面向临床需求与规范化挑战的人工智能在牙周诊疗中的应用与展望

doi:10.3877/cma.j.issn.119285-20260114-00008

随着人工智能（AI）与医学专业不断地融合发展，其通过模拟人类认知与决策能力，逐步革新口腔医学的临床实践。凭借机器学习、深度学习及计算机视觉技术，AI系统可有效分析口腔影像（X线片、CT等）、口内照和临床病例病案等，实现牙周病早期筛查与快速诊断。AI有潜力为医生提供更加迅速便捷的平台，开发更为准确的牙周炎筛查工具，进而为口腔科医师提供有效的诊疗计划及预后判断。本文旨在对AI诊断工具在牙周炎中的应用现状作综述，并对其未来发展趋势进行展望。系统梳理了AI常用模型和评价指标，并探讨其局限性及向临床推广应用的规范及可行性，为未来AI在牙周炎诊断中的创新研发提供思路。并且，本研究从规范化与监管视角系统分析AI牙周诊断的临床转化路径，对人机协作模式进行探讨，为后续研究的规范化提供参考。

关键词: 人工智能, 人工智能辅助诊断, 人工智能临床应用, 牙周炎, 牙周辅助诊断

With the continuous development and integration of artificial intelligence (AI) and medicine, AI is gradually revolutionizing clinical practice in dentistry by simulating human decision-making. Through machine learning, deep learning, and computer vision technologies, AI facilitates early screening and precise diagnosis of periodontitis. Artificial intelligence has the potential to provide clinicians with a more rapid and convenient platform to develop more accurate periodontitis screening tools. The objective of this article is to review the current status and future development of artificial intelligence diagnostic tools for chronic periodontitis. We summarize commonly used AI models and evaluation metrics. And we discuss their limitations, as well as the standardization and feasibility of AI′s clinical application. Furthermore, this study also analyzes the clinical translation pathway of AI periodontal diagnosis from the perspectives of standardization and regulation. It provides a valuable reference for the standardization of subsequent research.

Key words: Artificial intelligence (AI), AI-assisted diagnosis, AI clinical application, Periodontitis, Periodontal assisted diagnosis

表1 图像识别人工智能（AI）在牙龈炎诊断中的应用汇总

作者	样本量	纳入排除标准	AI模型	性能评估结果	性能验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Li等^[15]（2021）	纳入625例患者，共3 932张口内照，年龄14 ~ 60岁	纳入标准：纳入在牙周科、牙体牙髓科就诊的患者，使用智能手机和相机拍摄患者口内照，未对图像进行特定的纳入或排除标准设定。允许纳入曝光不足、对焦不准的照片。	基于多任务学习的CNN（包含3个子网：FNet、LNet、CNet）	AUC：87.11%（牙龈炎），80.11%（牙结石），78.57%（软垢）；LPM：58.19%（牙龈炎），49.39%（牙结石）	将模型结果与3位获得执业认证的牙医手动标记图像进行对比。	无外部验证	实验室阶段，暂无开放获取方式。	优势：在数据纳入阶段故意不设置标准，允许曝光不足、对焦不准的照片纳入训练，证明其在真实、复杂的环境下更为耐用；使用边界框和热力图标出牙龈红肿和结石的位置，具有良好的可解释性。劣势：相比牙结石，软垢的定位评分较低，难以精准锁定软垢位置；数据来源单一，未覆盖老年人群和不同人种人群；过度曝光和对焦失败依然会导致模型的误判，仅定位为筛查工具。
Chau等^[14]（2023）	567名志愿者的口内照	纳入标准：≥18岁；有5颗或更多前牙；张口充分，能看到上颌和下颌牙龈边缘至少3 mm的牙龈组织；能够按时参加牙科预约，并在拍摄口内照片时保持不动。排除标准：患有与牙菌斑无关的口腔黏膜疾病，且该疾病导致无法使用口镜牵开的受试者。	DeepLabv3+神经网络模型	敏感度：0.92；特异度：0.94	将AI模型结果与牙医诊断进行比较。	对以此模型为基础研发"GumAI"，并进行了外部验证^[40]	研发阶段，暂无开放获取方式。	优势：能够直观显示出牙龈炎症病变；GumAI可在移动设备上安装使用；在社区老年人群中进行了外部验证，证明了其广泛适用性。劣势：模型针对华人参与者照片进行训练，可能具有种族差异；对全身（如：糖尿病、吸烟、妊娠等）和局部修饰因素（如：牙结石、不良修复体、牙齿排列不齐等）的适应性未知。
Wen等^[19]（2024）	826张口内照	纳入标准：所有年龄段的患者、吸烟者、孕妇和哺乳期妇女、接受过稳定全身性疾病治疗但无活动性全身性疾病的患者。排除标准：服用抗生素的患者、接受抗癌治疗的患者、严重牙龈增生的患者，以及牙龈色素沉着过多或颜色异常的患者。	牙齿移除算法+基于DenseNet的CNN模型	准确率：76.32%；AUROC：0.82；MIoU：0.727±0.117	五折交叉验证，将模型分析结果与牙科医师标注结果和之前提出的ResNet、Inception-v3和EfficientNet模型进行性能比较。	无外部验证	实验室阶段，暂无开放获取方式。	优势：不只能够识别出牙龈炎症，还适用t-SNE方法对牙龈炎症进行评分；使用Grad-CAM++工具，使模型具有可解释性。劣势：数据集来源单一；一些特殊图像（如：严重的牙龈增生和黑色素沉着）可能会误导诊断。
Li等^[16]（2025）	120例牙周炎患者的牙周探诊数据和口内扫描图像	纳入标准：符合慢性牙周炎的诊断标准；无其他全身疾病。排除标准：牙齿和牙龈有明显色素沉着；上唇系带附着过低；正在接受正畸治疗；患有颞下颌关节紊乱病；患有严重全身性疾病、精神障碍或帕金森病且无法自理；开口度异常。	GC-U-Net	Dice系数：77.8%，IoU：65.4%，PA：93.7%；与龈沟出血指数高度相关（r = 0.836），与出血指数呈强相关（r = 0.618）	4位牙周专家标注作为"金标准"；和在医学图像分割领域具有重要影响力和代表性的多个深度学习模型进行比较。	无外部验证	实验室阶段，暂无开放获取方式，设计和算法可应合理请求向通讯作者获取。	优势：结合口扫设备获得高分辨率图像进行牙龈炎症识别，避免了实际临床环境中光照、患者个体差异所带来的偏倚；模型对比传统模型在牙龈炎症识别方面具有卓越性能，能够描绘出炎症区域边界；结合Grad-CAM++技术，使得模型具有可解释性；模型表现与临床指标（龈沟出血指数）呈强正相关，具有临床应用潜力。劣势：模型结果与探诊深度呈负相关，无法识别深层病理改变；在背景复杂性高或牙龈图像对比度低的病例中，模型性能有所下降。

表1 图像识别人工智能（AI）在牙龈炎诊断中的应用汇总

作者	样本量	纳入排除标准	AI模型	性能评估结果	性能验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Li等^[15]（2021）	纳入625例患者，共3 932张口内照，年龄14 ~ 60岁	纳入标准：纳入在牙周科、牙体牙髓科就诊的患者，使用智能手机和相机拍摄患者口内照，未对图像进行特定的纳入或排除标准设定。允许纳入曝光不足、对焦不准的照片。	基于多任务学习的CNN（包含3个子网：FNet、LNet、CNet）	AUC：87.11%（牙龈炎），80.11%（牙结石），78.57%（软垢）；LPM：58.19%（牙龈炎），49.39%（牙结石）	将模型结果与3位获得执业认证的牙医手动标记图像进行对比。	无外部验证	实验室阶段，暂无开放获取方式。	优势：在数据纳入阶段故意不设置标准，允许曝光不足、对焦不准的照片纳入训练，证明其在真实、复杂的环境下更为耐用；使用边界框和热力图标出牙龈红肿和结石的位置，具有良好的可解释性。劣势：相比牙结石，软垢的定位评分较低，难以精准锁定软垢位置；数据来源单一，未覆盖老年人群和不同人种人群；过度曝光和对焦失败依然会导致模型的误判，仅定位为筛查工具。
Chau等^[14]（2023）	567名志愿者的口内照	纳入标准：≥18岁；有5颗或更多前牙；张口充分，能看到上颌和下颌牙龈边缘至少3 mm的牙龈组织；能够按时参加牙科预约，并在拍摄口内照片时保持不动。排除标准：患有与牙菌斑无关的口腔黏膜疾病，且该疾病导致无法使用口镜牵开的受试者。	DeepLabv3+神经网络模型	敏感度：0.92；特异度：0.94	将AI模型结果与牙医诊断进行比较。	对以此模型为基础研发"GumAI"，并进行了外部验证^[40]	研发阶段，暂无开放获取方式。	优势：能够直观显示出牙龈炎症病变；GumAI可在移动设备上安装使用；在社区老年人群中进行了外部验证，证明了其广泛适用性。劣势：模型针对华人参与者照片进行训练，可能具有种族差异；对全身（如：糖尿病、吸烟、妊娠等）和局部修饰因素（如：牙结石、不良修复体、牙齿排列不齐等）的适应性未知。
Wen等^[19]（2024）	826张口内照	纳入标准：所有年龄段的患者、吸烟者、孕妇和哺乳期妇女、接受过稳定全身性疾病治疗但无活动性全身性疾病的患者。排除标准：服用抗生素的患者、接受抗癌治疗的患者、严重牙龈增生的患者，以及牙龈色素沉着过多或颜色异常的患者。	牙齿移除算法+基于DenseNet的CNN模型	准确率：76.32%；AUROC：0.82；MIoU：0.727±0.117	五折交叉验证，将模型分析结果与牙科医师标注结果和之前提出的ResNet、Inception-v3和EfficientNet模型进行性能比较。	无外部验证	实验室阶段，暂无开放获取方式。	优势：不只能够识别出牙龈炎症，还适用t-SNE方法对牙龈炎症进行评分；使用Grad-CAM++工具，使模型具有可解释性。劣势：数据集来源单一；一些特殊图像（如：严重的牙龈增生和黑色素沉着）可能会误导诊断。
Li等^[16]（2025）	120例牙周炎患者的牙周探诊数据和口内扫描图像	纳入标准：符合慢性牙周炎的诊断标准；无其他全身疾病。排除标准：牙齿和牙龈有明显色素沉着；上唇系带附着过低；正在接受正畸治疗；患有颞下颌关节紊乱病；患有严重全身性疾病、精神障碍或帕金森病且无法自理；开口度异常。	GC-U-Net	Dice系数：77.8%，IoU：65.4%，PA：93.7%；与龈沟出血指数高度相关（r = 0.836），与出血指数呈强相关（r = 0.618）	4位牙周专家标注作为"金标准"；和在医学图像分割领域具有重要影响力和代表性的多个深度学习模型进行比较。	无外部验证	实验室阶段，暂无开放获取方式，设计和算法可应合理请求向通讯作者获取。	优势：结合口扫设备获得高分辨率图像进行牙龈炎症识别，避免了实际临床环境中光照、患者个体差异所带来的偏倚；模型对比传统模型在牙龈炎症识别方面具有卓越性能，能够描绘出炎症区域边界；结合Grad-CAM++技术，使得模型具有可解释性；模型表现与临床指标（龈沟出血指数）呈强正相关，具有临床应用潜力。劣势：模型结果与探诊深度呈负相关，无法识别深层病理改变；在背景复杂性高或牙龈图像对比度低的病例中，模型性能有所下降。

