AI 幫你找蛀牙，準確率到底有多高？最新國際研究這樣說

一、你有沒有這種經驗：明明照了 X 光，蛀牙還是被「漏掉」了？

「醫生，你上次不是說沒問題嗎？怎麼現在要根管治療了？」

這句話，很多牙醫診間都聽過。患者困惑，牙醫也委屈——因為蛀牙的偵測，真的沒有想像中那麼簡單。

蛀牙（齲齒）是全球最普遍的慢性病之一，根據世界衛生組織的資料，全球有超過 25 億人深受其苦。在台灣，國小學童的齲齒率長期居高不下，成人也好不到哪裡去。但你可能不知道的是：即使是有經驗的牙醫，在 X 光片上辨識早期蛀牙的準確率，其實仍有相當程度的落差。

這不是在說牙醫不夠認真，而是蛀牙的早期病灶，尤其是在牙齒鄰接面（兩顆牙齒接觸的地方）或深藏在溝縫裡的蛀牙，本來就很難靠肉眼或傳統 X 光片準確判讀。影像品質、拍攝角度、閱片者的疲勞程度……每一個環節都可能影響最終診斷。

所以，當「人工智慧」開始被引進牙科影像判讀，大家都很興奮，也都很好奇：AI 真的比人更會看蛀牙嗎？它距離進診間，還有多遠的路要走？

2026 年，一篇刊登在國際知名期刊《Evidence-based Dentistry》的評論文章，針對這個問題做了迄今最完整的系統性整理，給了我們一個相對清晰的答案。

二、為什麼我們需要「AI 看蛀牙」這個研究？

在聊這篇研究之前，先讓我們理解一個背景：現在的牙科診斷，是怎麼運作的？

傳統上，牙醫師透過兩種主要方式來偵測蛀牙：一是臨床視診，也就是直接用眼睛加上探針檢查；二是放射線影像，也就是牙科 X 光片，包含根尖片、咬翼片等。

這兩種方式各有盲點。臨床視診對於隱藏在牙縫中、或剛開始脫鈣的早期蛀牙，往往無法早期發現。X 光片雖然可以穿透牙齒，看到肉眼看不見的地方，但判讀本身高度依賴醫師的訓練與經驗，且影像解析度、拍攝條件都會影響結果。

更麻煩的是，研究顯示不同牙醫師對同一張 X 光片的判讀，有時候會有顯著差異——這在醫學上稱為「觀察者間信度」（inter-observer reliability）的問題。換句話說，今天換一個醫生看你的 X 光片，可能得到不同的結論。

這就是 AI 介入的動機。深度學習技術，尤其是卷積神經網路（CNN），在影像辨識領域的突破讓人眼睛一亮。從放射科到皮膚科，AI 輔助診斷已經在各個醫療領域快速發展。那牙科呢？

過去幾年，已經有不少研究陸續探討 AI 在牙科影像判讀上的表現，但這些研究的規模大小、使用的影像類型、評估方式都不太一樣，很難一概而論。我們需要的，是一篇能把這些零散研究整合起來、給出整體評估的系統性回顧。

這正是 Gugnani 與 Gugnani 這篇 2026 年評論文章的價值所在。

三、這個研究是怎麼做的？（白話版）

這篇文章本身是一篇「評論文章」（commentary），它的核心是評析另一篇由 Abbott、Saikia 與 Anthonappa 在 2025 年發表的系統性回顧與統合分析——後者才是實際做大規模文獻整合的那篇研究。

把它想成這樣：Abbott 等人先做了一份「大整合報告」，Gugnani 等人再針對這份報告寫了一篇「專家點評」，分析其意義與局限。這在實證醫學領域是很常見的做法。

