近年來，數(shù)字化技術的廣泛應用為人們的生活帶來了巨大變革。隨著計算機技術的不斷發(fā)展和大數(shù)據(jù)時代的到來，一項更具應用潛力的新興技術——人工智能開始逐漸應用于多個領域

。相比于錐體束CT、計算機輔助設計/計算機輔助制造（computer aided design/computer aided manufacturing，CAD/CAM）、3D 打印等數(shù)字化技術，人工智能優(yōu)勢在于可模擬人類思維，自主學習、解決問題，實現(xiàn)自動化。將人工智能融入口腔臨床診療，推動從數(shù)字化向智能化的飛躍，不僅可提高操作精確性及高效性，而且可通過對數(shù)據(jù)的自主學習、整理及分析輔助臨床決策及預后評價，降低錯誤率。如今，眾多學者正在不斷探索人工智能技術在口腔診療領域的應用，結合人工智能的新型口腔醫(yī)療模式將成為發(fā)展的重要趨勢。本文將簡要闡述人工智能技術的概念和基本原理，綜述其目前在口腔診療中的應用情況。

1 人工智能概述

人工智能是研究并開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術及應用的一門新的技術科學

。簡言之，人工智能技術旨在通過模擬人類的思維方式以解決實際問題。

朱曉侖在工作中鐵面無私，但在具體的工作中他認真貫徹落實以人為本，將人性化服務融入食品藥品監(jiān)管工作中。對內，他關心同志，維護團結，同事間相互幫助配合。對外，他關心弱勢群體。柳南區(qū)食品藥品監(jiān)管對象中有很多個體經(jīng)營者，其中不少是下崗失業(yè)人員、進城務工人員。這些人員來辦理相關業(yè)務時，他都給予無微不至的關心和指導。

機器學習是人工智能的重要技術，是指計算機在非精確編程條件下的學習能力

，其中神經(jīng)網(wǎng)絡是目前最流行的一種機器學習模型

。通過設計、組裝并連接人工神經(jīng)元，人工神經(jīng)網(wǎng)絡可以在擁有龐大數(shù)據(jù)庫的基礎上，完成對結果的整理與預測，進而完成各種特定任務。機器學習按原理的不同可分為監(jiān)督學習和非監(jiān)督學習。在醫(yī)學領域中，前者常被用于疾病的診斷及預后評價，而后者則可用于復雜數(shù)據(jù)的交互關系分析

。近年來，深度學習成為了機器學習系統(tǒng)的一大突破，其所包含的神經(jīng)網(wǎng)絡層次更為復雜，可更精細地利用算法展現(xiàn)圖像及其層次結構，構建自動識別模式，因此被認為是最具應用潛力的人工智能技術之一

。

2 人工智能在口腔臨床診療中的應用

人工智能在口腔領域的應用通常包括數(shù)據(jù)、算法與軟件程序三大要素，其核心在于應用算法模擬人類思維能力，通過設計自動化軟件程序，輔助醫(yī)生診斷決策，以簡化口腔的診療流程及數(shù)據(jù)管理，彌補人工診斷的主觀性與局限性，使傳統(tǒng)口腔診療更加智能化、現(xiàn)代化

。數(shù)字化技術與人工智能技術的有機結合，推動了口腔臨床診療的快速發(fā)展。以下將從不同學科介紹目前人工智能在口腔臨床診療中的應用現(xiàn)狀及進展。

很多患者希望通過正畸及正頜治療改善面型，獲得更優(yōu)的面部吸引力，因此美學評估是評價正畸治療效果的重要方式。然而美學評估具有較強的主觀性，專業(yè)醫(yī)生所依據(jù)的“理想面容特征”及“黃金比例”很難判斷其在同齡人中獲得的吸引力。人工智能則可通過基于大數(shù)據(jù)訓練的卷積神經(jīng)網(wǎng)絡算法，學習大量面部特征，客觀地評估治療前后外觀及面部吸引力的變化

。這一系統(tǒng)既可輔助醫(yī)生制定個性化治療計劃，又可改善醫(yī)患溝通。

2.1 口腔修復學

人工智能也可用于腫瘤進程預測。Chu 等

利用多種人工智能算法構建了預測模型，其對預測腫瘤治療療效、復發(fā)及進展情況有重要幫助。Kim 等

提出了一種更完善的癌癥生存預測模型，回顧性研究了255 例名口腔鱗狀細胞癌患者，證明基于深度學習的生存預測具有更高的準確性。

人工智能的引入同樣可改善傳統(tǒng)人工弓絲彎制耗時、費力的缺點，提高精度并有效避免反復彎制所致的鋼絲斷裂情況。多年來對彎制弓絲機器人的研究層出不窮，sunsmile 弓絲彎曲機器人、舌側弓線制造與輔助設計系統(tǒng)、笛卡爾式弓絲彎曲機器人等相繼問世

