人工智能在口腔疾病诊断中的研究进展

张 娟，曹士盛，李宏霄

人工智能（artificial intelligence，AI）是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。1956年，AI的概念首次在美国达特茅斯会议提出，AI可分为强AI和弱AI，强AI指的是制造出能自行推理并解决问题的智能机器。但由于计算机算法和数据处理的能力局限，强AI一直没有突破性进展。当前主流研究主要集中于弱AI领域并取得了较大的突破。

目前绝大多数AI的进步和应用都应归功为机器学习。机器学习[1]最基本的做法就是使用算法来解析数据，从中学习，然后对真实世界的事件做出决策或者预测。它是AI的核心，是使计算机具有智能的根本途径，其应用遍及AI的各个领域。AI问世至今，对很多领域都产生了变革性影响[2]。医学领域的AI研究与应用，从20世纪70年代至今一直潜移默化地影响医学发展模式[3]。诊疗过程中产生大量的影像资料是机器学习最好的训练数据，大量的AI模型被开发出来，在公共健康、药物设计、辅助诊断和精准医学等方面取得了积极进展。在口腔医学领域[4]，AI在疾病的预防、诊断、治疗，预后等方面展现了显著潜力。文章则就AI在口腔疾病诊断方面的发展现状、存在的问题和未来展望进行综述。

1 口腔颌面外科学领域

口腔颌面外科是口腔领域最早应用AI技术的学科之一，在牙槽外科，下颌神经管的定位是预防术中神经损伤的关键。Fukuda M等[5]利用600幅全景片比较3种卷积神经网络评价下颌第三磨牙下颌神经管空间关系的诊断性能和一致性，结果证明使用深度学习创建的诊断系统在全景影像中评估下颌神经管的空间位置是可行的。Orhan K团队[6]评价了AI与医师相比在锥形束CT（cone beam computed tomography，CBCT）影像中对阻生第三磨牙的阻生牙数、牙根数、根管数及与下颌神经管位置关系的诊断性能，Kappa分析表明下颌神经管与第三磨牙位置关系与牙根数有很好的一致性。

颌骨的囊肿和肿瘤的晚期根治性手术会导致面部畸形，所以早发现、早治疗至关重要。Yang H等[7]将1 602幅全景X射线图像作为数据库，利用“只看一次”（You only look once,YOLO）V2算法对含牙囊肿、牙源性角化囊肿、成釉细胞瘤进行检测和分类，与临床医生相比较，YOLO取得了不错的成绩（精确度=0.707，召回率=0.680）。Abdolali F等[8]提出了一种新的基于表面和纹理信息的颌面囊肿检测方法，与传统检测特征相比，分类精度提高了8.94%。Morikawa T等[9]回顾性收集成纤维细胞瘤和牙源性角化囊性瘤的500幅全景影像，迁移学习使用大样本数据集的16层卷积神经网络，其检测准确度与口腔颌面外科专家相当。上海交通大学团队使用了一种基于迁移学习算法的卷积神经网络结构可以显著提高成釉细胞瘤和牙源性角化囊肿鉴别准确度[10]。Chai Z等[11]使用178幅成釉细胞瘤和172幅牙源性角化囊肿的CBCT图像训练深度学习模型，结果表明与临床外科大夫相比，深度学习模型在区分此两种病变方面有更高的准确度。

由于口腔癌发病初期不易确诊，许多新兴诊断手段被引入AI诊断口腔癌系统中。Zlotogorski-Hurvitz A等[12]利用机器学习技术对外泌体光密度数据建立分类模型，可以准确区分患者和健康人唾液外泌体的红外光谱特征。Aubreville M等[13]则通过机器学习利用口腔鳞状细胞癌患者的口腔激光窥镜图像自动化诊断口腔鳞癌，Quang T等[14]验证了AI辅助下多模式光学成像技术在口腔癌早期诊断的可行性。

