一、为什么这个话题值得你认真读

智齿拔除或者种植牙手术中，下颌神经管损伤是最让人后怕的并发症之一。

下颌神经管里走的是下牙槽神经——损伤后，患者会出现嘴唇麻木、感觉异常，严重的可能永久性感觉障碍。而这颗神经，走在下颌骨里头，藏在影像里，肉眼看不见。

文献报道的数字并不乐观：比如智齿拔除术后感觉异常的发生率在6/550（大约1%左右）（PMID: 17484797）。对于一位年手术量较大的外科医生，这意味着每年可能遇到不止一例术后麻木的情况。

CBCT（锥形束CT）是目前口腔种植最常用的三维影像工具，分辨率高、辐射低、费用可及。但CBCT图像里，下颌神经管边界并不总是清晰可辨——特别是在骨质密度不均、神经管变异、或者图像质量欠佳的时候。

传统做法是医生凭经验手动描绘神经管轮廓，再在软件里规划种植钉的位置。这依赖读片经验，不同医生之间差异可以很大。而且，上百张断层图像需要逐层观察，长时间阅片难免产生视觉疲劳——一个熟练的医生完成一例神经管标注也需要15到20分钟。

AI要做的事情，简单说就是：让计算机自动、准确地把神经管在CBCT里”标出来”。 标得准，后续的手术规划才有可靠依据。

二、AI是怎么”看”CBCT片子的

这一段稍有点技术，但概念不难理解。

主流方案用的是一种叫深度学习的方法，具体来说是U-Net及其变体——一种专门处理图像分割（segmentation）的神经网络架构。

它的基本思路是：

训练时，给AI喂大量已经标注好的CBCT图像——每张图里神经管的真实位置都有人工标出来。AI从这些”正确答案”里学习，找到什么样的图像特征对应神经管区域。

学习完成后，给它一张新的CBCT，它就能自动输出神经管的位置。

速度对比很直观： 人工标注一例CBCT需要15到20分钟，AI只需要几十秒。而且AI不会疲劳——看第100张片子和第1张片子时表现一样稳定。当然，AI的输出需要医生审一遍，但整体时间仍然大大缩短。

从2023年到2025年，相关研究快速增加。 PubMed检索结果显示，这个领域的文献数量在近三年翻了不止一倍。这说明两点：需求真实存在，技术正在成熟。

三、几项关键研究，告诉你AI现在做到什么水平

在介绍具体研究之前，先看一个大背景。2025年《Journal of Evidence-Based Dental Practice》发表了一篇该领域最全面的Meta分析，纳入了33篇研究、超过45,000张影像（PMID: 41290278）。结果显示，AI在识别牙根与神经管关系方面的汇总敏感度为0.89，而参与对比的16位临床专家的敏感度为0.76。也就是说，从大规模数据来看，AI的检出能力已经优于医生肉眼阅读的水平。

下面是我整理的几项代表性研究，结论尽量保留原貌：

研究一：两阶段3D-UNet方案

出处： BMC Oral Health, 2023（PMID: 37563606）

做法： 先用一个模型定位神经管的大致区域，再用另一个模型完成精细分割。两阶段的好处是：快，且准。

结果： 分割精度达到了0.87以上（满分1），在部分亚组甚至超过0.90。处理一例CBCT数据耗时约几十秒。

临床意义： 这个精度已经接近资深放射科医生的手工描绘水平，效率却是数量级的提升。

研究二：AI达到”人类水平”了吗？

出处： Dentomaxillofacial Radiology, 2025（PMID: 39932925）

标题直接用了“human-level performance”——研究者比较了深度学习分割结果与高年资口腔颌面放射科医生的手工描绘，发现两者之间无统计学显著差异。

研究同时指出，AI的稳定性更好——人类手工描绘在不同时间点对同一张片子可能画出略有不同的轮廓，AI的一致性则更强。

需要补充的： 这类”AI达到人类水平”的结论需要看具体场景。神经管走形清晰的时候AI和人都靠谱；图像质量差、神经管边界模糊的时候，两者的差距会显现。

研究三：神经管距离的精确测量

出处： BMC Oral Health, 2025（PMID: 40770327）

除了标注位置，AI还能做一件对临床更有价值的事——精确测量牙根尖端到神经管的距离。

传统做法是医生在CBCT断面上目测或手动拉标尺，受图像质量和操作者经验影响较大。这套AI系统在三维重建模型里自动计算最短距离，以多位专家的测量结果为金标准，AI的平均误差仅为0.18mm，明显优于常规手动测量。