那 Abbott 等人究竟整合了什麼？

研究團隊廣泛搜尋各大學術資料庫，最終納入了 45 篇符合條件的研究，這些研究全部聚焦在「AI 偵測蛀牙」這個主題。

這 45 篇研究可以分成兩大類：

• 牙科 X 光片研究：共 33 篇。使用的是我們最熟悉的牙齒 X 光片，包括根尖片（periapical radiograph）、咬翼片（bitewing radiograph）等。AI 的任務是在這些影像上標記出蛀牙病灶。
• 臨床影像研究：共 12 篇。使用的是口腔內的直接照片，例如用口內相機或一般數位相機拍攝的牙齒影像，AI 要從彩色照片中辨識出蛀牙跡象。

每篇研究都用各種統計指標來評估 AI 的表現，最重要的有幾個：

• 準確率（Accuracy）：整體答對的比例。
• 敏感度（Sensitivity）：在真正有蛀牙的案例中，AI 正確抓出來的比例。
• 特異度（Specificity）：在沒有蛀牙的案例中，AI 正確排除的比例。
• AUC（曲線下面積）：綜合評估診斷能力的指標，滿分是 1，越高越好。

這種系統性整合的好處在於：它不是只靠一篇小研究說話，而是把幾十篇研究的結果加總、平均，得出一個更穩健的結論。

四、研究發現了什麼？（數字說話）

好，直接進入重點。這 45 篇研究整合下來，AI 偵測蛀牙的表現如何？

準確率

整體診斷能力（統合分析結果）

這些數字意味著什麼？讓我用更直觀的方式解釋：

特異度 91% 很亮眼。這代表 AI 在「不亂報假警報」這件事上做得不錯。如果 AI 說你沒有蛀牙，絕大多數情況下它是對的。這對於減少不必要的治療很有意義。

敏感度 76% 則是比較保守的數字。換句話說，每 100 個真正有蛀牙的地方，AI 平均會漏掉大約 24 個。這個漏診率，在臨床上仍然不能忽視——畢竟蛀牙如果漏掉了，就會繼續惡化。

AUC 92% 是整體表現的亮點。AUC 被認為是最全面的診斷準確性指標，92% 意味著 AI 在區分「有蛀牙」和「沒蛀牙」這件事情上，整體表現相當好，達到了「優秀」的門檻。

用考試來比喻：AI 的總體表現就像一個「考試粗心、但基本功紮實」的學生——特異度高，表示它不會亂猜、不會亂標；敏感度相對低一些，表示偶爾會漏掉一些藏得比較深的題目。整體成績（AUC 92%）仍然很好看，但如果上了手術台，這個「偶爾漏題」就不能輕易接受了。

五、這對你，有什麼實際意義？

好，現在你知道 AI 看蛀牙的成績單了。但這跟你去牙科診所看診，究竟有什麼關係？

短期內：AI 是牙醫的「第二雙眼睛」，不是替代品

根據目前的研究成果，AI 最適合扮演的角色是「輔助工具」，而不是「取代牙醫」。

想像一下這個情境：你拍完牙科 X 光片之後，AI 系統會先自動掃描影像，把它認為可疑的區域用顏色標記出來，然後牙醫再根據這些提示，做最終的判斷與診斷。

這樣做有幾個好處：

• 減少漏診：特別是在門診繁忙、醫師疲勞的情況下，AI 可以協助「把關」，避免因為人為疏失而漏掉早期蛀牙。
• 標準化診斷：不同醫師對同一張 X 光片可能有不同判讀，AI 提供一個相對客觀的參考基準，有助於提升診斷一致性。
• 提升效率：在大型牙科診所或公衛篩查場景，AI 可以快速初篩大量影像，節省牙醫師的時間，讓他們專注在更需要臨床判斷的工作上。

對患者的潛在好處

• 更早發現蛀牙：早期蛀牙只需要塗氟或填補，不需要根管治療，省時、省錢、也省痛苦。
• 更透明的診斷過程：牙醫可以把 AI 的標記給患者看，解釋「這個地方 AI 覺得有問題，我們再仔細看看」，讓診斷過程更直觀好懂。
• 遠端醫療的可能性：在偏鄉或資源不足的地區，AI 可以協助基層衛生人員進行初步篩查，再決定是否需要轉診給牙醫。