，口腔正畸弓絲彎制機器人正在不斷調整與完善之中。

2.2 口腔頜面外科學

牙周病是一種由病原微生物（牙菌斑生物膜）與人體免疫系統(tǒng)相互作用引起的口腔炎癥性、不可逆性疾病。臨床上主要通過探診牙周袋深度及牙齦退縮來評估牙周健康狀況，但具體操作及診斷有賴于醫(yī)生的臨床經(jīng)驗。影像學檢查雖已用于牙周病診斷，但多作為輔助手段。Lee 等

將卷積神經(jīng)網(wǎng)絡系統(tǒng)應用于牙周受損牙齒的診斷，通過對根尖片數(shù)據(jù)進行深度學習，該計算機輔助檢測系統(tǒng)在前磨牙和磨牙牙周情況的診斷中均獲得了較高的準確率。此外，Chang 等

還提出了一種用于自動檢測牙槽骨喪失并進行牙周炎分類分期的新型混合系統(tǒng)。還有學者收集了不同牙周狀況患者的齦下菌斑樣本，進行機器學習，結果表明，支持向量機分類器可通過識別細菌種類及負載量來區(qū)分侵襲性牙周炎與慢性牙周炎

。

口腔頜面部包含眾多復雜精細的解剖結構、血運豐富且操作范圍較為局限，不當?shù)氖中g操作可能造成手術失敗及嚴重并發(fā)癥。人工智能輔助設計手術方案、導板及手術機器人的應用可縮短醫(yī)生操作時間、降低疲勞程度，有效提高外科手術的精準性和安全性。Choi 等

將神經(jīng)網(wǎng)絡機器學習的人工智能模型用于正頜手術的診斷和治療計劃制定，其對于手術/非手術決策、手術類型和拔牙決策的判斷成功率均高于90%；Chao 等

利用CAD 技術設計出了截骨及骨瓣重建方案，并讓機器人在動態(tài)導航下執(zhí)行截骨手術，初步證明了預編程機器人用于骨瓣制備和頜骨重建的潛力及精確性。還有學者開發(fā)出了用于頜骨重新定位的手術機器人，于術前完成機器人與CT 圖像空間的配準，在術中即可實現(xiàn)自動定位

。

高光譜成像作為一種新興的成像方式，因高效、無創(chuàng)、及時性而具有很高的診斷潛力。Ma等

利用深度學習算法分層學習高光譜圖像特征，并在動物模型中進行頭頸部腫瘤檢測，精確度高達91.36%。基于深度學習的高光譜成像技術，還可用于檢測并劃定頭頸部癌患者新鮮手術標本中病變與正常組織的界限，輔助醫(yī)生判斷適宜的切除范圍

。此外，Yang 等

建立了基于深度學習的自動檢測頜骨囊腫及腫瘤的診斷模型；Aubreville 等

利用深度學習對共聚焦激光內窺鏡檢查的口腔鱗狀細胞癌圖片進行自動分類；多名學者分別研究了人工智能用于檢測、分級口腔上皮發(fā)育不良、口腔黏膜下纖維化等潛在惡性病變的效果，均獲得了較好的診斷準確率

。

目前，課程教材大多側重于理論知識介紹，且教學中的案例趨于陳舊，再加上課時有限，在案例教學時缺乏對案例背景、案例因果關系、發(fā)展過程、應用效果的深入剖析，這些因素都制約了學生實踐能力的提升。

頭頸部腫瘤的常用治療方法包括手術、放療和化療等。確保放療區(qū)域的精準化、最小化，可減少其對周圍正常組織的不利影響，最大程度避免嚴重并發(fā)癥的發(fā)生。Kearney 等

綜述了人工智能算法在頭頸部腫瘤放療計劃制定中的應用，基于機器學習的放療區(qū)域勾勒，可在獲得準確率的同時提高效率。此外，正確判斷腫瘤淋巴結轉移情況有助于惡性腫瘤治療計劃制定、病理檢查效率提高及預后改善。Ariji 等

利用深度學習圖像分類系統(tǒng)，診斷了淋巴結轉移及結外擴展，得到了比放射科醫(yī)生更優(yōu)的診斷準確性。

但這不能成為大洪水時諾亞可以見死不救的理由，他還是“義人”嗎？獨進方舟是善舉嗎？這是見死不救，是惡行。如果要用洪水懲罰猛獸的話，又何必讓它們進入方舟呢？

CAD/CAM 如今已在口腔修復領域得到廣泛推廣。結合人工智能的CAD/CAM 可設計制造出更符合功能、美學及患者需求的個性化修復體，如人工冠橋、嵌體、貼面及種植體基臺等，可縮短牙齒修復的時間，并降低失誤率

