人工智能技术在儿童口腔医学中的应用进展

黄尧，饶南荃，张翔，吕闻冰，吕长海

1 昆明医科大学附属口腔医院儿童口腔科，昆明 650106；2 昆明医科大学附属口腔医院 云南省口腔医学重点实验室；3 云南大学信息学院

随着社会经济的发展和生活水平的提高，人们对儿童口腔健康的重视程度越来越高。近年来，人工智能（AI）正在以多种形式融入我们的日常生活中，并影响着全球许多行业。AI 是指通过计算机程序模拟人类感知、推理、学习等能力的技术，其子领域机器学习及其分支深度学习和卷积神经网络在儿童口腔医学中已经得到初步应用，如对儿童口腔影像及数码照片的智能诊断以及低龄儿童龋病的预测，并获得较好的效果。机器学习作为人工智能的重要技术，能够从大量数据中自已学习规律，并利用未知数据进行预测［1］。深度学习模型具有多个隐藏层神经网络模型，能够自动发现数据中的复杂模式，对复杂特征进行分类及预测，在图像识别上展现出较好的效果［2］。卷积神经网络作为深度学习中最重要神经网络结构，通过卷积操作提取输入数据中的特征，再通过多层神经网络进行高级特征的学习和分类［2］。在信息技术高速发展的时代，大量医学数据被储存、访问和获取，因此可以利用这些巨大的数据库来开展AI 的相关研究。现将AI 在儿童口腔医学中的应用现状综述如下。

1 AI在儿童口腔影像学中的应用

儿童口腔影像学检查包括根尖片、曲面体层片、头影测量片、锥形束CT等，主要用于龋病、牙髓根尖周病、牙发育异常等疾病的辅助检查。在儿童口腔医学中，深度学习模型被用于乳恒牙检测、分割及编号、牙齿发育异常等医学影像。

1.1 乳恒牙检测、分割及编号 对于儿童曲面体层片，进行牙齿检测、分割及牙位编号是进行智能诊断的重要步骤，实现该任务常用单阶段模型及两阶段模型等。单阶段模型主要包括SSD 和YOLO 系列的网络模型，两阶段模型主要包括R-CNN 系列的网络模型。KILIC 等［3］基于Faster R-CNN Inception v2 对儿童曲面体层片的乳牙进行自动检测和编号，发现召回率为98%，精确率为95.7%。LAÍS 等［4］以曲面体层片数据为研究对象，采用实例分割模型Mask R-CNN，该模型能够在乳恒牙检测基础上再进行分割，其中加入PointRend神经网络模块使得均值平均精度得到显著提高。KAYA 等［5］采用YOLO v4对儿童曲面体层片进行乳牙及恒牙的检测与编号模型训练，该模型获得了较高的精确率与召回率，同时也能以较快的速度获得准确的结果。

1.2 额外牙的分类与检测 额外牙是指多于正常牙类、牙数以外的牙齿，常发生于上颌两中切牙之间。额外牙可引起多种并发症，如牙源性囊肿、邻牙牙根吸收、恒牙萌出障碍等。AHN 等［6］以HELLMAN 咬发育阶段为ⅡA、ⅢA、ⅢB 的儿童曲面体层片作为研究对象，比较不同深度学习模型在上颌前牙区额外牙检测效果，结果发现多个模型准确度、精确率、召回率和F1 分数都高于90%，表明深度学习模型在额外牙筛查上具有较大潜力。KUWADA等［7］使用AlexNet、VGG16、Detect Net 三种卷积神经网络模型分别建立上颌前牙区额外牙检测模型，其中该团队设计的基于卷积神经网络构建的Detect Net模型更适用于上颌前牙区额外牙。HA 等［8］基于深度学习模型分别对不同年龄段曲面体层片进行上颌前牙区额外牙检测与分类，结果发现内外部数据集准确度分别为96.2%和89.8%，证明该模型可用于不同年龄段的曲面体层片。KIM 等［9］利用两种深度学习模型分别进行分割及分类任务，结果显示该模型能够对上颌前牙区的额外牙识别达到完全自动化。

1.3 牛牙样牙识别 牛牙样牙是一种牙冠长而牙根短小，牙髓腔大而长，根分歧移向根尖处的牙齿。该种牙在治疗时易导致意外穿髓，并在牙髓切断术及根管治疗时增加治疗难度。DUMAN 等［10］以434张13岁以上患儿曲面体层片作为数据集，采用生物医学分割常用模型U-Net，在43 张测试集中，其灵敏度、精确率和F1 值均高于80%。该模型识别牛牙样牙能力与专家手工标注的训练数据接近。