临床意义： 把评估从”看起来很近”提升到”实际相距2.3mm”的精确水平。对于经验不足的医生，这种定量数据尤其有参考价值。

研究四：下颌双叉神经管——AI的更大挑战

出处： BMC Oral Health, 2025（PMID: 40468302）

下颌双叉神经管（bifid mandibular canal）是一种解剖变异，人群中约0.5%~3%的人存在。神经管分叉，损伤风险更高，因为主神经管的位置之外还多了一个未知分支。

这项研究专门检验AI在双叉神经管CBCT分割上的表现：整体精度尚可，但分叉处的漏检率明显高于主干。

临床提示： 如果你接诊的患者有双叉神经管变异，AI分割结果需要更谨慎地结合临床判断。

四、精度怎么衡量？读文献时别被数字绕晕

学术论文里评估分割精度有几个常用指标，简单解释一下：

Dice系数（Dice Coefficient） 取值0-1，越接近1表示分割结果与真实边界重合度越高。目前主流AI在下颌神经管分割上的Dice系数通常在0.80~0.90之间，临床上是可接受的水平。

平均表面偏差（Average Surface Distance） 衡量AI标注与专家标注之间平均偏离了多少毫米。这个指标对临床更有参考价值——目前主流AI的平均偏差大约在0.5mm左右，基本在亚毫米级，可供术前参考。

灵敏度（Sensitivity）与特异度（Specificity） 灵敏度是AI找到了多少真实存在的神经管区域；特异度是AI排除了多少非神经管区域。高灵敏度+高特异度才是好系统。

读文献时注意： 有些研究只报告Dice，不报告具体的毫米级偏差。这类研究的临床参考价值要打折扣——对一个直径仅几毫米的神经管来说，0.5mm的偏差和1.5mm的偏差，临床意义完全不同。

五、AI辅助下颌神经管分割：现在能用吗？

直接说结论：

能用，但有条件。

适合的场景：

• 常规种植手术的术前规划，AI分割结果配合医生审核，可显著节约读片时间
• AI还能提供精确的神经管-牙根距离（误差不到0.2mm），帮助医生判断风险等级
• 年轻医生经验不足时，AI可作为”第二意见”降低漏诊风险
• 大批量数据筛查（如正畸患者CBCT库的系统性分析）

需要谨慎的场景：

• 神经管边界不清晰（如老年人骨质疏松影像学改变明显）
• 双叉神经管等解剖变异（AI漏检率上升）
• 涉及医疗纠纷或法律认定时（AI分割不能替代医生最终判断）
• 不同AI工具之间差异明显，选择时需参考独立验证数据

六、离临床落地还有几步？

技术走在前面，但实际落地还有几个问题：

数据依赖： AI模型的表现高度依赖训练数据。如果训练数据主要来自某一品牌的CBCT设备，换一台设备（不同参数、不同重建算法）可能会出现精度下降。这叫”域偏移”问题，目前研究中已经开始关注这个方向。

监管认证： 目前国内口腔AI产品多数定位为”辅助诊断工具”而非独立诊断手段。用于正式临床决策前，需要了解当地监管要求和责任归属。

与种植规划软件的整合： 分割是第一步，后续还要在种植规划软件里完成植体设计。这要求AI输出能与规划软件无缝对接，目前不同厂商之间仍有壁垒。

解剖变异的处理： 双叉神经管等变异结构在人群中并不少见，而AI在变异解剖上的表现仍有提升空间。术前需要医生对可疑区域进行重点复核。

写在最后

技术进步很快，但口腔医生永远是最终决策者。

往期文章建议：

AI回答医学临床问题很流畅，但它真的在”思考”吗？

国家医保局亲自下场举办AI识图临床应用比赛了，口腔领域会怎么样？

美团平台开始给口腔诊所导流了，这和外卖是一回事吗？

本文部分数据来自PubMed收录的开放获取期刊，可通过PMID下载全文核实。