确的根备、根充都与准确的根长测量相关。实验中医生测量根长的准确率为76%，Saghiri等[29]用人工神经网络测量根管长度的准确率为96%。有学者开发机电一体化系统用于根管预备，其可增加根备效率，并降低医源性侧穿的风险[30]。为消灭根管内易导致再感染的细菌，Hwang等[31]设计催化抗菌机器人，该机器人可按设定的路径进行根管预备，根备中利用具有双重催化磁性功能的氧化铁纳米颗粒，可精确去除生物膜碎片。

4""颌面外科

在正颌定点方面，Kang等[32]提出一种基于多阶段深度强化学习及体积渲染成像的自动3D头影测量注释系统，与传统手工标记相比，该系统的定点时间极大缩短。正颌定点后是否进行手术，有经验的医生可参考既往病例制定手术计划，而缺乏经验的医生可借助智能技术手段。Jeong等[33]对822例患有牙颌面畸形和错的参与者拍摄正面和右侧面部照片，根据是否需正颌手术分为两组，每组各411例；实验使用VGG19卷积神经网络分类，数据显示准确率为89.3%，最终得出该算法仅通过照片可相对准确地判断是否需要正颌手术的结论。传统颌面外科术者需熟悉口腔颌面部血管、神经、肌肉组织位置走向，避免损伤重要解剖结构，而对一些肿瘤切除范围、正颌颌骨精准切割等做不到精确把控，术中引入数字化可帮助解决此类问题。肿瘤切除范围方面，有研究者用高光谱成像技术研究30例口腔肿瘤患者的手术标本，结果显示人工智能技术对口腔肿瘤边界预测精确度达85%，具有良好的参考价值[34]。Gui等[35]制造一种新的7自由度机械臂，应用自主研发的导航系统TBNAVIS-CMFS实现Le"Fort"Ⅰ截骨术虚拟手术规划，并在实际手术中用机械臂成功完成截骨术，成功应对传统使用骨锯很难做到精确截取不规则上下颌骨的问题。术后面容预测对医生来说是一项难题。Tanikawa等[36]获取137例接受正颌手术患者治疗前后头颅侧位片和三维面部图像，开发人工智能系统预测正颌手术后的面部形态；根据结果，当＜2mm的系统误差定义为成功时，实验总成功率均为100%。对正颌外科术前三维口颌面数字化定点、手术适应证判断、术中辅助导航、术后面容预测，数字化的应用只涉及其中一个方面，未来还需要研究集术前、术中、术后智能化一体的数字化技术。

5""口腔教学

课本知识复杂、冗繁，课堂知识任务重，学生在短暂课堂中被动接受大量抽象、难以理解的口腔医学知识，不少同学存在厌学心理。研究表明，学生对网络教学的兴趣高于传统教学模式，学习积极性更高[37]。自新冠肺炎疫情以来，大部分高校在远程教学平台上进行视频直播教学，同时设置回放供学生反复观看，以提高学生知识获取的积极性。课前、课中、课后都可观看的教学视频让学生能对不理解的知识反复学习。随着网络教学平台的完善，数字图书馆、资源库、试题库等都开始在平台上出现。学生可根据自身时间随机进行学习，满足个性化需求。部分平台上设有自适应学习平台，专门针对学生各种情况进行评估和总结，设计出符合学生个人特点的教学进度，有针对性地进行理论指导和知识点突破[38]。中国某学校采用校内网络平台与理论教学相结合的教学方法，通过对学习时间、成绩、课堂讨论质量的统计分析发现，与传统教学模式相比，混合式教学模式在培养学生自主学习、团队合作、分析解决问题、临床思维等方面得到更广泛认可[39]。人工智能技术的应用为学生的学习增添乐趣。人工设计的机器人教师可通过摄像头观察学生的学习过程，剖析语言和肢体行为的意义，收集学生提出的问题和建议，整合反馈给教师，对教学内容和方法进行整改[40]。然而，数字化教学导致小组讨论和同学间交流减少，且目前国内没有统一的口腔数字化教育标准，这些问题在未来口腔医学人工智能教学应用上仍需解决。