表2 图像识别人工智能（AI）辅助X线片在牙周病诊断中的应用汇总

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Kim等^[6]（2019）	12 179张口腔全景曲面体层片训练集（11 189）、验证集（190）和测试集（800）	纳入韩国一家牙科诊所的12 179张口腔全景曲面体层片。	预测每颗牙齿存在或不存在牙周骨吸收，没有明确定义或使用特定的牙周疾病分期或分级标准。	DeNTNet+CNN+迁移学习和临床先验知识。	AUROC：0.95；灵敏度：0.77；特异性：0.95。	将DeNTNet的性能与测试集中五位牙科临床医师的性能进行了比较。	无	实验室阶段，暂无开放获取方式。	优势：模型能够自动检测病灶并提供相应的牙齿编号，能显著提高临床工作效率；使用迁移学习来解决训练数据有限的问题，结合了临床先验知识以提高性能。劣势：全景X光片的分辨率较低，这可能会阻碍局部形态变化的检测；由于数据集中第三磨牙的示例有限，DeNTNet在第三磨牙上的性能低于临床医师；仅检测了RBL，未进行牙周炎分级。
Chang等^[8]（2020）	检测数据集：330张口腔全景曲面体层片（检测牙槽骨水平）；115张（检测CEJ水平）73张（检测牙齿）。分类数据集：10张口腔全景曲面体层片（评估牙周炎分期性能）。	排除标准：排除了乳牙或混合牙列期患者的图像。	AAP/EFP 2017新牙周炎分类。	检测：基于Mask R-CNN架构、FPN和ResNet101主干网络的改进CNN模型；分类：传统的CAD处理方法。	通过比较模型诊断结果和3位放射科医师的诊断结果，计算MAD、PCC和ICC来评估分类性能。	将AI模型对牙周炎分期的诊断结果与3位口腔放射科医师（包括1位教授、1位研究员和1位住院医师）的诊断结果进行比较。	无	实验室阶段，暂无开放获取方式。	优势：该方法能够自动检测牙槽骨水平和CEJ水平，并对牙槽骨丧失程度进行分期；混合框架结合了深度学习的特征提取能力和传统CAD的定量分析能力。劣势：因为全景X光片中存在图像放大和失真，该模型无法提供牙槽骨丧失的绝对值；研究中使用的训练数据量相对较小；缺乏外部验证，限制了模型的泛化能力。
Jiang等^[9]（2022）	640张口腔全景曲面体层片（80%训练集和20%测试集）。	排除了乳牙和混合牙列患者的图像。	AAP/EFP 2017新牙周炎分类。	两阶段深度学习架构（UNet, YOLO-v4）。	总体分类准确率：0.77；总体敏感性：0.77；特异性：0.88。	将AI分析结果和3位具有3年以上临床经验的牙周病医师的诊断结果进行比较。	无	实验室阶段，暂无开放获取方式。	优势：首次提出结合UNet和YOLO-v4的两阶段深度学习架构；除了检测牙槽骨吸收量，还包括了垂直骨吸收和根分叉病变的检测；对于Ⅰ期和Ⅱ期牙周炎检测灵敏度显著高于普通全科医师。劣势：不同牙位表现有差异；对垂直吸收检测的特异性相对较低；无法区分无牙槽骨吸收和Ⅰ期牙周炎患者；未结合临床数据进行全面诊断。
Lee等^[10]（2022）	原始数据集：37例患者的693张根尖片；附加数据集（用于验证）：46例患者的644张根尖片。	纳入标准：有牙周诊断史的患者；无明确排除标准。	2018年牙周炎分类。	ResNet-34编码器的U-Net（骨骼区域和牙齿）+具有CNN的U-Net（CEJ线分割）。	牙周炎诊断准确率：0.85；牙周炎分期准确率：0.87；牙周炎分级准确率：0.96。	将深度学习模型的测量和诊断结果与独立检查者（牙周医师和1位牙周住院医师）的测量和诊断结果进行比较。	在模型附加数据集上进行评估。	实验室阶段，暂无开放获取方式。	优势：不同于传统RBL百分比可能会产生误导，本文章提供了CEJ与牙槽骨水平之间距离的信息；劣势：该模型需要更大的数据集进行验证；模型容易低估垂直骨缺损；相比于对范围、分级的诊断，对牙周炎分期的诊断准确率较低。
Liu等^[11]（2023）	原始数据集：1 924张口腔全景曲面断层片（训练集n=1 276，验证集n=376，测试集n=272）外部验证集：351张口腔全景曲面断层片。	排除标准：口腔全景曲面断层片有大量金属伪影、严重模糊和噪声；由于PBL，无法准确选择受影响的区域。	2018年EFP和AAP发布的新分类系统。	基于AlexNet构建的CNN架构；Grad-CAM工具可视化PAR-CNN模型。	AUC：测试集：0.843，外部验证集：0.793；敏感度：0.820；特异度：0.780；准确度：0.800。	对比了该模型与牙周专家、普通牙医在影像判读准确率和耗时方面的差异。	双中心验证	实验室阶段，暂无开放获取方式。	优势：诊断牙周炎的准确性接近牙周专家水平，高于普通牙科医师；阅读曲面断层片的时间显著少于牙周专家和普通牙科医师；使用了Grad-CAM方法来可视化模型关注的区域，提高了模型的可解释性；在多中心数据上进行了验证，增加了模型的泛化能力。劣势：回顾性研究，可能存在选择偏倚；健康对照组包含了牙龈炎患者，这可能会影响模型的准确性。

