人工智能在口腔医学领域的应用进展

汪潇潇 综述 程兴群 审校

随着人工智能(artificial intelligence，AI)的发展，研究者们尝试利用AI技术来辅助解决口腔医疗过程中面临的问题，开拓口腔医疗新模式。AI是计算机科学的一个分支，企图达到在计算机上模拟、重现人的认知过程的学科。该领域的研究包括语言识别、图像识别、自然语言处理和专家系统等，主要目标是使机器能够胜任一些通常需要人类智能才能完成的复杂工作。AI与医疗临床工作的融合，有望提升疾病诊断精度、减少重复劳动、简化工作流程。AI算法的数据分析能力在提高疾病诊断准确率与效率、提供可视化解剖指导、提供决策支持、模拟前瞻性过程和疾病的预测与预后中都显示出较大应用前景。目前，AI在口腔疾病预测及诊疗、口腔教学、口腔健康管理中逐渐得到运用。

1 AI与口腔疾病预测及诊疗

1.1 AI与口腔疾病预测

AI具有对所有临床症状相关属性进行整合的能力，包括患者病史、人口统计、生活方式以及临床和基因因素等。基于这些数据，机器学习与深度学习算法能预测很多重要的临床参数，探索疾病发生与患者数据之间的关联，实现疾病发生的预测，同时预测口腔疾病的未来发展情况。

在口腔颌面外科中，口腔癌对生活质量的影响较大，存活率仅略超一半，AI的应用现已可以预测口腔癌患者存活、复发及转移机率，对口腔癌的发生进行早期预防和精准处理。Fujima等[1]基于深度残差网络ResNet-101，从轴向、冠状、矢状三个平面分析氟脱氧葡萄糖-正电子体层扫描图像，实现了对口腔鳞状细胞癌患者无病生存率的预测，并显示出80%的正确率。Alabi等[2]基于多种算法，进行早期口腔癌复发的机率预测，其中提升树算法具有超过80%的精度。Bur等[3]利用机器学习开发并验证了一种算法，用于预测口腔鳞状细胞癌的隐匿性淋巴结转移机率，准确性高于基于肿瘤浸润深度的模型。这些研究在指导临床医生采取提高生存率的治疗方案或者姑息疗法的决策中具有重大意义。在进行正颌、正畸、修复等治疗中，往往涉及拔牙，以获得更好的治疗效果，AI可用于面部肿胀等术后不良反应的预测。骨质疏松症患者常服用双磷酸盐进行治疗，此类患者在拔牙后易出现双膦酸盐相关颌骨坏死，AI可用于预测坏死发生概率[4]。Stehrer等[5]基于随机森林算法，进行正颌手术围手术期失血量预测，实际失血量与预测失血量误差具有统计学意义。

在牙体牙髓病学中，AI对于多类型信息进行整合的能力，能通过过程模拟推算出疾病的发生概率，为患者提供预防指导。AI通过对患者的人口学、营养、生活方式和临床数据的分析，预测龋病发生，准确率达97%，灵敏度为99.6%[6]。在人工神经网络输入年龄、吸烟状况、牙刷类型、刷牙次数、饮食习惯等数据，便可预测牙齿表面磨耗程度，并显示出80%的准确度[7]。该研究优势在于不需进行临床检查便可得到较高精度的预测结果，随着算法、数据等方面的发展，此类预测模型将会在疾病的预测中显示出更大的潜力。为确保牙髓治疗的成功率，Mallishery等[8]基于机器学习，实现牙髓病例的难度水平评估，并在标准的美国牙髓学会牙髓病例难度评估表的帮助下决定是否转诊，以提高牙髓治疗的成功率。

在修复学中，随着计算机辅助设计/计算机辅助制造(CAD/CAM)技术的迅速发展，基于CAD/CAM的复合树脂牙冠常用于磨牙区的修复，由于模具的制备不当等原因，具有极高的脱粘可能。通过卷积神经网络(convolutional neural networks,CNN)，Yamaguchi等[9]建立了对复合树脂脱粘概率的预测模型，Aliaga等[10]实现了对修复体寿命的预测。种植治疗的成功率极大程度上与个人活动和口腔组织的健康状况相关，Alarifi等[11]应用AI预测种植成功率，多种神经网络算法准确率达到90%以上，其中一种优化的递归神经网络(MSGSRNN)达到99.45%准确率。种植体周围平均骨水平[12]的预测也通过AI得以实现。

1.2 AI与口腔疾病诊断

AI通过对大量放射影像、图像、数据集进行自主分析，实现对口腔疾病的诊断。当训练集足量且高质量时，AI的诊断精度就已能超过经验丰富的专家。因此，集成AI到现有的口腔临床工作流程中，将辅助医生进行更高效、准确的诊断工作。