但是，不要太早樂觀

76% 的敏感度，意思是大約每 4 個蛀牙，AI 就會漏掉 1 個。在蛀牙診斷這件事上，「漏掉」的後果可不小——一個被忽略的早期蛀牙，可能幾個月內就演變成需要根管治療的深度齲齒，費用和不舒服程度都大幅上升。

所以，即使 AI 介入，定期讓牙醫親自檢查仍然不可少。AI 是工具，不是保證。

六、台灣目前的情況怎樣？

健保給付與現行做法

台灣的牙科診斷，目前主要仍依賴牙醫師的臨床視診加上 X 光片判讀。健保對於牙科 X 光片（根尖片、咬翼片、全口 X 光等）有給付規定，但 AI 輔助診斷目前尚未列入健保給付項目。

AI 牙科在台灣的發展現狀

近幾年，台灣已有部分大型牙醫診所和醫學中心開始試驗性引入 AI 輔助影像判讀系統。台灣牙醫界對 AI 工具的態度整體上是謹慎樂觀——有興趣嘗試，但也清楚知道這個技術還在演進中，還需要更多本土化的驗證。

你現在能做的事

• 每六個月定期回診（兒童和高齲齒風險者甚至建議每三個月）
• 定期拍咬翼片（每 1-2 年），讓牙醫評估牙縫蛀牙的情形
• 如果診所有提供 AI 輔助診斷，可以詢問是否可以使用，作為額外的參考

七、研究的局限性：專家怎麼看？

Gugnani 等人在這篇評論文章中，也清楚點出了幾個重要問題。

局限性一：研究之間的異質性太高

這 45 篇研究用的 AI 方法不一樣、訓練資料不一樣、評估標準也不一樣。這種「異質性」讓統合分析的結果需要更謹慎解讀。

局限性二：缺乏前瞻性臨床試驗的驗證

目前大多數研究都是在「已知答案」的資料集上測試 AI，跟真實臨床環境很不一樣。目前這類「前瞻性臨床試驗」還非常稀少。

局限性三：訓練資料的代表性問題

一個在歐美人口影像上訓練的 AI，拿來用在台灣人的牙齒影像，不一定有同樣的準確度。這也是為什麼「本土化驗證」那麼重要。

Gugnani 等人的核心觀點：AI 在蛀牙偵測上展現了令人期待的潛力，但「展現潛力」和「準備好進臨床使用」之間，還有一段需要嚴謹研究來填補的距離。

八、結語：AI 時代的牙科，我們在哪裡？

AI 在蛀牙偵測上已經交出了一份不錯的成績單——AUC 92%、特異度 91%，這些數字放在很多醫療診斷的情境裡，都是值得尊重的表現。但醫療不是考試，它的代價是真實的人的健康與痛苦。一個 76% 的敏感度，意味著仍有四分之一的蛀牙可能被漏掉，這在臨床上不是可以輕輕帶過的事。

對我們普通民眾來說，現在最重要的事，其實並不是等待 AI 的到來。而是做好最基本的事：定期刷牙、用牙線、定期回診、照 X 光。這些老掉牙的建議，至今仍然是預防蛀牙最有效的方法，沒有任何 AI 可以取代它們。

所以，下次牙醫說「六個月後回來追蹤」，請認真把那個時間記在行事曆上。這一步，比任何 AI 技術都更直接地保護你的牙齒健康。

參考文獻

• Gugnani N, Gugnani S. AI for caries detection: how close are we to clinical use? Evidence-based Dentistry. 2026. DOI: 10.1038/s41432-026-01205-3. PMID: 41593410.
• Abbott LP, Saikia A, Anthonappa RP. Artificial intelligence platforms in dental caries detection: a systematic review and meta-analysis. J Evid Based Dent Pract. 2025. DOI: 10.1016/j.jebdp.2024.102077.