人工智能在正颌外科领域的应用研究进展

谭昭 王舒泽 张君杨 王焌懿 白晓峰

牙颌面畸形是口腔医学领域的常见病和多发病，流行病学调查显示，大约40%以上的人患有错畸形，其中约有5%是由于颌骨发育异常所引起的骨性错畸形[1]。牙颌面畸形不仅影响美观，还会影响面部发育和全身健康，并带来不同程度的心理损害[2]。正颌手术的目的是恢复正常的咬合关系和上下颌之间及其与面部其它骨骼的正常平衡，同时改善牙颌面畸形患者的外貌。对患者进行精确、高效地诊断和治疗计划设计是确保正颌手术成功的关键步骤[3]，此外，还需对手术结果进行客观评价以衡量治疗效果[4]。

近年来，因人工智能(artificial intelligence，AI)在医学领域的发展，大量文献[5-7]出现AI、机器学习(machine learning，ML)、深度学习(deep learning，DL)等概念。AI是一门关于计算机理论和系统的技术科学，它可以通过模拟人类智慧来解决某些问题[8]，ML和DL则是其解决问题的工具。ML是一类自动分析数据以获得规律，并利用它们对未知数据进行预测的算法[9]，可分为：有监督学习(包括人工神经网络、随机森林、线性模型等)、无监督学习和强化学习(包括策略迭代、深度强化学习等)，每种方法都可用于解决不同的任务。分析医学图像常用有监督式学习，即医生标记一小部分图像后用其训练模型，随后用该模型对数据集中其余未标记的图像进行分类。DL则是一种实现ML的技术，是ML中一种对数据进行表征学习的方法[10]，基于卷积神经网络(convolution neural network，CNN)的DL正越来越多地应用于医学领域，其中的经典算法包括AlexNet、VGG、GoogleNet、ResNet、Xception以及U-Net等。目前利用CNN进行医学图像分析主要有两种方法：第一种是使用大量数据集对CNN结构进行训练，得到具有强大特征提取能力的模型，在模型的末尾加入任务分类器以完成分类任务；第二种涉及迁移学习(transfer learning，TL)，也称为预先训练的模型。在数据集较少的任务中，通过TL可以使模型获得较强的特征提取能力，而不必使用大量的数据集对模型反复训练。

AI在口腔医学相关领域的应用越来越广泛，有研究证明可通过提供输入性数据，如照片和(或)影像学图片，来提高口腔疾病诊断、治疗和预后的准确性和效率[11-14]。牙颌面畸形是高度依赖影像学资料及相关数据进行诊断及治疗的疾病，因此提高影像学资料分析的精确性和效率对牙颌面畸形患者的诊断和治疗至关总要。本文旨在总结应用于正颌外科领域的AI的应用方向和效果，并对未来可能的应用方向给予展望。

1 应用AI进行诊断

在正颌手术治疗计划中，其中一个重要的步骤是分析患者的数据并得出正确的诊断。对于牙颌面畸形患者的诊断必须进行专科检查，包括面部外形和功能检查、口内检查以及头颅影像学检查，并进行X线头影测量分析。AI工具可在进行上述步骤时辅助医生，帮助医生更好地诊断并做出临床决策。目前，利用AI来辅助口腔疾病的诊断已不罕见，并已显示出较强的诊断精确性[12,15-16]，以下讨论了几种在牙颌面畸形诊断方面的应用。

1.1 对面部解剖位点进行自动检测和分析

头颅侧位片已广泛应用于牙颌面畸形的诊断和治疗设计。然而，这种方式需要手动标记解剖位点，可能存在各种误差，并且非常耗时[17]。以往有较多基于AI，应用各种影像资料(如头颅侧位片和CBCT等)进行位点的自动检测和标记的研究[18]。近年来，科学技术的发展促进了三维头影测量的迅速发展，它具有精确识别复杂解剖结构的功能优势[19]。各种使用三维CT影像作为输入性数据的ML已用于位点自动检测，最近取得了显著的成果[19-21]。Kang等[19]提出了一种将深度学习和强化学习结合的方式即深度强化学习(deep reinforcement learning,DRL)，该算法能很好地适应复杂结构的变形，能通过与环境的顺序动态交互来预测待标记位点，是一种更接近人类思维的方式。据此前报道的一篇关于头颅位点检测的Meta分析显示其纳入的研究的位点误差大约为2 mm[18]。在此研究中各标记位点总平均误差为(1.96±0.78)mm，该系统的准确性显然足以直接应用于临床。

