人工智能模型用于上颌磨牙MB2根管检测的临床准备度：一项范围综述

背景/目的：上颌磨牙中第二近颊（MB2）根管的检测是牙髓病学中的一个显著挑战。本范围综述旨在梳理基于人工智能（AI）的MB2检测模型的研究现状，明确其当前的临床准备阶段以及与常规临床实施相关的差距。 方法：遵循PRISMA 2020指南和PRISMA-Scr清单，在三个数据库（PubMed、Embase和Scopus）中进行了全面的独立检索，以综合截至2026年2月20日的证据。研究设计包括观察性研究、诊断准确性研究以及采用AI方法（包括机器学习或深度学习模型）研究人类永久性上颌磨牙的实验设计。 结果：从1218条已识别记录中，5项研究符合纳入标准。所有5项研究均报告了AI模型在检测MB2根管方面具有强大的诊断性能，深度学习和机器学习模型均表现出良好的诊断性能。使用技术准备度-实施科学框架进行的临床准备度评估报告显示，所有5项研究均进展至第4级。使用QUADAS-2工具进行的总体偏倚风险评估反映出一些担忧，突显了方法学组成部分不明确或不充分，以及总体适用性问题较低。偏倚风险评估通过ROBVIS工具进行了可视化。 结论：总体而言，AI模型在MB2根管识别方面表现出良好的诊断性能；然而，现有证据突显了其在转化准备度方面的重要局限性。 临床相关性：基于AI的工具在锥形束计算机断层扫描上检测MB2根管显示出接近专家的准确性，但所有现有模型仍处于原型阶段，缺乏真实世界验证。它们应作为决策支持辅助工具使用，而非独立的诊断系统。