目标与使用场景
构建这套系统的核心目的很明确：把临床数据彻底结构化，同时让医生操作起来更直观。我们主要关注几个关键点：
- 信息结构化：主诉、现病史、龋/充/根管/牙周/修复/种植情况、影像读片所见、处置术式、医嘱以及收费关联，全部纳入规范字段。
- 可视化联动：通过牙位图标注与表单联动，实现'点哪颗牙、哪一面，就写哪一项'，杜绝游离文本带来的后续清洗成本。
- AI 赋能：重点做三件事——录入提效（自动补全、术语标准化、编码建议）、质控（规则与模型双重校验）以及影像辅助（龋齿、残髓、根尖周病变等初筛）。
- 生态对接：确保能与医院信息平台、医保系统及第三方影像服务顺畅交互，支持 HL7/FHIR 和 DICOM 标准。
标准与术语落地
技术选型必须建立在行业标准之上，否则后期扩展会非常痛苦。建议直接采用以下规范：
- 牙位编码：优先使用 FDI 两位码（11–48，51–85），同时保留美制或字母编码的兼容映射能力。
- 术语体系：诊断与处置参考 SNOMED CT，病案编码用 ICD-10，检验项目对应 LOINC，单位统一为 UCUM。
- FHIR 资源：Patient、Encounter、Condition、Observation、Procedure、DiagnosticReport、ImagingStudy 等资源需完整映射。
- 影像处理：DICOM 文件由 pydicom 解析，报告生成时关联 DiagnosticReport 与 ImagingStudy。
总体架构设计
后端以 Python 为主力，前端侧重交互体验，整体架构如下：
- 前端层：React + TypeScript 配合 SVG 绘制牙位图（32 或 20 颗牙，涵盖 M/D/O/B(P/L)/I/C 五个面）。前后端通过 WebSocket 或 REST 保持实时同步。
- API 层：FastAPI 提供接口，Pydantic v2 负责模型校验，Uvicorn 作为服务器，认证采用 JWT/OAuth2。
- 业务与数据：PostgreSQL 存储结构化数据及 JSONB 格式的牙面状态，ORM 选用 SQLAlchemy，迁移工具用 Alembic。
- AI 服务：
- NLP：术语标准化与编码建议（PyTorch/Transformers），检索增强生成（RAG）结合 FAISS 或 SQLite-vec。
- CV：X 光与口扫图像处理（OpenCV + MONAI/nnU-Net/YOLOv8），推理引擎推荐 ONNX Runtime。
- 队列：Celery + Redis 处理批量影像的异步任务。
- 集成与合规：fhir.resources 组装 FHIR Bundle，pydicom/DICOMweb 获取影像，审计日志采用 append-only 模式，敏感字段加密（pgcrypto 或应用层），权限控制遵循 RBAC/ABAC。
数据建模核心
数据库设计是结构化的基石。这里列出几组关键表结构：
A. 患者与就诊
patient(id, mrn, name, sex, dob, …)
encounter(id, patient_id, start_time, type, …)
B. 每牙结构化记录
tooth_record(id, encounter_id, fdi_code, present BOOLEAN, mobility, percussion, …)
tooth_surface(id, tooth_record_id, surface ENUM[M,D,O,B,P,L,I,C], caries_grade, restoration, fracture, pocket_depth_mm, bleeding BOOLEAN, furcation, …)
diagnosis(code, system, display) / procedure(code, system, display, tooth_fdi?, surface?)