表2 图像识别人工智能（AI）辅助X线片在牙周病诊断中的应用汇总

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Kim等^[6]（2019）	12 179张口腔全景曲面体层片训练集（11 189）、验证集（190）和测试集（800）	纳入韩国一家牙科诊所的12 179张口腔全景曲面体层片。	预测每颗牙齿存在或不存在牙周骨吸收，没有明确定义或使用特定的牙周疾病分期或分级标准。	DeNTNet+CNN+迁移学习和临床先验知识。	AUROC：0.95；灵敏度：0.77；特异性：0.95。	将DeNTNet的性能与测试集中五位牙科临床医师的性能进行了比较。	无	实验室阶段，暂无开放获取方式。	优势：模型能够自动检测病灶并提供相应的牙齿编号，能显著提高临床工作效率；使用迁移学习来解决训练数据有限的问题，结合了临床先验知识以提高性能。劣势：全景X光片的分辨率较低，这可能会阻碍局部形态变化的检测；由于数据集中第三磨牙的示例有限，DeNTNet在第三磨牙上的性能低于临床医师；仅检测了RBL，未进行牙周炎分级。
Chang等^[8]（2020）	检测数据集：330张口腔全景曲面体层片（检测牙槽骨水平）；115张（检测CEJ水平）73张（检测牙齿）。分类数据集：10张口腔全景曲面体层片（评估牙周炎分期性能）。	排除标准：排除了乳牙或混合牙列期患者的图像。	AAP/EFP 2017新牙周炎分类。	检测：基于Mask R-CNN架构、FPN和ResNet101主干网络的改进CNN模型；分类：传统的CAD处理方法。	通过比较模型诊断结果和3位放射科医师的诊断结果，计算MAD、PCC和ICC来评估分类性能。	将AI模型对牙周炎分期的诊断结果与3位口腔放射科医师（包括1位教授、1位研究员和1位住院医师）的诊断结果进行比较。	无	实验室阶段，暂无开放获取方式。	优势：该方法能够自动检测牙槽骨水平和CEJ水平，并对牙槽骨丧失程度进行分期；混合框架结合了深度学习的特征提取能力和传统CAD的定量分析能力。劣势：因为全景X光片中存在图像放大和失真，该模型无法提供牙槽骨丧失的绝对值；研究中使用的训练数据量相对较小；缺乏外部验证，限制了模型的泛化能力。
Jiang等^[9]（2022）	640张口腔全景曲面体层片（80%训练集和20%测试集）。	排除了乳牙和混合牙列患者的图像。	AAP/EFP 2017新牙周炎分类。	两阶段深度学习架构（UNet, YOLO-v4）。	总体分类准确率：0.77；总体敏感性：0.77；特异性：0.88。	将AI分析结果和3位具有3年以上临床经验的牙周病医师的诊断结果进行比较。	无	实验室阶段，暂无开放获取方式。	优势：首次提出结合UNet和YOLO-v4的两阶段深度学习架构；除了检测牙槽骨吸收量，还包括了垂直骨吸收和根分叉病变的检测；对于Ⅰ期和Ⅱ期牙周炎检测灵敏度显著高于普通全科医师。劣势：不同牙位表现有差异；对垂直吸收检测的特异性相对较低；无法区分无牙槽骨吸收和Ⅰ期牙周炎患者；未结合临床数据进行全面诊断。
Lee等^[10]（2022）	原始数据集：37例患者的693张根尖片；附加数据集（用于验证）：46例患者的644张根尖片。	纳入标准：有牙周诊断史的患者；无明确排除标准。	2018年牙周炎分类。	ResNet-34编码器的U-Net（骨骼区域和牙齿）+具有CNN的U-Net（CEJ线分割）。	牙周炎诊断准确率：0.85；牙周炎分期准确率：0.87；牙周炎分级准确率：0.96。	将深度学习模型的测量和诊断结果与独立检查者（牙周医师和1位牙周住院医师）的测量和诊断结果进行比较。	在模型附加数据集上进行评估。	实验室阶段，暂无开放获取方式。	优势：不同于传统RBL百分比可能会产生误导，本文章提供了CEJ与牙槽骨水平之间距离的信息；劣势：该模型需要更大的数据集进行验证；模型容易低估垂直骨缺损；相比于对范围、分级的诊断，对牙周炎分期的诊断准确率较低。
Liu等^[11]（2023）	原始数据集：1 924张口腔全景曲面断层片（训练集n=1 276，验证集n=376，测试集n=272）外部验证集：351张口腔全景曲面断层片。	排除标准：口腔全景曲面断层片有大量金属伪影、严重模糊和噪声；由于PBL，无法准确选择受影响的区域。	2018年EFP和AAP发布的新分类系统。	基于AlexNet构建的CNN架构；Grad-CAM工具可视化PAR-CNN模型。	AUC：测试集：0.843，外部验证集：0.793；敏感度：0.820；特异度：0.780；准确度：0.800。	对比了该模型与牙周专家、普通牙医在影像判读准确率和耗时方面的差异。	双中心验证	实验室阶段，暂无开放获取方式。	优势：诊断牙周炎的准确性接近牙周专家水平，高于普通牙科医师；阅读曲面断层片的时间显著少于牙周专家和普通牙科医师；使用了Grad-CAM方法来可视化模型关注的区域，提高了模型的可解释性；在多中心数据上进行了验证，增加了模型的泛化能力。劣势：回顾性研究，可能存在选择偏倚；健康对照组包含了牙龈炎患者，这可能会影响模型的准确性。

续上表

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Kong等^[12]（2023）	1 747张口腔全景曲面体层片（训练集∶验证集∶测试集=7∶1∶2）	涵盖了可能遇到的各种临床特定情况，包括：缺牙、根管治疗、修复体、正畸附件的病例。	AAP/EFP 2017新牙周炎分类。	两阶段PDCNN检测器。	分类准确度：0.762 ± 0.003；平均精度均值：0.782。	将PDCNN的性能与RetinaNet、YOLO-v4、CenterNet和Faster R-CNN进行比较。	无	开源于Github: https://github.com/PuckBlink/PDCNN	优势：所提出的检测器使用无锚框编码，实现了更快和更准确的预测结果；候选区域连接模块能够正确定位相关的ROI，并加速检测过程；数据集涵盖范围广，包含了临床中各种可能遇到的情况。劣势：无锚点编码的缺陷导致其难以处理重叠的牙齿；离散化带来的误差使得分界线附近的病例容易被误诊；无外部验证；缺乏临床多模态数据。
Chen等^[13]（2023）	270例患者的8 000张根尖片。	由于样本量不足排除智齿；排除存在严重失真、重叠或骨水平线显示不全。	AAP/EFP 2017新牙周炎分类。	集成模型（YOLOv5+VGG-16/ResNet/Inception+U-Net+Mask R-CNN）。	模型整体准确率：90%。牙周骨水平检测准确率：92.61%；牙槽骨丧失检测准确率：97.0%。	将AI分析结果与5位经验丰富的牙医手动标注结果对比。	无	实验室阶段，暂无开放获取方式。	优势：为集成模型，减少过拟合出现，提高泛化能力，增强模型准确性。劣势：由于X线的投影角度和重叠问题，放射影像往往会低估骨流失的严重程度；对早期病变不敏感；X线中高密度伪影会导致AI对骨水平的误判。
Ertaş等^[41]（2023）	144例患者的临床资料用于机器学习，口腔全景曲面体层片用于机器学习。	排除非诊断性放射影像，与指定放射影像的临床记录不符以及龈炎的患者。	2018年牙周和牙种植体疾病和状况分类法。	机器学习阶段：临床数据构建机器学习模型；深度学习阶段：对全景X线片使用ResNet50架构与支持向量机算法相结合的混合网络模型算法进行分类。	准确度：0.882；精确度：0.864； AUC：0.799。	使用了十重交叉验证。	无	实验室阶段，暂无开放获取方式。	优势：利用了临床数据和放射影像进行综合分析。基于机器学习的决策系统有可能促进牙周疾病的诊断。劣势：该研究承认当前系统的局限性以及需要进一步优化；与分期相比，放射影像在分级方面的准确率较低。
Xue等^[7]（2024）	320张口腔全景曲面体层片（训练集n=288，测试集n=32）。	排除标准：12岁及以下患者影像；存在严重噪点或模糊的影像；牙齿部分缺失或严重变形的影像。	AAP/EFP 2017新牙周炎分类。	YOLOv8，Mask R-CNN，TransUNet。	准确度：89.45%。	由3位有丰富经验的高年资医师完成初始标注，标注结果经过另外2位高年资牙医独立复核。将深度学习模型输出结果与牙周病专科医师的标注进行对比分析。	无	实验室阶段，暂无开放获取方式。	优势：引入结合Transformer全局特征提取能力的TransUNet，提高组织分割精细度；影像检测效率与精度双优，可提升临床工作效率；为低年资医师及学生提供标准化学习工具；在牙周炎Ⅰ期和Ⅱ期诊断上有显著进步（Ⅰ期准确率由64.2%提升至88.16%）。劣势：对复杂牙齿结构适应性弱，对单根牙识别准确率明显高于多根牙；模型诊断结果通常比医师判断得更严重；无外部验证。
Vigil等^[42]（2024）	使用Kaggle数据集（534张根尖片和100张口腔全景曲面体层片用于训练）。	纳入在线数据集的根尖片和口腔全景曲面体层片，无具体排除标准。	AAP/EFP 2017新牙周炎分类。	DenseUNet++，ADGRU，RRKOA。	准确度：94.45%。	对比研究模型和LSTM，DenseNet，GRU，DenseNet-GRU等其他模型对两个数据集分析的结果。	无	实验室阶段，暂无开放获取方式。	优势：该模型能够有效地检测牙周骨丢失和诊断牙周炎的阶段；所提出的ADGRU模型通过RRKOA算法进行了优化，以提高性能；显著降低了假阴性率，有利于疾病的早期发现。劣势：训练成本高；模型性能评估仅基于训练数据集与其他算法的横向对比，未引入独立外部验证数据集进行泛化能力验证；模型可解释性不足。

