牙髓断面是否适宜盖髓？——人工智能辅助牙髓切断术中决策

牙髓断面是否适宜盖髓？——人工智能辅助牙髓切断术中决策

牙髓切断术是活髓保存治疗（vital pulp therapy，VPT）的重要术式，其预后在很大程度上取决于术中对剩余牙髓炎症状态和愈合潜能的准确判断。现有国内外指南通常依据剩余牙髓断面的血供、形态、质地及止血情况等表现判断其是否适宜盖髓，但这些定性征象的识别高度依赖术者经验，容易造成观察者间判断差异；分子生物标志物、MRI及激光多普勒血流检测等客观方法又因操作复杂、成本较高等，难以满足常规术中即时评估的需求。

针对上述临床难题，笔者在北京大学口腔医院牙体牙髓科王晓燕教授指导下，与北京科技大学彭君然副教授带领的算法团队开展医工交叉合作，共同构建并验证了用于辅助判断牙髓断面是否适宜盖髓的人工智能模型，旨在为术者提供即时、可重复的决策参考。本文从临床难点出发，以一例典型病例为切入点，介绍模型的构建与验证，并讨论其临床辅助价值。相关成果已发表于《牙科学杂志》（Journal of Dentistry）。

引用本文：Zhang Q, Hu M, Peng J, Wang X. Deep learning-driven intraoperative assessment of pulp stumps for precision pulpotomy. J Dent, 2026, 173:106796. doi: 10.1016/j.jdent.2026.106796.

作者：张倩莉   

北京大学口腔医院第四门诊部

牙髓断面的术中判断难点

根据现有指南和专家共识，适宜盖髓的牙髓断面通常为富含血液的红色软组织，形态连续且质地较韧。若牙髓断面出现无血管组织、黄色或灰白色改变、移位的牙本质碎屑，或出血难以控制，则提示剩余牙髓可能不适宜直接盖髓。（图1）


图1 牙髓断面代表性图像

但是，这些判断标准以定性描述为主，尚无统一的量化尺度。经验丰富的牙体牙髓病专科医师能够结合多项视觉特征作出判断，经验相对有限的医师则可能忽略细微的异常表现。研究团队由此提出一个创新性问题：人工智能能否学习专家对牙髓断面的判读方式，并为术中盖髓决策提供稳定可重复的辅助参考？

代表性病例：人工智能辅助判断牙髓断面是否适宜盖髓？

患者女性，38岁。

简要病史：发现左下后牙变黑2周，否认自发痛、冷热痛、夜间痛、放散痛、咬合痛、牙龈肿痛等不适。

既往史、家族史：无特殊。

临床检查：36DO牙色充填体，继发龋坏，探质软，无探痛，叩痛（-），不松动，牙龈缘无明显红肿，冷测一过性敏感。X线片示：冠部充填体边缘低密度影极近髓腔，根管内未及充填物影像，根尖周未及明显异常。（图2）

临床诊断：36可复性牙髓炎。

治疗计划：36部分冠髓切断术+复合树脂直接粘接修复。


图2  术前口内照及X线片

治疗过程：4%阿替卡因下颌传导阻滞+局部浸润麻醉下，上橡皮障，显微镜下去旧充填体，去腐质未净露髓，去净腐质后可及直径1～2 mm露髓点，少量出血，磨除少量表层牙髓，3%次氯酸钠止血1 min，止血即刻拍摄牙髓断面高清图片（图3）。可见显微镜下剩余牙髓断面表现为血供丰富、形态连续、质地较韧的牙髓软组织。面对这一断面，临床需要作出关键判断：剩余牙髓是否符合盖髓条件？


图3  去腐质净露髓及牙髓切断止血后的牙髓断面

将牙髓断面图像输入本研究团队开发的人工智能模型后，模型判断为“适宜盖髓”，预测概率95.71%。两位牙体牙髓病学专家的共识判断为“适宜盖髓”，模型判断与专家结论一致。模型可视化热图显示，其重点关注区域主要位于牙髓断面区域（图4）。这一结果提示，模型确实重点关注了牙髓断面相关的组织区域。（该病例来自研究的内部独立测试集，未参与模型训练。）


