目的:通过建立口腔颌面部疾病（oral and maxillofacial diseases,OMD）患者的面部图像数据库,测试并提高现有人工智能（artificialintelligence,AI）算法识别OMD患者面部标志点的准确性,进而建立面神经功能的AI评价系统。在AI识别面部标志点的基础上,测量并筛选具有诊断意义的指标,用以对分区面神经功能指数（regionalfacial nerve index,RFNI）的计算方法进行改良。确立一种基于标志点识别的面神经功能的AI评价方法,训练AI对面瘫者进行House-Brackmann（HB）分级和面神经功能评价系统2.0（Facial Nerve Grading System 2.0,FNGS 2.0）评分。初步开发面神经功能的人工智能评价和个性化功能训练指导系统,使之具有临床应用的可能。方法:采集OMD患者8种面部表情的正面图像建立数据库,根据面部是否具有不对称特征分为正常组和异常组。通过十折交叉验证,使用卷积神经网络HRNet对图像进行面部68个标志点的识别,在使用训练集对HRNet进行训练前后,对比测试集的标准化平均误差,评估识别结果的准确性。收集面瘫患者与非面瘫者的正面图像,反映每张图像面部不对称程度的客观指标通过HRNet识别面部标志点后测算获得,反映面瘫程度的主观指标为HB分级和FNGS 2.0评分,使用专家咨询法获取。筛选与主观评价结果具有显著相关性的客观指标,用于计算RFNI和整体面神经功能指数（facialnerve index,FNI）,并比较改良后的计算结果与主观评价结果的相关性。未经筛选的全部客观指标与主观评价结果用于输入非线性Softmax分类器,使用十折交叉验证训练分类器对图像进行HB分级和FNGS 2.0评分,并获取测试集的测试结果,与专家咨询结果比较,计算模型的准确性。建立AI评价方法后,编写面神经功能的AI评价系统和个性化面神经功能训练指导程序,使之能够引导使用者拍照、上传面部图像并输出HB分级和FNGS 2.0评分结果,并能够根据分区评价结果,有针对性地播放需要进行的面神经功能训练指导视频。结果:OMD数据库共采集来自300名患者的912张图像。训练前,HRNet对异常组的标注准确性明显低于正常组,经OMD数据库训练后两组的标注准确性均显著提升。共采集151名被测者的193组图像用于指标筛选,筛选出若干具有诊断价值的眉区、眼区、鼻区、口区相关指标。该方法所得RFNI与FNGS 2.0对应区域评分具有极显著相关性,FNI与HB分级结果具有极显著相关性。经训练,Softmax进行HB分级和FNGS 2.0分区评分的准确性为30.41%-41.37%。开发完成面神经功能的AI评价和个性化功能指导系统微信小程序,其中包括人工智能评价、个性化功能训练指导、统计和反馈四个模块,分别用于诊断、训练和预后追踪。使用者的数据可经人工校正后补充入数据库,随着数据库的扩充能够对HRNet和Softmax进行再训练,以提高准确性。结论:本研究初步建立了 OMD数据库,经OMD数据库训练后HRNet识别OMD患者面部标志点的准确性显著提升。在面部标志点识别的基础上,筛选出具有诊断价值的客观指标,确立了 RFNI的改良计算方法。建立了一种面神经功能的人工智能评价方法,但准确性尚需通过扩充训练数据库、平衡各类别数据量进一步提高。完成了面神经功能的AI评价和个性化功能训练指导系统的初步开发,具备诊断、训练指导和预后追踪功能,细节和深入研究有待继续完善。