续上表

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Kong等^[12]（2023）	1 747张口腔全景曲面体层片（训练集∶验证集∶测试集=7∶1∶2）	涵盖了可能遇到的各种临床特定情况，包括：缺牙、根管治疗、修复体、正畸附件的病例。	AAP/EFP 2017新牙周炎分类。	两阶段PDCNN检测器。	分类准确度：0.762 ± 0.003；平均精度均值：0.782。	将PDCNN的性能与RetinaNet、YOLO-v4、CenterNet和Faster R-CNN进行比较。	无	开源于Github: https://github.com/PuckBlink/PDCNN	优势：所提出的检测器使用无锚框编码，实现了更快和更准确的预测结果；候选区域连接模块能够正确定位相关的ROI，并加速检测过程；数据集涵盖范围广，包含了临床中各种可能遇到的情况。劣势：无锚点编码的缺陷导致其难以处理重叠的牙齿；离散化带来的误差使得分界线附近的病例容易被误诊；无外部验证；缺乏临床多模态数据。
Chen等^[13]（2023）	270例患者的8 000张根尖片。	由于样本量不足排除智齿；排除存在严重失真、重叠或骨水平线显示不全。	AAP/EFP 2017新牙周炎分类。	集成模型（YOLOv5+VGG-16/ResNet/Inception+U-Net+Mask R-CNN）。	模型整体准确率：90%。牙周骨水平检测准确率：92.61%；牙槽骨丧失检测准确率：97.0%。	将AI分析结果与5位经验丰富的牙医手动标注结果对比。	无	实验室阶段，暂无开放获取方式。	优势：为集成模型，减少过拟合出现，提高泛化能力，增强模型准确性。劣势：由于X线的投影角度和重叠问题，放射影像往往会低估骨流失的严重程度；对早期病变不敏感；X线中高密度伪影会导致AI对骨水平的误判。
Ertaş等^[41]（2023）	144例患者的临床资料用于机器学习，口腔全景曲面体层片用于机器学习。	排除非诊断性放射影像，与指定放射影像的临床记录不符以及龈炎的患者。	2018年牙周和牙种植体疾病和状况分类法。	机器学习阶段：临床数据构建机器学习模型；深度学习阶段：对全景X线片使用ResNet50架构与支持向量机算法相结合的混合网络模型算法进行分类。	准确度：0.882；精确度：0.864； AUC：0.799。	使用了十重交叉验证。	无	实验室阶段，暂无开放获取方式。	优势：利用了临床数据和放射影像进行综合分析。基于机器学习的决策系统有可能促进牙周疾病的诊断。劣势：该研究承认当前系统的局限性以及需要进一步优化；与分期相比，放射影像在分级方面的准确率较低。
Xue等^[7]（2024）	320张口腔全景曲面体层片（训练集n=288，测试集n=32）。	排除标准：12岁及以下患者影像；存在严重噪点或模糊的影像；牙齿部分缺失或严重变形的影像。	AAP/EFP 2017新牙周炎分类。	YOLOv8，Mask R-CNN，TransUNet。	准确度：89.45%。	由3位有丰富经验的高年资医师完成初始标注，标注结果经过另外2位高年资牙医独立复核。将深度学习模型输出结果与牙周病专科医师的标注进行对比分析。	无	实验室阶段，暂无开放获取方式。	优势：引入结合Transformer全局特征提取能力的TransUNet，提高组织分割精细度；影像检测效率与精度双优，可提升临床工作效率；为低年资医师及学生提供标准化学习工具；在牙周炎Ⅰ期和Ⅱ期诊断上有显著进步（Ⅰ期准确率由64.2%提升至88.16%）。劣势：对复杂牙齿结构适应性弱，对单根牙识别准确率明显高于多根牙；模型诊断结果通常比医师判断得更严重；无外部验证。
Vigil等^[42]（2024）	使用Kaggle数据集（534张根尖片和100张口腔全景曲面体层片用于训练）。	纳入在线数据集的根尖片和口腔全景曲面体层片，无具体排除标准。	AAP/EFP 2017新牙周炎分类。	DenseUNet++，ADGRU，RRKOA。	准确度：94.45%。	对比研究模型和LSTM，DenseNet，GRU，DenseNet-GRU等其他模型对两个数据集分析的结果。	无	实验室阶段，暂无开放获取方式。	优势：该模型能够有效地检测牙周骨丢失和诊断牙周炎的阶段；所提出的ADGRU模型通过RRKOA算法进行了优化，以提高性能；显著降低了假阴性率，有利于疾病的早期发现。劣势：训练成本高；模型性能评估仅基于训练数据集与其他算法的横向对比，未引入独立外部验证数据集进行泛化能力验证；模型可解释性不足。

续上表

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Guler Ayyildiz等^[43]（2024）	2 533张口腔全景曲面体层片。	排除患有牙科植入物、正畸丝、外科微螺钉板和完全无牙颌患者的口腔全景曲面体层片，以及具有严重伪影和变形的X线片。	AAP/EFP 2017新牙周炎分类。	3种基于迁移学习的CNN模型（ResNet50，DenseNet121，InceptionV3）+机器学习模型分类。	DenseNet121 + GAP：准确率：0.794，AUC：0.769； ResNet50 + GAP：准确率：0.795，AUC：0.769；InceptionV3 + GAP：准确率：0.785，AUC：0.758。	本研究的报告遵循STARD-AI指南；进行十重交叉验证。	无	实验室阶段，暂无开放获取方式。	优势：深度学习模型能够自动学习图像中的特征，无需手工选择；迁移学习可以克服小数据集问题，减少计算成本；DenseNet模型通过层之间的连接，有助于更快地学习并抵抗过拟合。劣势：CNN模型可能难以区分相似的类别；深度网络可能存在梯度消失的问题，且随着层数增加，计算成本也会增加。
Erturk等^[44]（2025）	1 752张咬翼X线片（80%的训练验证集和20%的测试集）。	排除标准：有缺失牙齿的图像，以及因中心重叠和角度误差而缺乏足够诊断信息的图像。	AAP/EFP 2017新牙周炎分类。	YOLOv8进行基于AI的分类。	准确率：86.1%；精确率：84.79%；召回率：82.35%； F1分数：84.411%。	使用了五重交叉验证进行训练。并在每一轮验证后都生成一个混淆矩阵，以评估模型在不同数据子集上的性能。	无	实验室阶段，暂无开放获取方式。	优势：在区分涉及根分叉的严重病例方面表现出很高的成功率；使用Eigen-CAM可解释性图令模型思考过程可视化。劣势：模型在区分轻度和中度牙槽骨丧失方面表现不如区分正常和重度牙槽骨丧失；对于中度牙周炎，模型的假阳性和假阴性率高于其他类别。
Li等^[18]（2025）	利用10 400张无标签口腔全景曲面体层片进行自监督对比学习预训练；使用来自香港和上海的临床标注数据进行微调；再使用外部数据集Ⅰ（382例患者）和来自全球4个中心的数据集Ⅱ（760例患者）进行外部验证。	纳入标准：18岁及以上的接受全景曲面断层片的成年患者。排除标准：无牙颌患者和孕妇。	2018年牙周炎分类。	在HC-Net基础上，通过大规模自监督预训练与临床探诊数据微调后生成的HC-Net+模型。	与人类医师对比AI模型准确率：95.2%；牙周专科医师准确率：85.6；外部验证数据集Ⅱ中：92.4%以上。	采用全口牙周临床检查作为金标准，并设置了三组不同资历医师进行两阶段交叉对照试验。	两个外部验证数据集：外部数据集Ⅰ（382例患者）和来自全球四个中心的数据集Ⅱ（760例患者）进行外部验证。	处于临床验证阶段，暂无开放获取方式。	优势：首次采用临床医师手工探诊测量作为金标准；经过多国、多中心验证，在不同设备和人群中表现稳定，准确率超越专科医师；使用热图显示病灶位置，具有良好的可解释性；速度突破0.02 s，适合大规模筛查。劣势：无法检测Ⅰ期牙周炎；对种植体、金属冠等高密度修复体敏感，容易产生假阳性；对于局限型病变稳定性需提升。

续上表

作者	样本量	纳入排除标准	分期分级依据	AI模型	性能评估结果	临床验证方法	是否有外部验证及外部验证方法	AI工具获取方式	优势和劣势
Guler Ayyildiz等^[43]（2024）	2 533张口腔全景曲面体层片。	排除患有牙科植入物、正畸丝、外科微螺钉板和完全无牙颌患者的口腔全景曲面体层片，以及具有严重伪影和变形的X线片。	AAP/EFP 2017新牙周炎分类。	3种基于迁移学习的CNN模型（ResNet50，DenseNet121，InceptionV3）+机器学习模型分类。	DenseNet121 + GAP：准确率：0.794，AUC：0.769； ResNet50 + GAP：准确率：0.795，AUC：0.769；InceptionV3 + GAP：准确率：0.785，AUC：0.758。	本研究的报告遵循STARD-AI指南；进行十重交叉验证。	无	实验室阶段，暂无开放获取方式。	优势：深度学习模型能够自动学习图像中的特征，无需手工选择；迁移学习可以克服小数据集问题，减少计算成本；DenseNet模型通过层之间的连接，有助于更快地学习并抵抗过拟合。劣势：CNN模型可能难以区分相似的类别；深度网络可能存在梯度消失的问题，且随着层数增加，计算成本也会增加。
Erturk等^[44]（2025）	1 752张咬翼X线片（80%的训练验证集和20%的测试集）。	排除标准：有缺失牙齿的图像，以及因中心重叠和角度误差而缺乏足够诊断信息的图像。	AAP/EFP 2017新牙周炎分类。	YOLOv8进行基于AI的分类。	准确率：86.1%；精确率：84.79%；召回率：82.35%； F1分数：84.411%。	使用了五重交叉验证进行训练。并在每一轮验证后都生成一个混淆矩阵，以评估模型在不同数据子集上的性能。	无	实验室阶段，暂无开放获取方式。	优势：在区分涉及根分叉的严重病例方面表现出很高的成功率；使用Eigen-CAM可解释性图令模型思考过程可视化。劣势：模型在区分轻度和中度牙槽骨丧失方面表现不如区分正常和重度牙槽骨丧失；对于中度牙周炎，模型的假阳性和假阴性率高于其他类别。
Li等^[18]（2025）	利用10 400张无标签口腔全景曲面体层片进行自监督对比学习预训练；使用来自香港和上海的临床标注数据进行微调；再使用外部数据集Ⅰ（382例患者）和来自全球4个中心的数据集Ⅱ（760例患者）进行外部验证。	纳入标准：18岁及以上的接受全景曲面断层片的成年患者。排除标准：无牙颌患者和孕妇。	2018年牙周炎分类。	在HC-Net基础上，通过大规模自监督预训练与临床探诊数据微调后生成的HC-Net+模型。	与人类医师对比AI模型准确率：95.2%；牙周专科医师准确率：85.6；外部验证数据集Ⅱ中：92.4%以上。	采用全口牙周临床检查作为金标准，并设置了三组不同资历医师进行两阶段交叉对照试验。	两个外部验证数据集：外部数据集Ⅰ（382例患者）和来自全球四个中心的数据集Ⅱ（760例患者）进行外部验证。	处于临床验证阶段，暂无开放获取方式。	优势：首次采用临床医师手工探诊测量作为金标准；经过多国、多中心验证，在不同设备和人群中表现稳定，准确率超越专科医师；使用热图显示病灶位置，具有良好的可解释性；速度突破0.02 s，适合大规模筛查。劣势：无法检测Ⅰ期牙周炎；对种植体、金属冠等高密度修复体敏感，容易产生假阳性；对于局限型病变稳定性需提升。

