112 年 國立臺灣大學臨床牙醫研究所丁組《基礎牙周病學》

本題主要在探討牙釉質基質衍生物（Enamel matrix derivatives, EMDs）在牙周組織再生中的角色，特別是其在牙齒發育階段的參與以及在牙周再生中的潛在機制。

核心觀念：
EMDs 的主要成分是從未萌發豬隻牙齒中萃取的釉基質蛋白（amelogenins），這些蛋白在牙齒發育過程中扮演關鍵角色，並在牙周組織再生中發揮作用。

解題步驟：

1. 牙齒發育階段的參與：

   • 釉質形成： 在牙釉質發育過程中，釉母細胞（ameloblasts）分泌大量釉基質蛋白，這些蛋白質在牙釉質礦化過程中起著模板和調節劑的作用。它們幫助控制礦物晶體的生長和排列，形成結構緻密的釉質。
   • 牙周韌帶和牙骨質的形成： 釉基質蛋白也參與了牙周韌帶和牙骨質的形成。它們可以影響牙周韌帶纖維的附著和牙骨質的沉積，對牙周結構的正常發育至關重要。
   • 信號傳導： 釉基質蛋白不僅是結構成分，還能通過與細胞表面的受體結合，傳遞細胞信號，調控細胞的分化、增殖和遷移，影響牙周組織的形態發生。

2. 牙周再生中的潛在機制：
   EMDs 作為牙周再生材料，其作用機制主要包括：

   • 誘導牙周組織再生： EMDs 能夠模擬牙齒發育時的細胞外基質環境，誘導牙周組織的細胞（如牙周韌帶細胞、骨細胞、成纖維細胞）增殖和分化，從而促進

本題主要探討植牙成功的關鍵「骨整合」（Osseointegration）的達成方式、時間進程以及評估方法。

核心觀念：
骨整合是指植體（implant）與周圍齒槽骨之間建立的直接結構性和功能性連接，是植牙穩定的基礎。

解題步驟：

1. 骨整合的達成（包括時間）：
   骨整合是一個生理過程，涉及細胞和組織層面的相互作用，主要分為以下幾個階段：

   • 初期穩定（Primary Stability）： 植入植體後，立即獲得的機械穩定性。這主要依賴於植體的幾何設計、骨組織的質量和密度，以及植入時的精確操作。此階段骨整合尚未發生，主要靠植體與骨組織間的物理鎖定維持穩定。
   • 細胞反應與組織形成（Cellular Response and Tissue Formation）： 植體表面會吸引血小板、白血球和巨噬細胞，釋放細胞因子和生長因子，啟動炎症反應和組織修復過程。接著，間充質幹細胞（Mesenchymal stem cells, MSCs）被招募到植體表面，分化為成骨細胞（osteoblasts）。
   • 骨組織沉積與整合（Bone Deposition and Integration）： 成骨細胞開始在植體表面沉積骨基質（osteoid），隨後進行礦化，形成新的骨組織。這個過程使得植體與周圍骨組織之間產生緊密的生物學連接。
   • 骨重塑（Bone Remodeling）： 隨著時間推移，新形成的骨組織會經歷重塑過程，變得更緻密、更有彈性，以承受咬合力。

   時間進程：

   • 初期穩定： 立即獲得。
   • 細胞反應與組織形成： 開始於植入後數小時至數天。
   • 骨組織沉積與整合： 開始於植入後數週，通常需要數個月才能達到穩定的骨整合。
     • 下顎（Mandible）： 由於骨密度較高，通常需要約 2-3 個月。
     • 上顎（Maxilla）： 由於骨密度較低，通常需要約 4-6 個月。
   • 功能性負荷（Functional Loading）： 在達到足夠的骨整合後，才能對植體施加咬合力。過早或過度的負荷會阻礙骨整合，甚至導致失敗。

2. 評估骨整合的兩種方法（包括機制）：
   評估骨整合的關鍵在於確定植體與骨組織之間是否存在穩定的生物學連接，以及植體是否具有足夠的承受咬合力的能力。

   • 方法一：臨床穩定性測試（Clinical Stability Testing）
     • 機制： 評估植體在植入後或在修復體製作過程中，是否能抵抗外力而保持不動。這代表了植體與骨組織之間的機械穩定性，是骨整合的初步體現。
     • 具體方法：
       • 觸診（Palpation）： 在植入後，輕微觸摸植體或連接物，感受是否有晃動。
       • 儀器測試：

本題探討人工智慧（AI）在牙周病學中的應用，要求提供一個 AI 輔助牙周治療、診斷或維護的具體範例，並解釋其實現方式。

核心觀念：
AI 在醫學領域的應用日益廣泛，包括影像辨識、數據分析、預測模型等，這些技術可以應用於牙周病的早期診斷、精準治療和長期監測。

解題步驟：

1. 提供一個 AI 輔助牙周病的範例：
   我們選擇一個 AI 輔助牙周診斷的範例，特別是利用影像學數據進行牙周病風險評估和診斷。

   範例：利用 AI 分析全口環景 X 光片（Panoramic Radiographs）進行牙周病早期風險評估與診斷

2. 解釋如何實現（How to make it）：
   實現這個 AI 輔助診斷系統需要以下幾個關鍵步驟：

   • 數據收集與標註（Data Collection and Annotation）：

     • 影像數據： 收集大量的全口環景 X 光片。這些影像需要涵蓋不同年齡、性別、牙周病嚴重程度（從健康到嚴重牙周炎）的患者。
     • 臨床數據： 結合影像數據，收集相應的臨床數據，包括牙周囊袋深度（PPD）、附著喪失（CAL）、菌斑指數（PI）、牙齦指數（GI）、牙齒鬆動度、咬合干擾等。
     • 專家標註： 由經驗豐富的牙周病專科醫師對影像進行標註。標註內容包括：
       • 識別牙槽骨喪失的區域和程度（例如，測量骨緣與牙釉質-水泥質界面的距離，評估骨喪失的模式，如水平性或垂直性）。
       • 標記牙周囊袋的位置和深度。
       • 識別其他可能影響牙周健康的因素，如牙結石、牙冠邊緣密合度、解剖結構變異等。
       • 為每張影像或特定區域分配一個牙周病風險級別或診斷類別（如健康、牙齦炎、輕度牙周炎、中度牙周炎、重度牙周炎）。

   • 模型選擇與訓練（Model Selection and Training）：

     • 選擇 AI 模型： 選擇適合影像分析的深度學習模型，特別是卷積神經網絡（Convolutional Neural Networks, CNNs）。CNNs 在識別圖像特徵方面表現出色，非常適合分析 X 光片中的骨結構和病變。
     • 數據預處理： 對收集到的影像進行預處理，包括圖像增強（如對比度調整）、歸一化、尺寸調整等，以提高模型訓練的效率和準確性。
     • 模型訓練： 使用標註好的影像數據對 CNN 模型進行訓練。訓練過程中，模型學習如何從影像中識別出與牙周病相關的特徵（如骨質流失的形態、密度變化），並將這些特徵與預先設定的診斷類別或風險等級關聯起來。
     • 模型評估： 使用獨立的測試集（未參與訓練的數據）來評估模型的性能。