近年来，人工智能技术在医学诊断领域发展迅速，尤其在多模态数据融合方面展现出强大潜力。通过整合影像、临床参数、生物标志物等多源信息，人工智能系统能够实现对疾病的更全面、更早期、更精准识别，为传统诊断方法带来革命性提升。在这一趋势下，牙周炎这一全球约半数人口受其困扰的常见口腔疾病的诊断模式也正在发生深刻变革。西安交通大学口腔医院与生命科学与技术学院的研究团队，系统探索并推进了“基于人工智能的多模态融合诊断”在牙周炎精准诊疗中的应用，为口腔健康管理的个性化与精准化提供了新的理论框架与技术路径。

牙周炎人工智能多模态融合诊断

牙周炎是一种由菌斑生物膜引起的慢性炎症性疾病，可导致牙周支持组织破坏，并与多种全身系统性疾病相关。传统的诊断方法主要依赖医生的临床检查（如探诊深度、出血指数）和二维影像学评估，存在主观性强、只能反映历史性损伤、难以早期预警等局限。尽管基于龈沟液的生物标志物检测提供了客观的辅助手段，但单一标志物往往难以全面反映疾病的复杂状态。

针对这些挑战，BEBC与西安交通大学口腔医院医工结合研究团队提出了“牙周炎人工智能多模态融合诊断”的新范式。该范式核心在于利用人工智能技术，尤其是机器学习与深度学习算法，对来自不同源头的数据进行深度融合与智能分析。这些多模态数据主要包括：（1）临床数据：如菌斑指数、牙周袋深度、附着丧失水平等；（2）影像学数据：包括全景片、根尖片、锥形束CT（CBCT）提供的二维与三维结构信息；（3）生物标志物数据：如龈沟液或唾液中的炎症因子（IL-1β, TNF-α）、基质金属蛋白酶（如MMP-8）以及微生物信息等。

研究表明，通过人工智能模型融合上述多模态信息，能够显著提升牙周炎的诊断准确性、分期精确度以及风险预测能力。例如，融合临床参数与唾液生物标志物的模型，其诊断效能（AUROC）显著高于单一标志物检测；结合人口统计学、行为习惯、影像与生物信息的机器学习模型，在内部验证中显示出超过95%的准确率。人工智能不仅能辅助识别现有疾病状态，还能通过分析细微的影像学变化和生物信号，实现早期炎症的检测与疾病进展的动态监测，从而推动诊断从“滞后判断”向“早期预警与精准干预”转变。

该研究方向以“基于人工智能的多模态融合诊断：牙周炎精准诊断的新进展”为题，已在《中华口腔医学杂志》发表。西安交通大学口腔医院博士生柴桢为第一作者，通讯作者为西安交通大学口腔医院李昂教授，文章其他作者包括西安交通大学口腔医院李晔研究员、生命学院徐峰教授和游民黎副教授，西安交通大学口腔医院硕士生宋皓楠。该研究得到国家自然科学基金重点国际（地区）合作研究项目（W2411086）资助。

论文链接：https://d.wanfangdata.com.cn/periodical/CiBQZXJpb2RpY2FsQ0hJU29scjkyMDI1MTExNzE2MDExNxIPemhrcXl4MjAyNTA1MDE1Ggg4NjVnbHNwZw%3D%3D

DOI: 10.3760/cma.j.cn112144-20250110-00009

BEBC理念

西安交通大学仿生工程与生物力学研究所（BEBC）聚焦重大疾病诊治中的关键科学问题，以“临床需求-理论创新-技术突破-临床转化”为研究路径，创立了“多尺度生物热-力-电耦合学”，开拓了“力医学”学科新方向，并创新性提出“细胞智能”概念。团队立足力学理论，融合材料、化学、生物、医学等多学科，通过“临床问题（BED）-实验室研究（BENCH）-临床应用（BED）”的研究模式，在组织、细胞及分子尺度揭示力学微环境对疾病的影响，为诊疗提供新理论和技术支撑。西安交通大学仿生工程与生物力学研究所与口腔医院陕西省颅颌面精准医学研究重点实验室长期致力于医工交叉融合研究。团队紧密围绕“临床问题驱动-理论技术创新-临床转化应用”的闭环路径，在生物力学、生物医学信息工程及人工智能辅助诊断等领域深耕。近年来，团队聚焦口腔重大疾病，积极探索人工智能、多模态数据融合等前沿技术在口腔精准医学中的应用，旨在通过工程化手段解决临床诊断中的痛点与难点，推动诊疗模式的智能化与个体化升级。

西安交通大学口腔医院牙周病科作为陕西省及西北地区重要的牙周病诊疗与研究中心，在牙周炎发病机制、新型诊断技术与综合治疗方面积累了丰富经验。科室注重临床与科研相结合，与BEBC等工科团队建立了稳固的跨学科合作，共同构建了从临床样本收集、多模态数据生成到人工智能模型开发与验证的研究平台，为牙周炎精准诊疗体系的建立提供了坚实的临床基础与转化场景。