1.4 乳牙下沉的检测 乳牙下沉是指乳牙的咬合平面低于邻牙，且长期无法达到正常咬合高度的一种低咬合状态，导致邻牙倾斜等并发症。CALISKAN 等［11］采用两阶段模型Faster R-CNN 对乳牙下沉曲面体层片进行自动检测，图像检测的总成功率为83.5%，在乳牙下沉自动检测中展现出较大潜力。1.5 牙齿异位萌出分割与检测 展牙齿异位萌出是指恒牙在萌出过程中未在牙列的正常位置萌出，其中上颌第一恒磨牙异位萌出最为常见。牙齿异位萌出可引起一些并发症如第二乳磨牙早失、间隙丧失等，因此牙齿异位萌出的早期诊断较为重要。ZHU 等［12］利用285 张儿童曲面体层片制作数据集，训练基于nnU-Net 模型用于分割和检测上颌第一恒磨牙异位萌出，其准确度与临床医生相当。值得注意的是，基于U-Net 医学图像分割自适应框架的nnU-Net 模型可自动选择最佳参数，而使得模型达到更好结果。LIU 等［13］基于卷积神经网络建立上颌第一恒磨牙异位萌出自动识别模型，该模型与3 位专家在测试集上的性能表现相似，有望应用于上颌第一恒磨牙异位萌出的大规模筛查。

1.6 腺样体肥大评估 腺样体肥大常引起上呼吸道阻塞，而其导致口呼吸可能导致牙颌面畸形的发生。对于一些不合作儿童，作为诊断腺样体肥大金标准的鼻内镜检查较为痛苦，而头颅侧位片是一种简单、经济的检查，并且可靠性较高。ZHAO 等［14］根据FUJIOKA 评估方法开发了基于卷积神经网络的腺样体肥大自动评估模型Head-Net，通过对头颅侧位片的四个关键点Ba、Ar、A'和PNS 自动定位以评估腺样体—鼻咽腔比例（A/N），该模型由卷积层、注意力层等组成，并获得较高的准确性和稳定性。其中加入的注意力残差模块可以显著提高关键点的检测性能，减少A/N误差。

1.7 牙龄评估 牙龄是确定生物体成熟度最可靠的方法之一，也是儿童正畸及牙体疾病治疗方案及预后的重要依据。ZABOROWICZ 等［15］使用4～15岁曲面体层片建立数据集，并基于计算机图像分析、卷积神经网络、径向基函数网络的三个非线性模型，得出了一套评估实际年龄所需的21个原始指标，其准确度为96%～99%；并在后期研究中建立端到端的深度学习模型，能够更快速、更准确获得结果，其中模型的平均绝对误差为2.34～4.61 个月，均方根误差为5.58～7.49 个月［16］。BUNYARIT 等［17］依据马来西亚华人特点对CHAILLET 牙龄评估分数进行改编，并基于该分数训练神经网络牙龄评估模型，实现了对特定人群的牙龄预测。

2 AI在儿童口腔疾病识别及健康评估中的应用

2.1 牙菌斑识别 牙菌斑是细菌黏附于牙面或修复体上形成的生态环境，其代谢产物可对牙体或牙周组织造成破坏。牙菌斑的识别和控制对儿童的口腔健康极为重要，牙菌斑通常由医生使用探针或菌斑指示剂进行识别，通过牙菌斑的覆盖面积或牙菌斑的厚度进行评估，该方法耗时、受人为影响大。YOU 等［18］开发了以乳牙数码照片为数据的卷积神经网络牙菌斑识别模型，当口腔医师和卷积神经网络模型同时对102 张数码照片进行评估时，口腔医师的平均交并比为0.652 ± 0.195，卷积神经网络模型为0.724 ± 0.159，卷积神经网络模型显示出更高的平均交并比，表明AI模型的牙菌斑识别能力与口腔医师接近。