表3 辅助牙周病诊断人工智能（AI）常用模型

架构类型	功能	代表模型	牙周领域应用	优势	局限性
CNN	分类	ResNet、VGG、Inception、DenseNet	牙周炎有无筛查。	图像提取能力强，能自动提取特征；技术最成熟。	对病灶位置缺乏空间定位能力；缺乏整体逻辑；解释性差。
	检测	YOLO系列(v5/v8)、RetinaNet、Faster R-CNN	识别图像中所有感兴趣目标并给出坐标框，用于在X线片中自动定位出所有牙齿的位置。	具有空间定位能力；支持多目标识别，可以分辨轻微重叠；单阶段模型（如：YOLO）具有极高的推理效率。	只能输出矩形框，无法描述不规则形状；对小目标检测较弱。
	分割	U-Net、Mask R-CNN	牙槽骨水平线描绘；CEJ定位；根分叉病变轮廓。	实现像素极精度；可进行自动定量测量（如RBL%）。	标注成本高；对模糊影像边缘敏感度较低。
RNN/LSTM	序列建模/预测	ConvLSTM、GRU	纵向骨吸收进展预测；牙周病历文本处理。	擅长处理随时间变化的"序列数据"。	难以直接处理图像；容易产生梯度消失问题限制长记忆。
Transformer/Attention	全局特征理解	ViT、Swin Transformer	全口牙周状态评估；复杂解剖结构关联分析。	具备"全局视野"，能理解全口牙齿间的相互影响。	计算资源需求大；需要超大规模数据集才能发挥性能
Hybrid	多任务融合/临床逻辑模拟	TransUNet	RBL%自动计算；临床参数与影像结合诊断。	集合各种架构，为目前的主流架构。实现性能与精度的双赢，优化计算效率，具有更好的解释性和逻辑链。	系统集成复杂度高；容易形成错误累积效应。

表3 辅助牙周病诊断人工智能（AI）常用模型

架构类型	功能	代表模型	牙周领域应用	优势	局限性
CNN	分类	ResNet、VGG、Inception、DenseNet	牙周炎有无筛查。	图像提取能力强，能自动提取特征；技术最成熟。	对病灶位置缺乏空间定位能力；缺乏整体逻辑；解释性差。
	检测	YOLO系列(v5/v8)、RetinaNet、Faster R-CNN	识别图像中所有感兴趣目标并给出坐标框，用于在X线片中自动定位出所有牙齿的位置。	具有空间定位能力；支持多目标识别，可以分辨轻微重叠；单阶段模型（如：YOLO）具有极高的推理效率。	只能输出矩形框，无法描述不规则形状；对小目标检测较弱。
	分割	U-Net、Mask R-CNN	牙槽骨水平线描绘；CEJ定位；根分叉病变轮廓。	实现像素极精度；可进行自动定量测量（如RBL%）。	标注成本高；对模糊影像边缘敏感度较低。
RNN/LSTM	序列建模/预测	ConvLSTM、GRU	纵向骨吸收进展预测；牙周病历文本处理。	擅长处理随时间变化的"序列数据"。	难以直接处理图像；容易产生梯度消失问题限制长记忆。
Transformer/Attention	全局特征理解	ViT、Swin Transformer	全口牙周状态评估；复杂解剖结构关联分析。	具备"全局视野"，能理解全口牙齿间的相互影响。	计算资源需求大；需要超大规模数据集才能发挥性能
Hybrid	多任务融合/临床逻辑模拟	TransUNet	RBL%自动计算；临床参数与影像结合诊断。	集合各种架构，为目前的主流架构。实现性能与精度的双赢，优化计算效率，具有更好的解释性和逻辑链。	系统集成复杂度高；容易形成错误累积效应。

表4 已获市场准入许可的牙周诊断软件汇总

商品名	公司	产品网页	获批	产品应用
Second Opinion	Pearl	https://www.hellopearl.com/products/second-opinion	FDA/CE	一款计算机辅助检测（CADe）软件，用于识别和标记疑似牙科发现的区域，并形成第二意见，确保牙科诊断拥有坚实的基础，为医疗保险的报销提供证据。用于12岁及以上患者恒牙影像的审查。
DentalMonitoring^Ⓡ	Dental Monitoring	https://dentalmonitoring.com/	FDA	患者配备连接智能手机的脸颊牵开器（Scanbox pro），其研发最初主要目的是监测正畸过程中的牙齿移动过程，也可被用作监测牙周炎患者的治疗过程^[45]，并提供额外的真人咨询。
Diagnocat	Diagnocat	https://diagnocat.com/en	CE	使用AI技术用于2D/3D的影像分析，用于评估牙槽骨丧失，该软件在2D的口腔全景曲面体层片敏感性为33.33%，对于3D的CBCT图像敏感性为77.78%^[46]，表现出其在3D图像中诊断敏感性较高。
Overjet Dental Assist	Overjet	https://www.overjet.com/	FDA	一款放射学半自动化图像处理软件，旨在辅助口腔专业人员通过咬合翼片和根尖片测量每颗牙齿相关的近中和远中牙槽骨水平。适用于用于22岁及以上且拥有恒牙列的患者。于2021年成为首家获得FDA批准的AI骨水平测量提供商。
Videa Perio Assist（VPA）	VideaHealth	https://www.videa.ai/	FDA	一款放射影像半自动图像处理软件，旨在辅助牙科人员通过咬合翼片和根尖片测量并可视化与每颗牙齿相关的近中和远中骨水平。测量结果可以以线性距离（mm）或相对百分比形式提供。适用于12岁及以上（含青少年）^[47]。
SMILE Dx^Ⓡ	Cube Click，Inc.	https://smiledx.ai/	FDA	辅助牙科医师对每颗牙齿相关的近中及远中牙槽骨水平进行测量（以毫米及百分比为单位），适用于用于22岁及以上且拥有恒牙列的患者。
Dentall.ai	Denti.Ai Technology，Inc.	https://app.dentall.ai/	FDA	一款计算机辅助检测（CADe）软件设备，旨在供牙科专业人员（包括普通牙医及牙科专家）在阅读口腔外及口腔内2D牙科放射影像时使用。该设备旨在作为第二阅片者，辅助检测并突出显示牙齿区域内未分类的感兴趣区域，其中包括龋齿和根尖透射区。此外，该设备还旨在辅助测量与每颗牙齿相关的近中及远中牙槽骨水平。适用于22岁及以上且无乳牙滞留的患者影像。
DeepCare	羽衣甘蓝	https://deepcare.com/	NMPA	口腔X射线图像处理软件适用于对口腔图像进行显示、查看和数据处理。支持口腔全景图像、根尖片图像、口内照、口外照和CBCT 3D图像等类型，可以用于对牙周病的辅助诊断。不能单独用作临床诊疗决策依据。

