AI生成全景X线片评分揭示口腔健康与多种重大全身性疾病的关联

亮点

• 一项AI模型对26,550张全景X线片中的牙槽骨丧失和缺失牙进行量化，生成了连续型口腔健康评分。
• AI生成的全景评分与5种全身性疾病呈独立的负相关：糖尿病、高血压、骨质疏松症、缺血性心脏病和高脂血症。
• 该评分对缺血性心脏病的相对风险区分能力最高；在纳入年龄、性别和BMI后，其对糖尿病、高血压和高脂血症仍具有增量预测价值。
• 该方法提供了一种自动化、定量、无创的影像学生物标志物，有望促进口腔与全身疾病的整合管理。

研究背景

口腔健康长期以来被认为与全身健康密切相关，牙周疾病和牙齿缺失与心血管疾病、代谢性疾病及骨质疏松症相关。然而，将口腔影像数据常规整合进全身疾病风险评估的临床实践仍不充分。全景X线摄影在牙科临床中应用广泛，能够全面显示牙齿及牙槽骨结构。随着人工智能（Artificial Intelligence, AI）技术的发展，尤其是自动图像分析技术，研究者得以在大规模范围内提取反映口腔健康状况的可量化特征。本研究旨在探讨一种AI生成的全景X线片评分，该评分综合了缺失牙和牙槽骨丧失情况，是否与若干主要全身性疾病独立相关，从而有望作为支持整合医疗的新型生物标志物。

研究设计

这项回顾性横断面分析纳入了来自两家医院的26,550张全景X线片。AI模型识别单颗牙齿和种植体，并量化牙槽骨丧失的严重程度。基于这些参数，研究构建了一个0～100分的基于X线片的评分，该评分纳入缺失牙数量及加权后的骨丧失严重程度。研究评估了该评分与5种全身性疾病临床诊断之间的关联：糖尿病、高血压、骨质疏松症、缺血性心脏病和高脂血症。 方法学包括：不同疾病状态组间评分比较、按评分升序五分位分层的患病率趋势分析，以及校正混杂因素（年龄、性别、BMI）的多变量Logistic回归模型。为评估AI评分在仅纳入人口学协变量基础上的增量诊断区分能力，研究进一步采用受试者工作特征曲线下面积（area under the receiver operating characteristic curve, AUC）的变化值（ΔAUC）及DeLong检验进行统计学分析。

主要结果

与对照组相比，各全身性疾病患者的全景评分均显著更低（均P<0.001），提示其口腔健康状况更差。校正后差异最大的为糖尿病（β系数＝-6.25）。随着评分分层升高，5种疾病的患病率均呈一致下降趋势（Cochran-Armitage检验具有统计学意义，P<0.001）。 比较最低与最高评分五分位时，缺血性心脏病的疾病相对风险最高（4.73）。在校正年龄、性别和BMI后，AI生成的全景评分仍与所有研究疾病独立相关，AUC介于0.74～0.80之间，提示其具有中等区分能力。 值得注意的是，在糖尿病、高血压和高脂血症方面，该评分在人口学因素基础上可显著提升区分能力（ΔAUC范围为0.0015～0.0154；DeLong P<0.0188）；而对于缺血性心脏病和骨质疏松症，其增量区分能力未达到统计学显著性。

专家点评

本研究揭示了利用常规牙科X线片开展AI分析，以提供与全身性疾病状态相关的可量化指标的潜力。全景评分与全身性疾病患病率之间的负相关关系，与既往文献一致：口腔健康不佳，尤其是牙槽骨丧失和牙齿缺失，可通过慢性炎症及共同危险因素等机制，与糖尿病和心血管疾病相关联。 该评分在代谢性疾病中表现出具有统计学意义的增量价值，且预测性能处于中等水平，提示其可作为辅助筛查或风险分层工具。然而，横断面设计限制了因果推断。研究对象来源于医院人群，可能降低结果的普适性。未来需要前瞻性纵向研究，以明确将此类AI生成的口腔健康指标整合入临床实践，是否有助于提高全身性疾病的早期识别或管理水平。 此外，关于牙周炎症和骨丧失如何推动全身病理生理过程的机制性认识，仍需进一步研究，以增强该评分关联性的生物学合理性。

结论

反映口腔健康状况的AI生成全景X线片评分与5种主要全身性疾病均存在独立关联，其中与缺血性心脏病和糖尿病的关联最强。该无创、自动化、基于影像的指标是一种有前景的转化工具，可用于连接口腔医疗与全身医疗体系，或有助于复杂共病患者的整合管理。 未来研究应重点开展前瞻性验证，优化AI模型以提高准确性，并通过实施研究评估基于全景X线片的全身性疾病风险评估在不同人群中的临床实用性和成本效益。

资金支持与ClinicalTrials.gov

原始研究未报告具体资金来源或临床试验注册信息。

参考文献

1. Tonetti MS, Jepsen S, Jin L, Otomo-Corgel J. Impact of the global burden of periodontal diseases on health, nutrition and wellbeing of mankind: A call for global action. Journal of Clinical Periodontology. 2017 May;44(5):456-462. 2. Chapple IL, Genco R. Diabetes and periodontal diseases: Consensus report of the joint EFP/AAP Workshop on Periodontitis and Systemic Diseases. J Periodontol. 2013 Apr;84(4-s):S106-12. 3. Preshaw PM, Alba AL, Herrera D, Jepsen S, Konstantinidis A, Makrilakis K, Taylor R. Periodontitis and diabetes: a two-way relationship. Diabetologia. 2012 Jan;55(1):21-31. 4. Tonetti MS, Van Dyke TE. Periodontitis and atherosclerotic cardiovascular disease: Consensus report of the joint EFP/AAP Workshop on Periodontitis and Systemic Diseases. J Periodontol. 2013 Apr;84(4-s):S24-S29. 5. Kinane DF, Stathopoulou PG, Papapanou PN. Periodontal diseases. Nat Rev Dis Primers. 2017 Jun 29;3:17038. 6. DeLong ER, DeLong DM, Clarke-Pearson DL. Comparing the areas under two or more correlated receiver operating characteristic curves: a nonparametric approach. Biometrics. 1988 Sep;44(3):837-45. 7. Lee JH, et al. Artificial intelligence in dental imaging: Assessment and future perspectives. Imaging Sci Dent. 2020 Sep;50(3):169-177. 8. Wu T, et al. Associations between oral health status and systemic conditions: A systematic review. Int J Environ Res Public Health. 2020;17(1):139. 9. The original study citation: Kahm SH, Ko DY, Choi JS, Lee JH, Cho SH, Lee SY. AI-derived panoramic score and its association with major systemic diseases: A retrospective cross-sectional study. Journal of dentistry. 2026-10-17:107104. PMID:42892360.