2 口腔内科学领域

近年来，AI在口腔内科的研究主要集中于龋齿的自动化诊断。Cantu AG等[15]使用深度神经网络在咬合片上检测龋损，研究表明深度神经网络比牙科医生的诊断更准确。Valizadeh S等[16]开发并评估了后牙邻面龋的AI诊断系统，该系统对牙本质龋的诊断率可达97%，但对釉质缺损的检测能力有限。Hung M等[17]开发了识别根面龋的机器学习算法，其中支持向量机识别根面龋的准确度为97.1%，灵敏度为99.6%，特异度为94.3%。

Berdouses ED等[18]提出了一种完全自动化的龋损检测方法，不仅可以利用患者数码相机拍摄的牙齿图片对龋齿检测，还可以对龋齿进行分类。数码相机拍摄照片检测龋齿，相比于X射线检查有利于在人群中进行大量的龋齿筛查[19]。随着智能手机的普及，Duong DL等[20]开发了一种基于支持向量机可以自动识别智能手机图像中咬合面龋的算法，将诊断成本进一步降低。此外，智能算法不仅可以根据手机照片判断氟中毒引起的牙齿白色改变[21]，还可以在数码照片上检测乳牙菌斑，帮助改善儿童口腔健康[22]。

此外，深度卷积神经网络还可以使用全景X射线影像、CBCT影像数据对根尖周病变进行诊断。Lee JH等[23]基于深度卷积神经网络研发了一种牙周病诊断系统，前磨牙牙周病诊断准确度为81.0%，磨牙诊断准确度为76.7%。Feres M等[24]使用支持向量机分类器对龈下40种细菌进行测试，结果发现牙周健康患者的细菌组成较牙周病患者均一，并能够区分年轻患者的广泛性侵袭性牙周炎和广泛性的慢性牙周炎。Li S等[25]使用4 129幅根尖片开发了一种用于自动检测龋齿和根尖周炎的深度学习模型，其检测准确度明显高于青年牙医，而且在该模型的帮助下，青年医生的诊断准确度明显提高。

口腔白斑是最常见的口腔潜在恶性疾病，Jurczyszyn K等[26]拍摄正常口腔黏膜和白斑的口内照片并通过人工神经网络进行纹理分析和分类，神经网络识别白斑的灵敏度为100%，特异度为97%。此外，Banerjee S等[27]将傅里叶变换红外光谱与AI相结合，可以有效区分健康黏膜、白斑和口腔鳞状细胞癌，总体准确度为89.7%。

3 口腔修复学领域

近年来，人们致力于开发基于AI检测医疗影像的技术。Prados-Privado M等[28]收集8 000幅口腔全景影像，使用卷积神经网络检测牙齿的缺失，准确度超过95%。准确判断患者牙弓状况，是口腔修复决策支持系统的关键一步，Takahashi T等[29]利用卷积神经网络对牙弓进行分类为无牙列、完整牙列、后牙缺失牙列和前牙缺失牙列。Gerhardt MDN等[30]开发一种AI模型能够快速地检测、分割和标记牙列缺损或牙列缺失患者的CBCT图像。对缺失牙齿的检测和标记的总体准确度可达99%。

种植体周围炎治疗前需了解种植体的种类，因此需要一种用于从有限的数据中辨别患者种植体系统的算法，Takahashi T等[31]用1 282幅带有种植体的全景X射线图像进行深度学习，该算法可以从全景放射图像中识别6类种植体。Kim J等[32]使用801例患者的根尖周X射线图像数据进行深度学习，对4类种植体进行检测，测试准确度超过了90%，而且轻量级神经网络即使在图像数量较少、网络相对较小的情况下也能对4类种植体进行高精度地分类。Lee J等[33]验证了深度卷积神经网络在牙种植体系统识别和分类中的准确度，该团队将3种形状相似、内部锥形连接的种植体系统的5 390幅全景X射线图像和5 380幅根尖周片作为测试数据集，结果表明深层卷积神经网络的分类准确度高于高年资牙周医生。上述研究的应用会减少由于缺乏对植入体确切类型的了解而带来的不必要诊疗费用。