表4 已获市场准入许可的牙周诊断软件汇总

商品名	公司	产品网页	获批	产品应用
Second Opinion	Pearl	https://www.hellopearl.com/products/second-opinion	FDA/CE	一款计算机辅助检测（CADe）软件，用于识别和标记疑似牙科发现的区域，并形成第二意见，确保牙科诊断拥有坚实的基础，为医疗保险的报销提供证据。用于12岁及以上患者恒牙影像的审查。
DentalMonitoring^Ⓡ	Dental Monitoring	https://dentalmonitoring.com/	FDA	患者配备连接智能手机的脸颊牵开器（Scanbox pro），其研发最初主要目的是监测正畸过程中的牙齿移动过程，也可被用作监测牙周炎患者的治疗过程^[45]，并提供额外的真人咨询。
Diagnocat	Diagnocat	https://diagnocat.com/en	CE	使用AI技术用于2D/3D的影像分析，用于评估牙槽骨丧失，该软件在2D的口腔全景曲面体层片敏感性为33.33%，对于3D的CBCT图像敏感性为77.78%^[46]，表现出其在3D图像中诊断敏感性较高。
Overjet Dental Assist	Overjet	https://www.overjet.com/	FDA	一款放射学半自动化图像处理软件，旨在辅助口腔专业人员通过咬合翼片和根尖片测量每颗牙齿相关的近中和远中牙槽骨水平。适用于用于22岁及以上且拥有恒牙列的患者。于2021年成为首家获得FDA批准的AI骨水平测量提供商。
Videa Perio Assist（VPA）	VideaHealth	https://www.videa.ai/	FDA	一款放射影像半自动图像处理软件，旨在辅助牙科人员通过咬合翼片和根尖片测量并可视化与每颗牙齿相关的近中和远中骨水平。测量结果可以以线性距离（mm）或相对百分比形式提供。适用于12岁及以上（含青少年）^[47]。
SMILE Dx^Ⓡ	Cube Click，Inc.	https://smiledx.ai/	FDA	辅助牙科医师对每颗牙齿相关的近中及远中牙槽骨水平进行测量（以毫米及百分比为单位），适用于用于22岁及以上且拥有恒牙列的患者。
Dentall.ai	Denti.Ai Technology，Inc.	https://app.dentall.ai/	FDA	一款计算机辅助检测（CADe）软件设备，旨在供牙科专业人员（包括普通牙医及牙科专家）在阅读口腔外及口腔内2D牙科放射影像时使用。该设备旨在作为第二阅片者，辅助检测并突出显示牙齿区域内未分类的感兴趣区域，其中包括龋齿和根尖透射区。此外，该设备还旨在辅助测量与每颗牙齿相关的近中及远中牙槽骨水平。适用于22岁及以上且无乳牙滞留的患者影像。
DeepCare	羽衣甘蓝	https://deepcare.com/	NMPA	口腔X射线图像处理软件适用于对口腔图像进行显示、查看和数据处理。支持口腔全景图像、根尖片图像、口内照、口外照和CBCT 3D图像等类型，可以用于对牙周病的辅助诊断。不能单独用作临床诊疗决策依据。

表5 评估人工智能（AI）模型性能的常见指标汇总

分类	评价维度	名称	意义
算法性能指标	检测性能	AP/mAP	通过计算Precision-Recall曲线下面积，综合评估模型在查准率和查全率之间的平衡能力，体现了模型对特定病灶的识别质量。其中AP针对某一个特定类别目标的检测效果，而mAP是所有类别AP的平均值，更能体现出模型的综合检测能力。
	分割性能	IoU/mIoU	衡量预测区域与真实标注区域的重叠程度。比例越高，模型精度越高。其中IoU用于评估对特定解剖结构的重叠精度，而mIoU是对所有类别交互比的算术平均，用于衡量模型的整体分割性能。
		Dice系数	衡量预测区域与真实标注区域的相似度，取值在0到1之间。相比IoU对微小偏移更包容，更符合临床医师对病变区域重合度的视觉感知。
		HD	衡量预测轮廓与真实轮廓之间最远点的距离，HD的降低反映了模型对精细解剖边界的勾勒能力。
	分类性能	准确率	模型预测正确的样本占总样本的比例。但在牙周病样本不平衡时（如健康患者远多于患病患者）时，参考价值有限。
		精确率	即查准率，在所有被AI诊断为"有病"的患者中，真正有病的比例。用来衡量误诊率。
		灵敏度/召回率	衡量模型找回所有"患病"样本的能力。用来衡量漏诊率。
		特异度	又称为真阴性率，指在实际无病人群中被检测为阴性的比例。
		F₁分数	精确率和灵敏度的平衡指标
		ROC/AUC	衡量模型区分患病与健康样本的综合能力。取值范围为0 ~ 1，越接近1，分类器越优秀。
		PA/mPA	PA指图像中被正确分类的像素占总像素数的比例。mPA是所有类别的准确率的算术平均值。用于衡量图像中像素分类的正误。
临床决策评价	诊断有效性	一致性评价（Kappa系数/ICC）	衡量模型的诊断结果与资深医师诊断结果的一致性。
	测量准确性	MAE	衡量模型预测值与真实值之间残差的平均绝对值。评价模型给出的骨吸收值（mm）是否可靠。或在分期诊断中，衡量骨流失比例预测的准确性。
	综合指标	MAP	结合了定位与分类性能的检测指标，定义为所有类别平均精度的算术平均值。平均精度是根据检测器做出的所有预测结果计算得出的。衡量模型在保证不漏诊的前提下，还能维持低误诊率的综合能力。

表5 评估人工智能（AI）模型性能的常见指标汇总

分类	评价维度	名称	意义
算法性能指标	检测性能	AP/mAP	通过计算Precision-Recall曲线下面积，综合评估模型在查准率和查全率之间的平衡能力，体现了模型对特定病灶的识别质量。其中AP针对某一个特定类别目标的检测效果，而mAP是所有类别AP的平均值，更能体现出模型的综合检测能力。
	分割性能	IoU/mIoU	衡量预测区域与真实标注区域的重叠程度。比例越高，模型精度越高。其中IoU用于评估对特定解剖结构的重叠精度，而mIoU是对所有类别交互比的算术平均，用于衡量模型的整体分割性能。
		Dice系数	衡量预测区域与真实标注区域的相似度，取值在0到1之间。相比IoU对微小偏移更包容，更符合临床医师对病变区域重合度的视觉感知。
		HD	衡量预测轮廓与真实轮廓之间最远点的距离，HD的降低反映了模型对精细解剖边界的勾勒能力。
	分类性能	准确率	模型预测正确的样本占总样本的比例。但在牙周病样本不平衡时（如健康患者远多于患病患者）时，参考价值有限。
		精确率	即查准率，在所有被AI诊断为"有病"的患者中，真正有病的比例。用来衡量误诊率。
		灵敏度/召回率	衡量模型找回所有"患病"样本的能力。用来衡量漏诊率。
		特异度	又称为真阴性率，指在实际无病人群中被检测为阴性的比例。
		F₁分数	精确率和灵敏度的平衡指标
		ROC/AUC	衡量模型区分患病与健康样本的综合能力。取值范围为0 ~ 1，越接近1，分类器越优秀。
		PA/mPA	PA指图像中被正确分类的像素占总像素数的比例。mPA是所有类别的准确率的算术平均值。用于衡量图像中像素分类的正误。
临床决策评价	诊断有效性	一致性评价（Kappa系数/ICC）	衡量模型的诊断结果与资深医师诊断结果的一致性。
	测量准确性	MAE	衡量模型预测值与真实值之间残差的平均绝对值。评价模型给出的骨吸收值（mm）是否可靠。或在分期诊断中，衡量骨流失比例预测的准确性。
	综合指标	MAP	结合了定位与分类性能的检测指标，定义为所有类别平均精度的算术平均值。平均精度是根据检测器做出的所有预测结果计算得出的。衡量模型在保证不漏诊的前提下，还能维持低误诊率的综合能力。