。結合CAD，Lerner 等

提出了一種利用人工智能在個性化基臺上制作氧化鋯冠的方案，獲得了較高的成功率；Yamaguchi等

利用卷積神經(jīng)網(wǎng)絡從二維圖像中捕獲信息，從而實現(xiàn)了對CAD/CAM 復合樹脂冠脫落率的預測。

2.3 口腔正畸學

齲病是口腔最常見的疾病之一，通常表現(xiàn)為牙體硬組織的慢性進行性破壞，病變持續(xù)發(fā)展可繼發(fā)牙髓炎及根尖周炎。早期表層下脫礦及鄰面齲等易被忽視，這為早期臨床診斷帶來了巨大挑戰(zhàn)。Lee 等

研究證明了卷積神經(jīng)網(wǎng)絡算法在根尖片上診斷早期齲的應用潛力；有學者嘗試將人工智能應用于近紅外透光圖像中的齲損識別，取得了較為滿意的效果

。此外，有學者提出一種用于檢測光誘導熒光圖像的系統(tǒng)，其通過識別自發(fā)熒光的菌斑數(shù)量對圖像進行分類，從而提高了檢測效率，降低了人工與時間成本

。Orhan 等

還應用人工智能系統(tǒng)在錐束計算機斷層掃描圖像上檢測根尖周病變，準確率高達92.8%。

機器人也開始應用于口腔修復領域，主要包括自動牙體預備機器人及人工排牙機器人等。Otani 等

發(fā)現(xiàn)，在瓷貼面牙體預備過程中，機器人自動預備系統(tǒng)可利用數(shù)字印模診斷并預先虛擬設計備牙方案，可獲得與傳統(tǒng)人工預備相似的精確度?；谌诹x齒排牙原理，Zhang 等

設計出了84 自由度的多操作機排牙機器人，創(chuàng)建了比6 自由度機器人更為簡單靈活、易于操作的排牙機器人，并在初步實驗中依據(jù)頜弓參數(shù)完成了全口義齒自動CAD/CAM。排牙機器人的出現(xiàn)縮短了排牙時間，有助于避免人工排牙過程中的疏忽與失誤，提高了效率及治療質量。此外，機器人技術也已應用于口腔種植體植入。有學者研究開發(fā)出了智能種植系統(tǒng)，通過術前數(shù)據(jù)采集分析、輔助牙科鉆精確定位，完成牙槽骨鉆孔等操作，可有效避免對手術神經(jīng)、血管等重要面部結構的損傷

。2017 年，Yomi 系統(tǒng)成為首個受美國FDA 批準的種植機器人，并應用于口腔種植修復

。

但面對面校訪、家訪，其作用是網(wǎng)絡、電話等現(xiàn)代信息技術手段所不能替代的。教師只有親自接觸家長，看到學生生活的家庭環(huán)境，才能全面深入地了解學生的情況，家長只有親自到學校才能全面地了解自己的孩子成長的環(huán)境和學習情況。

2.4 牙體牙髓病學

根管系統(tǒng)的復雜多樣性使根管治療存在耗時大、治療效果不理想等諸多問題，根管遺漏、側穿及根尖孔破壞等是導致治療失敗的重要因素。Hiraiwa 等

構建了深度學習模型，并對磨牙曲面斷層影像數(shù)據(jù)進行分析，結果顯示下頜第一磨牙遠中雙根的檢出率為86.9%；人工神經(jīng)網(wǎng)絡系統(tǒng)應用于細小根尖孔定位

，可以更方便快捷地確定工作長度，提高診療效果。此外，多名學者開發(fā)了用于牙髓治療的微型機器人，并證實自動根管預備不僅可獲得良好的根管預備形狀，還縮短了手術時間，降低了根管過度預備及側穿等不良事件的發(fā)生率

。

2.5 牙周病學

拔牙是許多口腔治療計劃的關鍵初始步驟，我國學者構建了一種臨床決策模型，該模型通過對電子口腔記錄的學習來預測拔牙結果，從而為醫(yī)生提供臨床決策依據(jù)

。人工智能也可用于下唇麻木、面部腫脹等拔牙后并發(fā)癥的預測。Vinayahalingam 等

開發(fā)出了可檢測并分割牙科全景X 光片中下頜第三磨牙及下牙槽神經(jīng)的深度學習系統(tǒng)；Zhang 等

建立了能綜合分析患者個人因素、第三磨牙解剖因素以及外科手術因素，從而預測下頜第三磨牙拔除后面部腫脹的神經(jīng)網(wǎng)絡模型。此外，人工神經(jīng)網(wǎng)絡系統(tǒng)可用于上頜竇疾病的診斷。Kuwana 等