Abdalla-Aslan R等[34]尝试开发一种基于机器学习自动检测和分类X射线图像中的各种牙科修复体的计算机视觉算法，通过测试83幅全景图像中的738个牙齿修复体，该算法检测到94.6%的修复体，在区分修复体类别时，分类总体准确度为93.6%。

4 口腔正畸学领域

使用标准化的头影测量片、解剖标志点被准确标记是正畸诊疗过程中必不可少的，但由于测量过程中医师的个体差异及疲劳导致的人工标记错误会影响诊疗结果。此外，手动绘制头影测量地标耗时费力，因此人们一直尝试建立一个能够快速标记和分析头影测量标志的自动化正畸分析系统。Lee JH等[35]利用贝叶斯卷积神经网络来定位具有可信度区域的头影测量标记点，在2 mm、3 mm和4 mm范围内，该系统的平均标志性误差为（1.53±1.74）mm，检测成功率分别为82.11%、92.28%、95.95%，可以作为计算机辅助正畸诊断工具。Hwang HW等[36]应用一种深度学习算法——YOLO-V3算法检测200幅头影测量的17个标记点，其检测准确度与正畸医师不相上下，甚至在某些头影测量分析指标上表现出更高的分类成功率。Yu HJ等[37]根据5 890幅头颅侧位片构建了一个深卷积神经网络模型，并利用迁移学习和数据增强技术改良，通过测试，该模型在对垂直位、矢状位骨骼类型的诊断灵敏度、特异度和准确度均大于90%，其中垂直分类的准确度高达96.4%。该研究还通过一个头颅热图直观表示在骨骼分类方面信息最丰富的区域。

CBCT的影像数据被逐渐引入AI，Wang H等[38]训练多尺度密集卷积神经网络，能够完成CBCT影像中的颌骨、牙齿和背景的多类分割，Zhang J等[39]使用大量的CBCT图像生成颅颌面结构的三维（three dimensions，3D）模型并完成骨骼分割和解剖标志数字化。Kim I团队[40]则尝试对CBCT影像3D增强后用两种不同的深度学习模型构建多通道模型实现对错颌畸形的自动识别和分类，结果证明多通道模型的诊断性能优于单通道深度学习模型，可以辅助正畸医生对患者做出更准确诊断，有助于最佳诊疗方式的确定。

患者骨龄对正畸矫治效果有一定的影响，临床骨龄测定的黄金标准是通过观察手腕骨X射线图像来实现的[41]，但口腔医疗机构普遍不具有拍摄腕骨X射线的条件。研究表明骨骼发育状态可以从颈椎骨发育程度推断出来，Kök H和他的团队[42]使用AI分类器寻找可以明确生长发育阶段的颈椎，从而使患者仅需拍摄头颅侧位片就可以确定发育程度，降低了患者的医疗费用和受辐射量。

5 总结与展望

虽然AI在口腔医学诊断领域的发展十分迅速，但仍然存在颇多亟待解决的问题。

AI辅助诊断的基石是庞大的医疗信息数据库，包括放射影像、电子健康记录、医院电子病历等。数据的质与量决定诊断结果的准确度和可信度。目前口腔医疗健康数据主要存在以下问题：其一，缺乏高质量数据；其二，数据分散没有统一的评价标准；其三，数据安全性面临巨大挑战。

虽然口腔疾病AI诊断的研究和应用存在问题。但不可否认AI会给口腔疾病的诊断工作带来翻天覆地的变化。

综上所述，现在仍然处于AI辅助诊断发展的初级阶段。在未来，随着临床诊疗数字化技术和便携式实验室诊断仪器的研发，将扩大AI学习的数据来源，使得数据不仅仅局限于传统的影像资料，还包括疾病生物标志物、各类光谱信号、大数据文本资料等，甚至是打破数据之间的壁垒，利用各类数据整合出混合数据库，建立临床大数据疾病预警系统，诊病于未病之时。