[1]	邵金龙，于洋，吕春旭，等. 欧洲牙周病学会牙周炎治疗S3级临床指南的介绍与应用解读[J]. 中华口腔医学杂志，2022，57(12)：1202-1208. DOI：10.3760/cma.j.cn112144-20220719-00394.
[2]	Sanz M, Herrera D, Kebschull M, et al. Treatment of stage Ⅰ-Ⅲ periodontitis：The EFP S3 level clinical practice guideline[J]. J Clin Periodontol，2020，47(Suppl 22)：4-60. DOI：10.1111/jcpe.13290.
[3]	Shan T, Tay F R, Gu L. Application of artificial intelligence in dentistry[J]. J Dent Res，2021，100(3)：232-244. DOI：10.1177/0022034520969115.
[4]	Steels L, López de Mántaras R. The Barcelona declaration for the proper development and usage of artificial intelligence in Europe[J]. AIC，2018，31(6)：485-494. DOI：10.3233/AIC-180607.
[5]	Borstelmann S M. Machine learning principles for radiology investigators[J]. Acad Radiol，2020，27(1)：13-25. DOI：10.1016/j.acra.2019.07.030.
[6]	Kim J, Lee H S, Song I S, et al. DeNTNet：Deep neural transfer network for the detection of periodontal bone loss using panoramic dental radiographs[J]. Sci Rep，2019，9(1)：17615. DOI：10.1038/s41598-019-53758-2.
[7]	Xue T, Chen L, Sun Q. Deep learning method to automatically diagnose periodontal bone loss and periodontitis stage in dental panoramic radiograph[J]. J Dent，2024(150)：105373. DOI：10.1016/j.jdent.2024.105373.
[8]	Chang H J, Lee S J, Yong T H, 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/s41598-020-64509-z.
[9]	Jiang L, Chen D, Cao Z, et al. A two-stage deep learning architecture for radiographic staging of periodontal bone loss[J]. BMC Oral Health，2022，22(1)：106. DOI：10.1186/s12903-022-02119-z.
[10]	Lee C T, Kabir T, Nelson J, et al. Use of the deep learning approach to measure alveolar bone level[J]. J Clin Periodontol，2022，49(3)：260-269. DOI：10.1111/jcpe.13574.
[11]	Liu Q, Dai F, Zhu H, et al. Deep learning for the early identification of periodontitis：A retrospective，multicentre study[J]. Clin Radiol，2023，78(12)：e985-e992. DOI：10.1016/j.crad.2023.08.017.
[12]	Kong Z, Ouyang H, Cao Y, et al. Automated periodontitis bone loss diagnosis in panoramic radiographs using a bespoke two-stage detector[J]. Comput Biol Med，2023(152)：106374. DOI：10.1016/j.compbiomed.2022.106374.
[13]	Chen C C, Wu Y F, Aung L M, et al. Automatic recognition of teeth and periodontal bone loss measurement in digital radiographs using deep-learning artificial intelligence[J]. J Dent Sci，2023，18(3)：1301-1309. DOI：10.1016/j.jds.2023.03.020.
[14]	Chau R C W, Li G H, Tew I M, et al. Accuracy of artificial intelligence-based photographic detection of gingivitis[J]. Int Dent J，2023，73(5)：724-730. DOI：10.1016/j.identj.2023.03.007.
[15]	Li W, Liang Y, Zhang X, et al. A deep learning approach to automatic gingivitis screening based on classification and localization in RGB photos[J]. Sci Rep，2021，11(1)：16831. DOI：10.1038/s41598-021-96091-3.
[16]	Li W, Li L, Xu W, et al. Identification of gingival inflammation surface image features using intraoral scanning and deep learning[J]. Int Dent J，2025，75(3)：2104-2114. DOI：10.1016/j.identj.2025.01.002.
[17]	Li W, Guo E, Zhao H, et al. Evaluation of transfer ensemble learning-based convolutional neural network models for the identification of chronic gingivitis from oral photographs[J]. BMC Oral Health，2024，24(1)：814. DOI：10.1186/s12903-024-04460-x.
[18]	Li Y, Cui Z, Mei L, et al. A novel AI-powered radiographic analysis surpasses specialists in stage Ⅱ-Ⅳ periodontitis detection：A multicenter diagnostic study[J]. NPJ Digit Med，2025，8(1)：691. DOI：10.1038/s41746-025-02077-0.
[19]	Wen C, Bai X, Yang J, et al. Deep learning based approach：Automated gingival inflammation grading model using gingival removal strategy[J]. Sci Rep，2024，14(1)：19780. DOI：10.1038/s41598-024-70311-y.
[20]	Moharrami M, Vahab E, Bagherianlemraski M, et al. Deep learning for detecting dental plaque and gingivitis from oral photographs：A systematic review[J]. Community Dent Oral Epidemiol，2025，53(6)：617-632. DOI：10.1111/cdoe.70001.
[21]	Li X, Zhao D, Xie J, et al. Deep learning for classifying the stages of periodontitis on dental images：A systematic review and Meta-analysis[J]. BMC Oral Health，2023，23(1)：1017. DOI：10.1186/s12903-023-03751-z.
[22]	Chiang H M, Jonzén K, Wu Y Y, et al. How accurate is AI in detecting marginal jaw bone loss? A systematic review and Meta-analysis[J]. J Dent，2025(163)：106151. DOI：10.1016/j.jdent.2025.106151.
[23]	Eke P I, Genco R J. CDC periodontal disease surveillance project：Background，objectives，and progress report[J]. J Periodontol，2007，78(Suppl 7S)：1366-1371. DOI：10.1902/jop.2007.070134.
[24]	Mohammed H A, Abdulkareem A A, Zardawi F M, et al. Determination of the accuracy of salivary biomarkers for periodontal diagnosis[J]. Diagnostics （Basel），2022，12(10)：2485. DOI：10.3390/diagnostics12102485.
[25]	Liaw A, Liu C, Bartold M, et al. Salivary histone deacetylase in periodontal disease：A cross-sectional pilot study[J]. J Periodontal Res，2023，58(2)：433-443. DOI：10.1111/jre.13104.
[26]	Babun F K, Kayar N A, Hatipoğlu M. Investigating the role of salivary interleukin-40 levels in diagnosing periodontal diseases[J]. Oral Dis，2024，30(8)：5315-5325. DOI：10.1111/odi.14936.
[27]	Melguizo-Rodríguez L, Costela-Ruiz V J, Manzano-Moreno F J, et al. Salivary biomarkers and their application in the diagnosis and monitoring of the most common oral pathologies[J]. Int J Mol Sci，2020，21(14)：5173. DOI：10.3390/ijms21145173.
[28]	de Morais E F, Pinheiro J C, Leite R B, et al. Matrix metalloproteinase-8 levels in periodontal disease patients：A systematic review[J]. J Periodontal Res，2018，53(2)：156-163. DOI：10.1111/jre.12495.
[29]	Enevold C, Nielsen C H, Christensen L B, et al. Suitability of machine learning models for prediction of clinically defined Stage Ⅲ/Ⅳ periodontitis from questionnaires and demographic data in Danish cohorts[J]. J Clin Periodontol，2024，51(12)：1561-1573. DOI：10.1111/jcpe.13874.
[30]	Deng K, Zonta F, Yang H, et al. Development of a machine learning multiclass screening tool for periodontal health status based on non-clinical parameters and salivary biomarkers[J]. J Clin Periodontol，2024，51(12)：1547-1560. DOI：10.1111/jcpe.13856.
[31]	Lee J H, Kim D H, Jeong S N, et al. Diagnosis and prediction of periodontally compromised teeth using a deep learning-based convolutional neural network algorithm[J]. J Periodontal Implant Sci，2018，48(2)：114-123. DOI：10.5051/jpis.2018.48.2.114.
[32]	Santamaria P, Troiano G, Serroni M, et al. Exploring the accuracy of tooth loss prediction between a clinical periodontal prognostic system and a machine learning prognostic model[J]. J Clin Periodontol，2024，51(10)：1333-1341. DOI：10.1111/jcpe.14023.
[33]	Wang R, Wang R, Yang T, et al. Deep learning improves prediction of periodontal therapy effectiveness in Chinese patients[J]. J Periodontal Res，2023，58(3)：520-528. DOI：10.1111/jre.13122.
[34]	Feher B, de Souza Oliveira E H, Mendes Duarte P, et al. Machine learning-assisted prediction of clinical responses to periodontal treatment[J]. J Periodontol，2025，96(11)：1199-1212. DOI：10.1002/JPER.24-0737.
[35]	Chow D Y, Tay J R H, Nascimento G G. Systematic review of prognosis models in predicting tooth loss in periodontitis[J]. J Dent Res，2024，103(6)：596-604. DOI：10.1177/00220345241237448.
[36]	Li Y, Wu X, Liu M, et al. Enhanced control of periodontitis by an artificial intelligence-enabled multimodal-sensing toothbrush and targeted mHealth micromessages：A randomized trial[J]. J Clin Periodontol，2024，51(12)：1632-1643. DOI：10.1111/jcpe.13987.
[37]	Hunsrisakhun J, Naorungroj S, Tangkuptanon W, et al. Impact of oral health chatbot with and without toothbrushing training on childhood caries[J]. Int Dent J，2025，75(2)：1348-1359. DOI：10.1016/j.identj.2024.09.028.
[38]	Chau R C W, Thu K M, Hsung R T C, et al. Self-monitoring of oral health using smartphone selfie powered by artificial intelligence：Implications for preventive dentistry[J]. Oral Health Prev Dent，2024(22)：327-340. DOI：10.3290/j.ohpd.b5758200.
[39]	Snider V, Homsi K, Kusnoto B, et al. Effectiveness of AI-driven remote monitoring technology in improving oral hygiene during orthodontic treatment[J]. Orthod Craniofac Res，2023，26(Suppl 1)：102-110. DOI：10.1111/ocr.12666.
[40]	Chau R C W, Cheng A C C, Mao K, et al. External validation of an AI mHealth tool for gingivitis detection among older adults at daycare centers：A pilot study[J]. Int Dent J，2025，75(3)：1970-1978. DOI：10.1016/j.identj.2025.01.008.
[41]	Ertaş K, Pence I, Cesmeli M S, et al. Determination of the stage and grade of periodontitis according to the current classification of periodontal and peri-implant diseases and conditions （2018） using machine learning algorithms[J]. J Periodontal Implant Sci，2023，53(1)：38-53. DOI：10.5051/jpis.2201060053.
[42]	Vigil M S A, Gowri V, Ramesh S S S, et al. ADGRU：Adaptive DenseNet with gated recurrent unit for automatic diagnosis of periodontal bone loss and stage periodontitis with tooth segmentation mechanism[J]. Clin Oral Investig，2024，28(11)：614. DOI：10.1007/s00784-024-05977-9.
[43]	Guler Ayyildiz B, Karakis R, Terzioglu B, et al. Comparison of deep learning methods for the radiographic detection of patients with different periodontitis stages[J]. Dentomaxillofac Radiol，2024，53(1)：32-42. DOI：10.1093/dmfr/twad003.
[44]	Erturk M, Öziç M Ü, Tassoker M. Deep convolutional neural network for automated staging of periodontal bone loss severity on bite-wing radiographs：An Eigen-CAM explainability mapping approach[J]. J Imaging Inform Med，2025，38(1)：556-575. DOI：10.1007/s10278-024-01218-3.
[45]	Shen K L, Huang C L, Lin Y C, et al. Effects of artificial intelligence-assisted dental monitoring intervention in patients with periodontitis：A randomized controlled trial[J]. J Clin Periodontol，2022，49(10)：988-998. DOI：10.1111/jcpe.13675.
[46]	Kazimierczak W, Wajer R, Wajer A, et al. Periapical lesions in panoramic radiography and CBCT imaging-assessment of AI′s diagnostic accuracy[J]. J Clin Med，2024，13(9)：2709. DOI：10.3390/jcm13092709.
[47]	Khan A, Khan K J, Ghaza M A, et al. Celebrating breakthrough in dental diagnostics：FDA approval of an AI model for diagnosis of periodontal diseases：A correspondence[J]. Health Sci Rep，2023，6(9)：e1573. DOI：10.1002/hsr2.1573.
[48]	London A J. Artificial intelligence and black-box medical decisions：Accuracy versus explainability[J]. Hastings Cent Rep，2019，49(1)：15-21. DOI：10.1002/hast.973.
[49]	Farah L, Murris J M, Borget I, et al. Assessment of performance，interpretability，and explainability in artificial intelligence-based health technologies：What healthcare stakeholders need to know[J]. Mayo Clin Proc Digit Health，2023，1(2)：120-138. DOI：10.1016/j.mcpdig.2023.02.004.
[50]	Qian J, Li H, Wang J, et al. Recent advances in explainable artificial intelligence for magnetic resonance imaging[J]. Diagnostics（Basel），2023，13(9)：1571. DOI：10.3390/diagnostics13091571.
[51]	Herington J, McCradden M D, Creel K, et al. Ethical considerations for artificial intelligence in medical imaging：Data collection，development，and evaluation[J]. J Nucl Med，2023，64(12)：1848-1854. DOI：10.2967/jnumed.123.266080.
[52]	Vrudhula A, Kwan A C, Ouyang D, et al. Machine learning and bias in medical imaging：Opportunities and challenges[J]. Circ Cardiovasc Imaging，2024，17(2)：e015495. DOI：10.1161/CIRCIMAGING.123.015495.
[53]	Diaz O, Kushibar K, Osuala R, et al. Data preparation for artificial intelligence in medical imaging：A comprehensive guide to open-access platforms and tools[J]. Phys Med，2021(83)：25-37. DOI：10.1016/j.ejmp.2021.02.007.
[54]	Khalid N, Qayyum A, Bilal M, et al. Privacy-preserving artificial intelligence in healthcare：Techniques and applications[J]. Comput Biol Med，2023(158)：106848. DOI：10.1016/j.compbiomed.2023.106848.
[55]	Tayebi Arasteh S, Ziller A, Kuhl C, et al. Preserving fairness and diagnostic accuracy in private large-scale AI models for medical imaging[J]. Commun Med （Lond），2024，4(1)：46. DOI：10.1038/s43856-024-00462-6.
[56]	郭秀花，李卫. 医学影像人工智能医疗器械临床试验统计学设计要点专家共识[J]. 中国卫生统计，2024，41(3)：474-480. DOI：10.11783/j.issn.1002-3674.2024.03.031.
[57]	Park S H, Han K, Jang H Y, et al. Methods for clinical evaluation of artificial intelligence algorithms for medical diagnosis[J]. Radiology，2023，306(1)：20-31. DOI：10.1148/radiol.220182.
[58]	陈泞夙，赵凯，薛心雨，等. 基于人工智能的临床辅助决策系统早期临床评价研究的报告规范（DECIDE-AI）解读[J]. 中国循证医学杂志，2024，24(9)：1100-1107. DOI：10.7507/1672-2531.202401188.
[59]	熊云云，李子孝，丁玲玲，等. 基于人工智能干预措施的临床试验方案指南：SPIRIT-AI扩展[J]. 中国卒中杂志，2020，15(11)：1228-1238. DOI：10.3969/j.issn.1673-5765.2020.11.013.
[60]	李子孝，熊云云，丁玲玲，等. 人工智能干预性临床试验报告指南：CONSORT-AI扩展[J]. 中国卒中杂志，2020，15(12)：1327-1336. DOI：10.3969/j.issn.1673-5765.2020.12.013.
[61]	Mascarenhas M, Martins M, Ribeiro T, et al. Software as a medical device （SaMD） in digestive healthcare：Regulatory challenges and ethical implications[J]. Diagnostics （Basel），2024，14(18)：2100. DOI：10.3390/diagnostics14182100.
[62]	Warraich H J, Tazbaz T, Califf R M. FDA perspective on the regulation of artificial intelligence in health care and biomedicine[J]. JAMA，2025，333(3)：241-247. DOI：10.1001/jama.2024.21451.
[63]	国家药品监督管理局医疗器械技术审评中心. 人工智能医疗器械注册审查指导原则（2022年第8号）[EB/OL]. (2022-03-09)[2025-07-26]. URL
[64]	Dai T, Singh S. Using AI as gatekeeper or second opinion：Designing patient pathways for AI-augmented healthcare[A]. Rochester，NY：Social Science Research Network，2024. DOI：10.2139/ssrn.5055325.
[65]	Chawla R L, Gadge N P, Ronad S, et al. Knowledge，attitude and perception regarding artificial intelligence in periodontology：A questionnaire study[J]. Cureus，2023，15(11)：e48309. DOI：10.7759/cureus.48309.
[66]	Witkowski K, Dougherty R B, Neely S R. Public perceptions of artificial intelligence in healthcare：Ethical concerns and opportunities for patient-centered care[J]. BMC Med Ethics，2024，25(1)：74. DOI：10.1186/s12910-024-01066-4.

