Nhấn mạnh
- Sự hỗ trợ của AI giảm đáng kể các chẩn đoán dương tính giả khi phát hiện các vùng giảm hấp thụ xung quanh chóp răng (PRs) trên phim全景X光片。
- 年轻牙医在AI支持下，诊断准确性和信心显著提高。
- AI指导使治疗决策更加保守，可能减少过度治疗。
研究背景和疾病负担
周围根尖区透射影（PRs）是病理过程的放射学表现，通常与牙髓坏死和根尖周炎有关，这些情况在牙科实践中普遍存在且具有临床意义。准确检测PRs对于指导适当的根管治疗或修复治疗、避免不必要的干预以及确保最佳患者结果至关重要。全景X光片因其广泛的覆盖范围和成本效益而被广泛使用，但其检测PRs的敏感性和特异性相比锥形束计算机断层扫描（CBCT）有限。不同经验水平的牙医之间的解释差异进一步加剧了诊断不一致的问题，可能导致过度或不足治疗。
近年来，人工智能（AI）和机器学习的进步引入了有前途的图像分析和诊断支持工具。将AI纳入全景X光片解释可以标准化评估，提高诊断准确性，并改善治疗计划。然而，严格试验评估AI对牙科诊断实践影响的临床证据仍然稀缺。这项随机对照试验旨在通过评估AI辅助对诊断准确性、信心和治疗决策的影响来填补这一空白，特别是在评估全景图像上的PRs时。
研究设计
这项随机、交叉对照试验涉及30名具有不同临床经验水平的牙医——包括初级从业者和资深临床医生。每位参与者评估了一组50张匿名的全景X光片两次：一次无辅助，一次有AI辅助。AI工具在图像上突出显示疑似周围根尖区透射影区域，以支持诊断决策。
同一患者的CBCT扫描作为存在或不存在PRs的参考标准，从而能够客观确定真阳性和真阴性。
主要结果指标包括敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、总体诊断准确性以及受试者工作特征（ROC）曲线和自由响应ROC（AFROC）曲线下面积。牙医还在每次评估后报告了他们的诊断信心和治疗决策。统计分析采用了混合效应回归模型，以考虑主体内相关性和经验水平效应。
主要发现
总体而言，AI辅助下的诊断准确性有所提高，从91.6%（无辅助）提高到93.3%（AI辅助；p < 0.001）。这一改进主要是由于假阳性诊断率的降低（无辅助时为4.3%，AI辅助时为2.0%），而敏感性保持统计不变（无辅助时为46.0%，AI辅助时为45.8%）。
年轻牙医最初表现出较低的基础准确性和信心，从AI支持中获得了最显著的好处，诊断表现和自我信心都有显著提高。这一发现表明AI作为教育辅助工具和诊断均衡器的潜力，可以缓解经验相关的差异。
重要的是，AI辅助诊断与更保守的治疗决策相关。通过减少假阳性，减少了不必要的侵入性程序的可能性，使护理更接近真实病理。
高级诊断指标，包括ROC和AFROC分析，证实了AI辅助下区分能力的提高，强调了该工具在复杂放射图像解释中的有效性。
专家评论
该试验提供了支持将AI整合到牙科诊断中的临床相关证据，尤其是在全景X光片仍然是主流的情况下，尽管它存在局限性。结果与医疗AI领域的更广泛趋势一致，即算法辅助增强了但并未取代人类专家判断。
从机制角度来看，AI算法利用大型标注数据集来识别可能逃过人类观察者的细微图像模式，从而降低误报率。然而，稳定的敏感性表明AI并不一定能提高所有真阳性病变的检出率，突显了持续临床警惕的必要性。
局限性包括研究设置使用预选的X光片和受控评估环境，这可能与现实世界临床工作流程不同。此外，AI模型在不同患者群体和成像硬件中的通用性需要进一步验证。
未来的研究可能会探索与AI辅助诊断相关的纵向患者结果、成本效益分析以及在综合诊断路径中的整合，包括临床检查和病史。
结论
这项随机对照试验表明，AI辅助为牙医在全景X光片上检测周围根尖区透射影的诊断准确性提供了适度但具有统计学意义的提升，主要是通过减少假阳性错误。年轻牙医受益最大，诊断信心和表现均有提高，表明AI作为诊断和教育工具的潜力。
此外，AI支持影响了更保守的治疗决策，可能减少过度治疗及其相关的患者负担。这些发现倡导在牙科诊断工作流程中有意地整合AI工具，以标准化评估、优化护理并促进各经验水平的临床一致性。
更广泛的实施应与继续研究AI的可扩展性、与多模态诊断的整合以及现实世界中的临床效果一起进行。