可摘局部义齿的设计是修复治疗中的关键环节，其中支托位置的合理设置直接影响义齿的支持与稳定。传统医师主导的设计存在较强的主观性与差异性。本研究旨在探索比较两种深度学习模型在可摘局部义齿的支托设计中的准确性，为实现义齿设计的智能化提供可行的技术路径。

由两名经系统培训的住院医师收集临床牙列缺损模型并绘制可摘局部义齿设计图，并经具有20年以上临床经验的专家审核后确定其合理性。最终共纳入符合要求的设计图838张，其中上颌与下颌各419张用于模型的训练与测试。输入数据以14维向量表示模型的牙列缺损信息，输出为单颌牙列中除切牙外10颗可放置支托牙的支托设计信息，对应10个多分类预测任务。分别基于多层感知机MLP和基于自注意力机制的模型Transformer设计两种不同的深度学习模型，采用五重交叉验证方法评估模型的稳健性及预测准确性。

Transformer在上颌与下颌两个独立数据集的平均预测准确率分别为68.50%与69.69%，均高于MLP的平均准确率59.90%和62.30%。统计分析结果表明，在上颌与下颌两个独立数据集中，两种模型的性能差异均具有显著性（p < 0.01）。

基于Transformer的深度学习模型在支托位置预测中相较于MLP模型表现出更优越的性能。相较于传统MLP模型，Transformer模型通过自注意力机制有效学习牙列全局关系，更能反映临床设计逻辑，为数字化义齿智能设计提供新的研究方向。