[1]	中国肝移植注册中心, 国家肝脏移植质控中心, 国家人体捐献器官获取质控中心, 中国医师协会器官移植医师分会移植器官质量控制专业委员会, 国家创伤医学中心器官保护专业委员会, 中国器官移植发展基金会. 中国器官移植AI辅助临床决策专家共识[J/OL]. 中华移植杂志(电子版), 2026, 20(01): 27-37.
[2]	黄楚曦, 吴卓. 人工智能在膀胱癌影像中的应用进展[J/OL]. 中华腔镜泌尿外科杂志(电子版), 2026, 20(03): 241-247.
[3]	焦克凡, 李涛. 人工智能在腹腔镜外科腹部肿瘤手术中的应用进展与前景[J/OL]. 中华腔镜外科杂志(电子版), 2026, 19(02): 122-128.
[4]	宋佳耕, 袁文翰, 郑莹. 人工智能在妇科微创手术中的应用与展望[J/OL]. 中华腔镜外科杂志(电子版), 2026, 19(01): 60-64.
[5]	石亚超, 魏六木, 东小鸽, 樊海宁, 侯立朝, 杜凯豪, 汪占金, 薛伟伟, 刘海刚, 王展. 肝癌多模式诊断研究进展与展望[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(03): 326-336.
[6]	邓玉飞, 王志鑫, 娄珂, 张林轩, 马桂春, 港措. 影像组学在肝癌精准诊断、疗效评估及治疗方案决策优化中应用[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(02): 172-180.
[7]	杨春元, 邓旭, 王晶晶, 阳丹才让, 潘伟. 精准肝切除术技术进展与临床应用[J/OL]. 中华肝脏外科手术学电子杂志, 2026, 15(02): 261-265.
[8]	张忠, 王喆, 黄其日麦拉图, 齐岩松. 人工智能在肘关节骨关节炎诊疗中的应用进展[J/OL]. 中华肩肘外科电子杂志, 2026, 14(02): 109-114.
[9]	钱涛. 融合与重塑：神经调控康复一体化范式的构建与展望[J/OL]. 中华脑科疾病与康复杂志(电子版), 2026, 16(02): 65-70.
[10]	陈小坤, 杜顺达. 影像组学在肝细胞癌中的应用进展及挑战[J/OL]. 中华消化病与影像杂志(电子版), 2026, 16(02): 97-100.
[11]	刘逸夫, 张久楼, 赵林波, 曹月洲, 刘圣, 贾振宇, 施海彬. 基于深度学习的非增强CT脑动脉解剖分割重建研究[J/OL]. 中华介入放射学电子杂志, 2026, 14(01): 60-65.
[12]	张敏洁, 刘艳龙. 多模态影像学检查技术与AI放射组学在诊断输尿管肿瘤中的研究进展[J/OL]. 中华诊断学电子杂志, 2026, 14(02): 133-137.
[13]	王孝盼, 张克明, 杜明威, 雷文知, 廖万清, 潘炜华, 方文捷, 潘搏. 人工智能在军校学员皮肤病理教学中的应用与展望[J/OL]. 中华诊断学电子杂志, 2026, 14(02): 144-148.
[14]	杜昊楠, 张广健, 王嘉巍, 梁挺, 锁瑞洋, 张佳. 人工智能在肺结节诊疗体系中的应用前景[J/OL]. 中华胸部外科电子杂志, 2026, 13(01): 64-73.
[15]	孙庆利, 叶珊, 樊东升, 傅瑜. 人工智能在医工结合专业人才培养中的作用及其在医学教育中的应用[J/OL]. 中华脑血管病杂志(电子版), 2026, 20(02): 204-208.

阅读次数

全文

摘要

选择文件类型/文献管理软件名称

选择包含的内容

Application and prospects of artificial intelligence in periodontal diagnosis and treatment: Addressing clinical needs and standardization challenges

模态框（Modal）标题

选择文件类型/文献管理软件名称

选择包含的内容

Application and prospects of artificial intelligence in periodontal diagnosis and treatment: Addressing clinical needs and standardization challenges