應用深度學習檢測技術對X線片進行學習與識別，結果顯示該技術對多種上頜竇炎和上頜竇區(qū)域囊腫檢測的靈敏度均高于90%。

(6)古近系。測區(qū)古近系僅見于南部新興農場三千一隊小山包上，面積約0.024 km2。根據(jù)孢粉組合、巖石組合特征和與區(qū)域相對比，劃分為邕寧群(EY)。

3 人工智能口腔醫(yī)療的優(yōu)勢、問題及展望

20 世紀80 年代，研究人員開始逐漸應用人工智能解決醫(yī)學問題。相比于其他醫(yī)學專科領域，口腔臨床醫(yī)療的可直視和操作范圍更為局限，這在一定程度上阻礙了口腔診療的順利進行，人工智能的諸多優(yōu)勢可以提供很大幫助。首先，人工智能可通過對醫(yī)療數(shù)據(jù)的收集、整理和學習，使分析結果更為客觀，克服了醫(yī)生操作的主觀可變性；其次，人工智能可以同時儲存、處理多領域的海量數(shù)據(jù)，分析因素間交互作用，提出較完善的臨床診斷與決策，彌補醫(yī)生可能存在的跨專業(yè)知識空缺；再次，人工智能操作的精確性更高，可減小人眼視覺誤差對治療效果的不利影響；此外，人工智能還具有操作標準化、微創(chuàng)、省時、高效等優(yōu)勢。

盡管人工智能兼具高效率和高精度，其所涉及的隱私、安全、倫理、技術等方面的諸多問題仍不容忽視。首先，保護患者的安全是口腔診療的首要原則。當數(shù)據(jù)不充足或不夠精確的情況下，人工智能的判斷和執(zhí)行結果可能存在錯誤，而人工智能又很難自動終止錯誤操作，有時患者被置于不必要的危險之中

。其次是隱私問題，深度學習需建立在大量醫(yī)療數(shù)據(jù)與信息的基礎上，私密信息一旦泄露，將會給患者、醫(yī)生、機構三方帶來負面影響。除此之外，關于應用機器替代人類進行診療活動的倫理問題，機器人用于口腔診療的適應證選擇，及人工智能醫(yī)療事故中的責任判定等，都是人工智能應用于口腔診療將要面臨的挑戰(zhàn)。人工智能醫(yī)療需要更完善的規(guī)范化法律制度體系，以促進人工智能醫(yī)療的繼續(xù)發(fā)展。

人工智能時代的到來給口腔醫(yī)學帶來了巨大的機遇與挑戰(zhàn)。盡管諸多技術尚處于實驗階段，某些專業(yè)領域尚缺乏人工智能的相關研究，但當前的研究充分證明了人工智能技術應用于口腔診療的可行性及廣泛前景。正確處理隱私、安全、倫理、技術等潛在問題，人工智能技術將可提高診斷準確性，輔助臨床決策及預后評估，提高醫(yī)生工作效率，節(jié)約醫(yī)療資源，為患者提供更優(yōu)質高效的口腔診療。在2020 年新冠肺炎疫情中，各種人工智能技術的應用既節(jié)約了醫(yī)療資源，提高了診療效率，又有效減少了醫(yī)療暴露，這也驗證了人工智能對當今醫(yī)療領域的深遠影響?？傊?，使人工智能與口腔臨床相融合，是當下口腔醫(yī)療的新模式；對新技術的嘗試與應用，對現(xiàn)有技術的不斷更新與完善，也必將成為口腔醫(yī)學行業(yè)的未來發(fā)展趨勢。

互聯(lián)網(wǎng)背景下會計電算化課程改革一方面可以提高人才的理論素質；另一方面可以增強人才的實踐技能。與傳統(tǒng)的會計核算方式相比，會計電算化課程核算的途徑，發(fā)生了明顯的變化。會計人才不僅需要充分的了解會計專業(yè)的相關知識，同樣需掌握與會計軟件應用情況有關的理論。加強課程改革，是確保教學能夠達到上述效果的基礎，對會計人才理論素質的提高，具有重要價值。從實踐的角度分析，會計電算化對人才計算機操作水平的要求逐漸提高。學生必須不斷的練習，并積極利用網(wǎng)絡資源，方可充分了解當前的會計政策以及核算方式的變化情況。加強課程改革，是確保學生的各項實踐技能，能夠得到充分培養(yǎng)的關鍵。

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.機器人在口腔醫(yī)學領域的研發(fā)及應用中相關問題探討[J]. 醫(yī)學與哲學, 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.