1.2 对牙颌面畸形进行自动分类

对牙颌面畸形患者进行正确分类是确定治疗计划和手术设计的基础。Yu等[17]使用改良的DenseNet构建的神经网络系统进行完全自动、一步式、端到端的牙颌面畸形分类，这是一种多模式的CNN结构，具有网络更窄、参数更少等优点。该系统仅根据患者的头颅侧位片就可以自动对患者的牙颌面畸形进行分类，省去了位点检测过程，从而避免位点检测的潜在误差。结果显示该系统具有90%以上的准确率和95%以上的曲线下面积，显示了其辅助牙颌面畸形诊断的潜力。

1.3 对面部对称性进行自动评估

对面部对称性进行准确评估，对于正颌手术计划和正颌手术实施来说都至关重要[22]。然而目前尚无面部对称性评定标准，仅根据肉眼及一些测量数据进行评估，具有较强的主观性且难以保证其准确性。当数据集特别小时，由于不同患者面部特征显著不同，模型的训练难度也相应提高。Lin等[23]提出了一种基于迁移学习TL的CNN，在预训练的人脸特征模型中引入TL，整合预训模型顶层架构的设计，训练出新的人脸对称特征模型，该研究纳入了71 例患者的CBCT图像，将其图像转换成保留3D特征的等高线图进行模型的训练，并比较了几种不同模型的准确性。结果显示，使用基于TL的CNN模型可有效提高面部对称性的评估效率及准确性，其中Xception的准确性较高可达90%，因此当数据集过小时，TL可成为一种有效的解决方案。

2 应用AI进行治疗计划设计

有经验的临床医生在诊断和做出治疗计划时有自己独特的方法，这种方法是在长期大量的临床工作中积累的，对于临床经验不足的医生来说，没有办法在短时间内进行这一过程的训练。利用AI则有望解决这一问题，其结果可为缺乏经验的年轻医生提供参考。

2.1 手术适应证的判断

Jeong等[24]提出了使用患者的面部照片和VGG19模型判断患者是否需要行正颌外科手术。该模型通过加深卷积层数提高其模型识别率。研究共收集了822 例的错畸形患者的正面照和右90°侧面照，模型准确率为86.7%。结果表明，VGG19能够通过面部照片判断是否需要进行正颌手术，其结果相对准确，但不能单独使用进行最终诊断。类似地，Shin等[25]构建以ResNet34为主干网络的模型，该模型能最大限度减少从输入层传播到输出层时的信息丢失，随后收集了840 例患者的头颅X线片用于模型的训练、测试和验证，其准确性、敏感性和特异性分别为0.954、0.844和0.993，表明该模型可成为辅助医生快速判断是否需要正颌手术的可靠工具。

2.2 正畸拔牙适应证的判断

正颌手术术前正畸的目的是为正颌手术做准备，去除牙齿代偿，恢复上、下牙齿相对于上、下基骨的关系，术前正畸是否拔牙与很多因素有关[26]。Choi等[3]建立了一个简单的AI模型，该模型由两层神经网络模型组成，将头颅侧位片的角度和距离等测量数据和临床数据作为输入值，经过模型计算后输出结果，可用于判断正颌手术患者是否需要拔牙。该研究共纳入316 例患者，计算拔牙/不拔牙的决策成功率，将实际诊断结果与AI模型的诊断结果进行比较，模型对是否拔牙决策的诊断准确率为91%。结果初步证明AI模型可以较好地应用于正颌手术的诊断和手术设计。