2.2 龋病风险预测与识别 龋病是儿童口腔科常见疾病，发生于6 岁以下儿童的龋病称为低龄儿童龋，可引起疼痛、牙齿脱落、牙髓病，并影响恒牙发育。低龄儿童龋受到患儿唾液的个体特征、致龋微生物、全身免疫、家庭经济情况等多种因素影响［19］。机器学习在龋病预测方面应用最为广泛。KOOPAIE等［20］通过唾液胱抑素S 水平结合机器学习实现了对低龄儿童龋高危儿童的早期诊断。ZAORSKA 等［21］使用与低龄儿童龋相关的遗传因素单核苷酸多态性（SNP）建立神经网络模型，在6个神经网络龋齿预测模型中均取得较高的准确度（98.4%）。PANG 等［22］基于1 055 例青少年的问卷调查、口腔检查、唾液测试、SNP测序分析数据，使用机器学习算法构建龋齿风险预测模型，实现了对高风险龋齿患者的预测。PARK 等［23］基于4 种机器学习算法构建龋齿风险预测模型，结果表明4 个预测模型的受试者工作特征曲线下面积都在0.774和0.785之间，具有较好的预测效能。KARHADE 等［24］开发了一种自动机器学习算法，可根据患儿局部、全身、社会等多种因素筛选低龄儿童龋高危患儿。RAMOS-GOMEZ 等［25］使用由父母填写的问卷数据建立了基于机器学习的急性龋预测模型，获得较好的预测效果。

鉴于深度学习在医学图像识别的突出优势，李若竹等［26］建立了对患儿口内照片进行龋齿识别的深度学习模型，其中在未成洞龋的判断上具备较大潜力。XIAO 等［27］设计了一款智能手机应用软件AICaries，父母及相关监护人使用智能手机拍摄儿童牙齿照片对龋齿自动评估，有望实现低龄儿童龋的远程智能诊断。

窝沟封闭剂是预防龋病尤其是窝沟龋的材料。SCHLICKENRIEDER 等［28］通过卷积神经网络模型检测数码照片上完整、不完整、不存在窝沟封闭剂的后牙，其准确率达到90%以上。该方法在在窝沟封闭剂识别上具有一定潜力，能够及时识别出不存在、不完整窝沟封闭剂的患牙，从而及时采取相应的预防措施。

2.3 口腔健康评估 对于大面积的儿童及青少年口腔健康状况及治疗需求评估，需要耗费大量人力物力。WANG 等［29］收集了12 个不同诊所的儿童及监护人简短的问卷调查结果，通过机器学习算法预测儿童口腔健康状况指数得分和口腔健康的治疗需求转诊，该模型简单的输出结果对于非牙科专业人员更容易理解，并可筛选出不需要去牙科诊所的儿童。同时作者在数据集中引入人工噪声及调整噪声分布来提高预测准确性，获得更优模型。GAJIC等［30］利用机器学习算法测量口腔健康对青少年生活质量的影响，发现人类测量与人工智能模型得出相同结论；通过统计学方法对受试者性别分类与通过机器学习算法将不同受试者分为不同群体相比，后者获得了更多口腔相关健康信息与细节。

目前AI已在乳恒牙检测与编号、牙齿发育异常疾病的识别、龋病预测与识别等儿童口腔医学领域得到应用，但相关报道仍较少，在临床上也未得到广泛应用。AI 也存在诸多局限性，主要包括：①儿童配合度差、解剖发育复杂、各医院影像采集设备不同等因素造成影像数据质量差及难以标准化，患者隐私及各医院相关数据互通性较低，缺少相关公开大型数据集，对于儿童口腔影像数据，据统计目前仅有一个小型公开数据集［31］；②现阶段的AI算法均在特定数据集上进行训练，当面对不同机构、不同年龄段、不同群体、不同种族等的数据集时，AI 性能可能会下降；③在医学决策中，医生和家长更愿意了解决策的过程和依据，而AI 缺乏解释性，可能限制其在临床中的应用；④AI 诊断只能针对单一疾病进行分析，且无法对该疾病所有类别进行智能诊断；⑤隐私和数据安全、人工智能系统的决策公正和可信度等涉及一系列道德和伦理问题也限制了AI 的应用。虽然AI在儿童口腔医学中仍处于起步阶段，但随着时间及相关理论和法律的完善，通过周到的设计和长期的临床验证，未来有望对儿童颅面部生长发育、行为管理、牙髓病及根尖周病、牙外伤、牙周及黏膜疾病、早期矫治、儿童口腔外科、儿童口腔罕见病等在预防、诊断、治疗、预后预测等方面有更大突破。