在口腔颌面外科中，大量实验研究证实了AI在识别囊肿、肿瘤、口腔癌和淋巴结转移的能力。在级联卷积神经网络的基础上，仅通过普通摄影图像(如智能手机)便可对口腔鳞状细胞癌进行高性能识别，甚至可以检查出早期口腔癌病变(直径小于2 cm)[13]；Ariji等[14]基于预先训练过的CNN网络，在CT图像上实现对口腔癌淋巴结转移的诊断。AI在囊肿与肿瘤的识别中也具有极高的精确度。通过支持向量机算法，Yilmaz等[15]在CBCT图像上对牙源性角化囊性瘤与根尖周囊肿的区分具有94%的精确度；Liu等[16]基于转移学习算法，实现造釉细胞瘤和牙源性角化囊肿的自动区分，具有90.36%的准确性。

在牙体牙髓病学中，卷积神经网络的应用最为深入，能对病变区域进行分割，实现对病变的诊断。曹丹彤等[17]实现CBCT图像上移位型牙根纵裂的诊断，训练集准确率达94%，测试集准确率达100%。Orhan等[18]构建的AI系统，能识别CBCT影像中根尖周病变、确定病变位置、计算病变体积，病变检测可靠性为92.8%，且病变体积测量与人工结果相似。近红外透射光谱法(near infrared transmittance spectroscopy)成像能有效检测早期龋病，Casalegno等[19]提出了一种深度学习模型，实现近红外透射光谱法图像中龋病检测和定位，有望提高龋齿检测的速度和准确性。

在牙周病学中，牙周病是一种复杂的炎症性疾病，多种病因同时存在、相互作用。决策树和支持向量机等AI算法通过整合患者的病史、临床信息和X片，在对健康人群、牙龈炎、慢性牙周炎和侵袭性牙周炎患者的分类方面表现良好。Feres等[20]收集健康牙周人群、侵袭性牙周炎患者和慢性牙周炎患者的龈下生物膜样本，通过支持向量机分类器分析数据，实现了患病情况的分类，且因此佐证了不同牙周疾病患者口内微生物组成存在差异。Lee等[21]基于卷积神经网络算法，通过根尖X片实现因牙周炎受损的前磨牙和磨牙的诊断，准确率分别达81.0%和76.7%。

此外，自然语言处理是将自然人类语言转化为结构化计算机语言的技术，是AI的一个子领域，基于自然语言处理的模型能通过分析患者主诉中的常用词、张口大小区分真正的颞下颌关节紊乱和与颞下颌关节紊乱症状相似的其他疾病(TMD-mimicking)，并显示出96.6%的准确性[22]。同时基于CBCT，神经网络对颞下颌关节髁突形态的分析与临床医生具有极高的一致性[23]。AI超分辨率技术(super resolution，SR)还能用于对影像质量的提升，如提高CT[24-25]、CBCT[26]的分辨率，进行降噪处理，获取更优质的影像，以便于医生进行更细致的诊断；依托此类技术，适度减少放射剂量也能得到高质量的成像，从而减少对患者身体的影响。AI还能用于减少因患者颌骨形态差异和站立姿势不当等问题，在全景片牙弓前段等位置引起的成像模糊[27]。

1.3 AI与口腔疾病治疗

AI能有效区分解剖结构、模拟前瞻性结果，使其成为提供解剖指导、规划治疗和评估治疗效果的有效辅助手段，辅助医生进行更精准的治疗。此外，AI可替代人类完成重复的、程序化的操作，减少医生工作量。AI在简化临床操作、提高操作精度方面显示出巨大的潜力，是精细化、微创化口腔治疗发展的基石，也是治疗过程中效率的保障。

在口腔颌面外科中，精细的手术规划以及操作依赖于对面部骨骼、牙列、软组织影像的精确测量分析。现有头影测量系统虽能自动进行分析，但仍依赖于手动标点，而这是一项极其耗时、耗力的工作。Kunz等[28]基于卷积神经网络深度学习算法，实现了头影测量自动标点与分析的全自动一体化，且准确性与12 名人类专家的测量结果相当，有望减少医生的重复工作量。AI对放射影像的分析能力以及重要解剖结构的追踪能力，如舌肌、下颌管和腮腺等，能为医生在手术过程中提供解剖学指导，提高手术精度，减少并发症的发生[29]。正颌外科中使用术后图像模拟，以便于与患者沟通，但受限于其精度，难以应用于手术规划。Lu等[30]基于人工神经网络，改善正颌外科手术后图像的预测精度，辅助医生进行正颌治疗规划，帮助患者了解手术。正颌治疗对面部吸引力改变的判定多具主观性，Patcas等[31]基于卷积神经网络，客观评估了正颌治疗对面部吸引力(分数：0-100)和年龄外观的影响，证实大多数患者的外观随着治疗而改善，导致近1 岁外观年龄的变化(0.93 岁)。

