近日，上海科技大学生物医学工程学院崔智铭/沈定刚团队联合香港大学、上海交通大学等机构，在 Nature 旗下知名期刊 npj Digital Medicine (IF=18.0) 上在线发表了题为 "DentalGEN: a large-scale controllable generative AI framework for automated dental crown restoration" 的研究论文。该研究提出大规模可控生成式人工智能框架 DentalGEN，将患者的口腔环境融入牙冠生成过程，同时设计三维几何形态与颜色纹理，并在真实患者中初步验证了其接入牙冠修复流程的可行性。

图1  DentalGEN 论文首页截图

牙冠修复是治疗牙体缺损的重要手段。尽管口内扫描和计算机辅助制造已广泛应用，牙冠设计仍依赖技师在 CAD 软件中逐例调整形态并手工比色上釉，耗时费力、依赖经验，也增加了患者的治疗成本和就诊次数。现有 AI 设计方法往往难以兼顾完整表面、边缘贴合与美学需求：二维方法易丢失侧面信息，三维方法易使细节过度平滑，且较少同时考虑邻牙、对颌牙及预备牙边缘的约束。

为此，研究团队开发了 DentalGEN，将形态、功能与美学需求纳入统一的生成框架 (图2)：先对口腔扫描模型进行分割，提取预备牙、邻牙、对颌牙和修复边缘线，再用可控多视角扩散模型联合生成牙冠的颜色与深度图像，重建带颜色纹理的完整三维牙冠。

图2  DentalGEN 总体框架与性能概览。a–g，传统 CAD/CAM 与 DentalGEN 辅助修复流程对比；h，DentalGEN 设计流程；i，牙冠解剖结构；j，天然牙与技师设计数据及牙位分布；k，不同方法在各牙位上的形态误差比较。CD 和 HD 分别为 Chamfer 距离和 Hausdorff 距离，数值越低表示与目标牙冠越接近。

多视角信息的聚合与映射使咬合面与侧面保持几何一致，既保留牙尖、窝沟等细节，又保证牙冠表面完整  (图2h、2i)；邻牙、对颌牙和修复边缘线则分别作为邻接、咬合和边缘贴合的生成约束，使设计适应不同患者和牙位。

研究团队还构建了迄今公开报道中规模最大的跨机构牙冠数据集 (图2j)，汇集多家医院及诊所 7,880 名患者的 26,614 个牙冠样本，涵盖天然牙冠和技师设计牙冠，覆盖全部牙位类型。

外部测试中，DentalGEN 在各牙位和两种数据来源上均保持较低的几何误差 (图2k)：整体 Chamfer 距离 0.447 毫米、Hausdorff 距离 0.873 毫米，较 DCPR-GAN 分别降低约 47% 和 70%，并能较好再现咬合接触、邻接关系与边缘贴合。在 40 例外部病例的盲评中，6 名牙医依据改良 FDI 标准评分，DentalGEN 与专业技师设计的平均得分无显著差异。

研究团队还与上海交通大学医学院附属第九人民医院合作，完成了切牙、磨牙各一例的真实患者概念验证  (图3)：医生完成牙体预备和扫描后，DentalGEN 生成三维牙冠设计，经计算机辅助制造加工氧化锆牙冠，并参照生成的纹理图染色上釉。临床试戴显示咬合、邻接和边缘贴合均达到可接受要求，切牙修复与邻牙外观协调，磨牙修复保留了清晰的窝沟形态，初步支持了 DentalGEN 在牙医监督下接入真实修复流程的可行性。

图3  DentalGEN 辅助牙冠修复的临床概念验证。上行为 22 号切牙病例，下行为 36 号磨牙病例。从左到右步骤依次为牙体预备、数字扫描、DentalGEN 设计、制造和临床戴入。红色虚线框标示修复区域。

在效率上，DentalGEN 较技师逐例手工设计可缩短 90% 以上的设计时间；在单张 NVIDIA RTX 3060 显卡上，从扫描模型分割到牙冠重建及制造文件导出用时不到 1 分钟，并可在更大显存下并行处理多个病例，具备支撑技工室高通量运作的潜力。

目前，生成的纹理图主要作为技师染色上釉的参考，最终设计仍需医生或技师审核后进入制造。随着多材料 3D 打印技术的发展，DentalGEN 未来有望在医生监督下推动单次就诊完成的“扫描-设计-打印”椅旁修复流程。

香港大学博士研究生、上海科技大学生物医学工程学院访问生吴嘉民为本文的第一作者。上海科技大学崔智铭教授、香港大学徐杰汉教授和上海临床研究中心特聘科学家、上海科技大学沈定刚教授为共同通讯作者。上海交通大学医学院附属第九人民医院、武汉大学口腔医院、香港科技大学、美国得克萨斯农工大学、上海联影智能及上海临床研究中心等单位参与合作研究。

论文链接：

https://doi.org/10.1038/s41746-026-03236-7