人工智能(AI)和机器学习已经影响了科学和工程的几个领域。虽然人工智能是一个通用术语，用于研究、开发和调查任何表现出“智能行为”的计算机系统，机器学习是人工智能的一个特殊分支，系统在给定数据集中学习特定的统计模式，以预测新数据样本的行为。在人工智能中，通常关注的是“智能代理”或具有灵活性和自主性的代理。人工智能系统的例子，如专家系统、降维方法和概率模型，捕捉了数据集的一些重要方面。其中，机器学习系统通过训练算法识别和捕获给定数据集(即训练数据集)中的统计模式，提供了各种各样的算法和方法，特别适合于复杂的预测任务。机器学习的主要目标是能够在各种应用中识别新数据(测试数据)中的相似模式，包括分类、回归和聚类。

机器学习算法中使用两种不同类型的训练:监督和无监督。诸如分类(确定给定数据点的类别)和回归(找到一组自变量和因变量之间的数值关系)之类的任务通常通过监督训练来实现，其中学习模型被馈送一组输入输出对训练数据。然而，诸如聚类和降维之类的任务通常是通过无监督训练来完成的，其目标只是捕获给定数据集中的重要特征。最近很流行的一类特殊的机器学习是深度学习，这是一种基于人工神经网络的高级方法。由于其卓越的泛化能力，深度学习在工程、医疗保健和数据分析等许多领域都有应用。在这篇文章中，详细回顾了各种各样的机器学习方法在种植牙科中的应用。

2003年，一项系统的搜索发现了2000多种牙科植入物。牙科种植体类型的广泛变化对牙科专业人员提出了一个具有挑战性的问题。不同的人工智能模型已经被开发出来，通过使用根尖周和全景x线片来识别种植体类型的图像。此外，人工智能模型还使用牙科x光片诊断不同的病变，如牙周病或龋齿。类似地，人工智能应用已被报道用于开发预测模型，通过使用患者风险因素和本体标准来确定骨整合成功或种植体预后，以及通过结合有限元分析(FEA)计算和人工智能模型来优化牙科种植体设计。然而，缺乏对人工智能方法论的发展表现及其对种植牙科的潜在影响的分析。

本系统综述旨在分析人工智能模型在种植牙科中的性能，通过根尖周x线片和全景x线片识别种植体类型，开发骨整合预测模型，预测种植体成功，并优化种植体设计。

表1 在5个数据库上制定了布尔搜索策略

表2  乔安娜布里格斯研究所准实验研究关键评估清单(非随机实验研究)

PRISMA流程图与信息通过阶段的研究选择。

乔安娜布里格斯研究所JBI准实验评估关键评估清单

材料和方法：电子系统评价在5个数据库中完成：Medline/PubMed、EMBASE、World of Science、Cochrane和Scope us。还进行了人工搜索。同行评议的研究包括为种植体类型识别、种植体成功预测和种植体设计优化开发人工智能模型的研究。搜索策略包括在2021年2月21日之前发表的文章。两名研究人员通过应用乔安娜·布里格斯研究所(JBI)准实验研究(非随机实验研究)关键评估核对表独立地评估了研究的质量。咨询了第三名调查员，以解决缺乏共识的问题。

结果：共纳入17篇文章：7篇研究分析了用于种植体类型识别的人工智能模型，7篇研究包括用于种植体成功预测的人工智能预测模型，3篇研究评价了用于种植体设计优化的人工智能模型。通过使用根尖周围和全景图像识别种植体类型的人工智能模型获得了93.8%到98%的总体准确率结果。使用不同的输入数据预测骨整合成功或种植成功的模型在不同的研究中不同，从62.4%到80.5%不等。最后，开发人工智能模型以优化种植体设计的研究似乎一致认为人工智能模型适用于改善牙种植体的设计。这一改进包括将种植体-骨界面处的应力与有限元模型相比最小化36.6%；优化种植体设计孔隙度、长度和直径以改进有限元计算；或准确确定种植体-骨界面的弹性模数。

结论：人工智能模型在种植体类型识别、种植体成功预测和种植体设计优化方面显示出巨大的潜力，但仍处于开发阶段。更多的研究对于进一步开发和评估人工智能模型的临床性能是必不可少的，这些模型适用于所审查的种植牙科应用。

原始出处：

Revilla-León M,  Gómez-Polo M,  Vyas S,Artificial intelligence applications in implant dentistry: A systematic review.J Prosthet Dent 2023 Feb;129(2)