6""展望

口腔医学行业数字化已发展几十年，医生和患者群体均受益匪浅。目前，数字化技术的前沿是人工智能技术的应用，人工智能在口腔行业的图像判断、疾病检测、疾病治疗等方面均取得不错的成绩。然而，人工智能尚未达到广泛临床推广的程度，问题层出不穷。第一，“黑匣子”特性。一些人工智能算法只知道算法数据的输出和结果，数据处理过程不明确，无法科学论证。第二，数据隐私性。训练人工智能算法需大量患者数据，而这些数据的隐私性得不到保证。第三，伦理问题。人工智能在口腔领域的应用还没有完善的法律法规，这一领域的伦理问题，即“谁来为医疗事故负责”也需要解释清楚。随着社会和科技的发展，这些问题都是可以解决的。同时，应对人工智能保持严谨的态度，其只能起到辅助医生的作用，并不能取代医生。人工智能的发展方兴未艾，未来口腔医学领域有望出现集预测、诊断、治疗、预后为一体的人工智能系统，进一步造福医患。

利益冲突：所有作者均声明不存在利益冲突。

[参考文献]

[1] 洪劲超，"袁蕊，"谢曜爵."口腔医学数字技术的应用进展[J]."当代医药论丛，"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] 叶年嵩，"房兵."数字化正畸发展现状[J]."实用口腔医学杂志，"2022，"38（6）："707–712.

[4] 潘林，"胡遒生，"鲍旭东，"等."基于模板匹配的头颅侧位片标志点的自动识别[J]."临床口腔医学杂志，"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] 张霞玲."定深法用于后牙面牙体预备准确度分析[J]."现代中西医结合杂志，"2012，"21（3）："268–269.

[10] 于海洋，"赵雨薇，"李俊颖，"等."基于牙体牙髓、牙周及功能健康的显微微创牙体预备[J]."华西口腔医学杂志，"2019，"37（3）："229–235.

[11] 陈端婧，"李怡源，"李俊颖，"等."一种显微精准定深孔牙体预备技术[J]."华西口腔医学杂志，"2016，"34（3）："325–327.

[12] 北京大学口腔医学院."一种高效率牙体预备导板的制作方法："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] 祝寻寻."CBCT与螺旋CT原理比较[J]."内江科技，"2015，"36（10）："122，"142.

[16] 叶明君，"沈山."口腔种植动态导航系统应用的研究[J]."医学信息，"2022，"35（1）："62–66.

[17] 张馨月，"王柏翔，"萧立萱，"等."动态导航技术在无牙颌种植中的应用进展[J]."中华口腔医学杂志，"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，"赵铱民."口腔种植机器人的相关研究[C]."南宁："第十五次全国口腔医学计算机应用学术研讨会，"2017："1–2.

[21] 吕培军，"王勇，"李国珍，"等."机器人辅助全口义齿排牙系统的初步研究[J]."中华口腔医学杂志，"2001，"36（2）："139–142.

[22] 李存岑，张永德，遇大道，等."基于TMS320LF2407A的全口义齿机器人控制器设计[J]."自动化技术与应用，"2005，"24（10）："7–9，"12.

[23] 张永德，"马俊伟，"赵燕江，"等."包含串并联关节的排牙机器人运动学分析[J]."机械科学与技术，"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] 孙宏亮."基于人工智能技术的口腔医学应用与研究进展[J]."黑龙江科学，"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] 王梦溪，"王娜，"张欣多，"等."人工智能医学教学平台的构建[J]."中国高等医学教育，"2020（3）："46–48.

[39] 贾如，"王珍珍，"刘洁，"等."基于校内SPOC平台与理论授课的混合式教学法在口腔修复学课程教学中的应用[J]."中国高等医学教育，"2023（1）："108–109.

[40] 赵兴龙."翻转课堂中知识内化过程及教学模式设计[J]."现代远程教育研究，"2014（2）："55–61.

（收稿日期：2024–05–15）

（修回日期：2024–10–16）