图4  模型可视化热力图

需要强调的是，该病例的临床最终治疗决策并非仅由人工智能输出决定。临床医师综合患者术前表现、术中出血、止血情况、显微镜下牙髓断面特征以及医师专业判断，最终决定盖髓。随后使用iRoot BP PLUS覆盖牙髓断面，并完成复合树脂直接粘接修复。(图5a,b,c)


图5  a为iRoot BP PLUS盖髓，b为复合树脂直接粘接修复，c为术后即刻根尖片，d为术后6个月复查根尖片

术后6个月复查：患者无疼痛、咬合不适等症状；临床检查显示：36DO树脂充填体边缘密合，叩痛（-），不松动，牙龈缘无明显红肿，冷测同对照；X线片示：髓腔及根管内未及明显异常钙化或吸收，根管内未及充填物影像，根尖周未及明显异常。（图5d）

人工智能模型的构建与效果评价

上述病例直观展示了人工智能辅助判断牙髓断面是否适宜盖髓的临床应用场景。那么，该模型是如何构建并验证的？该研究纳入52名患者52颗患牙的536张高分辨率术中显微图像，数据按患牙划分，其中443张用于模型训练，93张组成内部独立测试集；另从已发表文献中收集21张图像用于外部测试。研究团队依据国内外指南、专家共识，将图像标注为“适宜盖髓”或“不适宜盖髓”，并基于自监督预训练的DINOv2视觉基础模型构建分类模型；同时设置人机比较，由两名牙体牙髓病专科医师、三名相关经验较少的全科医师及模型进行独立判读。模型在内部和外部测试集中的准确率分别为95.70%和85.71%，其诊断准确性与两名专科医师相比差异无统计学意义；相比之下，经验相对有限的医师对“不适宜盖髓”断面的识别能力不足，特异度仅为37.50%～50.00%。模型的敏感度和特异度相对均衡，可良好复现专家的视觉判断。（图6）


图6  人工智能模型与不同经验水平医师的评估表现

人工智能辅助牙髓断面评估的临床价值

该研究首次针对牙髓切断术中“剩余牙髓是否适宜盖髓”这一关键临床问题，构建并验证了人工智能辅助评估方法。该方法可再现专家决策，为牙髓断面判读提供了独立、可重复的辅助参考，为提高术中盖髓决策的一致性与精准性提供了全新的解决思路。

在临床实践中，模型可以作为辅助意见，提醒牙髓切断术经验相对有限的医师重新审视容易忽略的异常区域。模型的可视化结果也可用于教学，帮助学习者理解专家判读牙髓断面时关注的形态学特征。需要强调的是，现阶段该模型的定位为辅助工具，其价值在于协助术者整合术中多源信息，而非脱离术前诊断、出血及止血情况等综合临床背景独立做出治疗决策。

在局限性方面，该研究的内部数据来源于单一中心，且临床操作由一名经验丰富的术者完成。尽管研究共纳入536张图像，但其仅对应52颗患牙；外部测试集仅含21张图像，其中适宜盖髓的样本偏少，导致部分性能指标的置信区间较宽。此外，该研究以专家对牙髓断面的视觉共识作为参考标准，尚未与组织病理学结果或长期临床随访结局进行相关性验证。因此，模型当前所反映的是专家视觉判读的模式，而非牙髓组织确定性的生物学状态，其输出结果尚不能直接用于预测牙髓切断术的远期成功率。

未来研究需进一步开展多中心、前瞻性设计，扩大样本量并纳入更多患牙，同时系统评估不同术者操作习惯、显微镜设备参数及成像条件对模型泛化性能的影响。若能将术中视频记录所包含的动态止血时序信息以及规范化的长期随访结局纳入模型训练与评价体系，则评估维度可由单帧静态图像拓展至涵盖完整术中过程的动态场景，从而为牙髓切断术的精准化与智能化发展提供更为坚实的技术支撑。

作者简介