在牙体牙髓病学中，Deniz等[32]利用卷积神经网络研究了发光二极管和石英卤钨光固化单元(light curing unit，LCU)对不同色度复合树脂材料底部和顶部维氏硬度比(vickers hardness number，VHN)的影响，确定了色度、光固化单元和复合参数对复合树脂材料底部和顶部维氏硬度比的最显著影响。下颌第一磨牙常出现多根状况，Hiraiwa等[33]基于深度学习，在全景片上实现了对多根的自动诊断，具有86.9%精度，能减少牙髓手术的失败率。对根管曲率的测量在牙髓治疗中很重要，但现存手段并不能达到较高精度，通过AI的应用，Christodoulou 等[34]对根管曲率实现了更精准的测量。

在正畸治疗中，对于正畸必要性的评估、正畸方案规划、治疗效果评估是AI的主要应用。贝叶斯网络被用于搭建正畸/不正畸决策支持系统，且两位正畸专家与系统对正畸治疗的必要性的判断高度一致(卡帕值=0.894)[35]。当正畸治疗难以达到预期效果时，正颌治疗常常被纳入考虑，Choi等[36]基于具有一层隐藏层的双层神经网络，实现正颌/不正颌的决策，显示96%精确度，并在手术类型和拔牙决策等进一步详细决策中具有91%的成功率。也可通过AI对正畸后面部吸引力进行评估[31]。AI已被尝试应用于正畸方案的规划，随着算法的更迭，在未来或许可以开发出可靠的正畸方案生成系统，辅助进行更科学的正畸治疗。

在修复学中，AI得到较广泛的应用。将AI与CAD/CAM集成，极大促进了修复学的自动化、智能化、精细化发展。AI的应用实现了3D扫描上牙尖的自动分类[37]。基于全景X线片[38]、根尖X线片[39]、CBCT[40]和牙科表面三维扫描[41]的人工神经网络已被探索用于牙齿分割和分类，而这些的实现，将打破数据获取与CAD/CAM之间的壁垒，为更智能化、自动化的修复治疗夯实基础，同时图像分割也是智能诊断系统的基石。陶瓷修复体与自然牙齿颜色的匹配是美学修复中极具挑战性的工作，基于反向传播神经网络与遗传算法，色彩匹配的精度得到提升[42]。Cheng等[43-44]进行了多次全口义齿修复后的面部改变的预测尝试，并通过多次改进，最终能够准确、快速地对治疗后面部形变的预测，并支持交互式的操作，为全口义齿的设计提供依据。

可摘局部义齿的设计历来被认为是较为复杂的口腔医学问题。学者们从1985 年便开始研究用于可摘局部义齿设计的试验性专家系统[45-46]。我国吕培军教授设计的专家系统囊括了病例登记、义齿设计、力学分析等11个功能模块，将检查内容输入系统，系统利用知识库提出最优化方案[47]。早期专家系统中的口腔模型、修复体部件模型均为二维图像，不能直视、立体的显示修复设计效果。随着AI技术的迅速发展，可摘局部义齿设计三维可视化专家系统逐渐建立并得到临床应用。蔡玉惠课题组开发了一套基于CT的二维断面序列重建牙列三维模型的立体可视化专家系统；该系统用Visual C++ 6.0与OpenGL编程实现，并赋予简明易用的人机交互界面，可动态生成以适应不同患者实际情况，并立体显示修复效果，利于医患合作[48]。Chen等[49]运用多次逐级专家系统，建立了基于病例库的临床决策支持模型，能够推荐个性化可摘局部义齿的设计。

1.4 机器人与口腔医学

机器人是一种可编程和多功能的，用来搬运材料、零件、工具的操作机；或是为了执行不同的任务而具有可改变和可编程动作的专门系统[50]。机器人具有高精确性，能精准定位进行工作；高稳定性，可长时间固定手术姿势，而人工操作会因体力消耗而降低稳定性。在口腔医学中，机器人已经应用于修复、种植、正畸、牙体牙髓以及口腔颌面外科等各个领域中。

在口腔修复中机器人主要用来进行牙体预备以及局部义齿和全口义齿的牙齿排列。Otani等[51]设计了机器人自动牙体预备系统，用于瓷贴面修复的牙体预备，并于体外与传统人工备牙精确度进行比较，发现二者精密度上没有显著差异，在未来结合跟踪系统，也许将实现口内全自动备牙。在种植学中，2017年赵铱民教授及其团队设计了世界首台自主式种植牙手术机器人，根据预先设定指令，基于机械式空间融合定位技术实现配准，成功为一名女性完成了两颗缺牙的种植即刻修复。正畸领域的机器人主要用来进行临床诊断、拟定治疗计划、定制矫正设备，尤其是弓丝弯制。Toosi等[52]研制了一种触觉虚拟现实模拟器，促使医生可利用触觉机器人对牙釉质和牙本质进行钻孔直至髓腔，然后使用模拟K锉清洁根管内壁。在颌面外科领域，Chao和Woo等[53-54]开发了一种用于正颌手术的机器人辅助系统，用于游离皮瓣重建、颌骨定位等手术，克服了部分术者的人体局限性。此外，牙科患者机器人、体外刷牙机器人、仿生咀嚼机器人和口腔康复机器人等均有研发。机器人技术可提高口腔诊疗精确性和安全性，提升护理质量和治疗速度，口腔医学中有巨大应用前景。

2 AI与口腔医学教学

医学生的培养也是口腔医学发展中重要的一环，AI的大量兴起，势必影响传统教学模式，发展出更加符合未来口腔领域要求的人才培养模式。AI在疾病诊断、解剖结构区分等方面上都能表现出与人类专家相当的精度，因此其在为学生提供个性化指导上具有极大前景。AI输出智能诊断结果，能辅助医学生更好地理解疾病及其特征，帮助其形成一套成熟的诊断逻辑，成长为专业的医生。在未来，AI势必影响现有的口腔诊疗模式，因此让口腔医学生学习AI知识，培养使用AI的思维，了解最新AI研究进展有益于其未来的职业生涯，同时医学生在接触AI中，可培养对前沿科技的吸纳能力，更好的适应瞬息万变的世界[55]。融合AI技术到教学中，丰富教学的内容和方法，让知识的讲解更深刻、更透彻，将AI技术融合到虚拟仿真技术中，实现低成本、批量化、规模化、规范化的操作教学；AI的发展使虚拟助手成为可能，为医学生配备专门的虚拟指导助手，通过对其学业成绩、操作数据等进行数据挖掘，针对性找出其薄弱点，并个性化提供进阶指导[56]。

3 AI与口腔健康管理

口腔疾病多属于慢性病，在早期无特别明显的症状，较难被发现，一旦出现了明显的症状，如牙龈肿胀、疼痛等，往往病情已比较严重，因此口腔疾病的早发现早治疗十分必要。深度学习等算法的发展让公众可以自主化管理自己的医疗保健，并基于公众对自身健康的主观能动性，实现早发现早治疗。通过智能手机图像便可诊断口腔癌发生情况以及跟踪治疗情况[15]，龋病风险的预测[6]等自动诊断技术的成熟可以满足公众对自身健康进行实时监控；智能的建议系统将针对患者口腔状况提出智能化建议，引导患者尽早干预治疗，并在必要时推荐就医。

4 总结及展望

AI对医学图像的识别能力、对大数据进行整合分析的能力在大量研究中得到证实，虽然AI在口腔医学的应用仍处于起步阶段，但其巨大潜力有目共睹。AI对医疗数据(尤其是医学成像)的病灶识别能力、识别效率；提供实时解剖指导，让医生实现更精细化的操作，减少并发症的发生；整合大量疾病关联数据，挖掘数据与疾病之间的关联，进行疾病发生的预测以及疾病发展的预后；简化不同类型图像配准、解剖标记等重复性劳动过程等方面的研究都足以说明其对未来口腔医疗的发展具有重要影响力。

AI在口腔医学中进一步发展还存在许多障碍：(1)现阶段存在的自动诊断等系统显示出较高精度，但其精度仍未达到适于临床应用的阶段，有缺陷的算法可能会给患者造成重大伤害，导致医疗事故的发生；(2)基于AI的临床辅助系统须具有稳定性，否则其故障的发生将会造成大规模的医疗事故；(3)越高性能的AI系统需要越多的数据集来进行训练，但当前口腔医疗数据系统仍未达到标准化、互通化，并且医疗数据相较于其他种类数据具有更高的隐私性，因此难以获取足够量的高质量数据进行训练；(4)数据的来源偏差问题仍难以解决，使其普适性大大降低。

虽然障碍存在，但AI仍是一个理想的的辅助工具，在未来克服障碍，经过缜密的设计和严密的临床验证，AI将成为成熟的医疗手段，减轻口腔从业人员繁重的日常工作，以较低的成本服务更广泛的人群。