2.3 围手术期出血量的预测

尽管目前认为正颌手术是相对安全的，但失血仍是其严重的手术并发症之一[27]。因此，Stehrer等[28]使用随机森林算法来预测围手术期的出血量，这是一种通过集成学习的思想将多种决策集成的一种算法，该算法在运算量没有显著增加的前提下大大提高了预测精度。研究纳入了950 例患者的数据作为数据集，分为训练集(80%)和测试集(20%)，根据血容量、术前和术后血红蛋白值，用血红蛋白平衡法计算围手术期失血量，在使用训练集生成预测模型后，该模型被用于预测测试集中患者的围手术期失血量。通过该算法预测的围手术期失血量与实际失血量的平均值仅相差7.4 mL，且双颌手术的特征重要性最高，可能是影响围手术期出血的主要原因。结果表明应用该算法可以有效地在正颌手术前预测围手术期的出血量。

3 应用AI预测术后效果

在对牙颌面畸形患者进行治疗设计时，能否准确预测治疗后容貌变化至关重要。尽管已经存在商业3D仿真软件(如Dolphin系统)，然而，有研究[29]对使用Dolphin 3D软件程序预测LeFort I型截骨术和/或矢状骨劈开术后的三维软组织变化的能力进行探索，发现其预测的准确性有限，尤其是在上唇区和鼻底区。随着AI的发展，ML中出现了两种与3D仿真相关的重要算法，即基于标志点的几何形态测量(geometric morphometrics,GMM)和DL。Tanikawa等[30]设计了一种AI系统，该系统将GMM和DL相结合，来预测正颌手术后的面部三维形态。研究共纳入137 例患者的面部数据，该数据由3D图像捕获设备获得，其系统误差为(0.94±0.43)mm，当以<2 mm的系统误差定义成功时，总成功率为100%。结果表明GMM和DL的结合有助于开发预测正颌手术术后面部三维形态的AI系统，然而其预测精确性仍有待提高。Ter等[31]开发了一种基于DL的3D虚拟软组织仿真模型，用于预测双侧矢状骨劈开术前移手术后的面部形态。有研究表明质量张量模型(mass tensor model,MTM)是同类算法中准确率最高的算法之一[32]，因此将结果与MTM算法进行比较，结果表明，这个新开发的深度学习模型可以根据3D照片和CBCT数据准确地预测下颌前移手术后的3D面部软组织形态，其准确率较MTM算法高。

4 应用AI评价术后效果

通过手术治疗的牙颌面畸形的患者，特别是经过术前正畸(或不正畸)、正颌手术、术后正畸(或不正畸)后，患者往往期望面部外观和功能发生即刻改善，然而有时效果并不十分显著，从而影响个人的社会心理健康[33]。最近有研究表明，牙颌面畸形患者最关心的问题是容貌的改善提升[34]。然而，由外行人和(或)临床医生对面部吸引力进行打分的传统方法会因高度的主观性而产生各种偏差，且较耗时。因此，开发一种公正的工具来客观评估患者的面部吸引力十分必要。Patcas等[35]利用 VGG16构建的ML模型来描述正颌手术对患者的容貌吸引力的改变，并估计患者外貌年龄。该研究纳入146 例正颌患者的治疗前后照片共2 164 张，使用该模型进行打分，结果显示大多数患者的外貌随着正颌手术而改善。随着此类模型算法的不断完善，一款名为“Haystack”可评估面部吸引力的商业化AI软件已面向大众，Peck等[36]将其与人类打分结果进行了比较，结果表明AI软件的年龄评分与人类评分的年龄评分非常相似，面部吸引力评分与人类评分者不同，但仍然反映了相同的总体趋势，且与人工评分组比，AI软件花费时间大大减少。

此外，对于伴有面部不对称畸形和对外貌有着苛刻要求的患者，AI还可以以一种相对而言较为客观的方式来评价术后患者面部对称性，有效加强了和患者的沟通。由于研究采用的数据集较小，所以Lo等[22]采用了预先训练好的神经网络构建TL模型对面部对称性进行客观、定量的自动评估。该研究从158 例患者的三维面部图像中提取三维轮廓图像，用于后续人脸对称性自动评估，结果显示正颌术后面部对称性改善程度为21%。该研究还比较了几种常见的预训练模型：VGG16、VGG19、ResNet50和Xception自动评估面部对称性的能力性能，发现Xception的效果最佳。该系统为临床医生提供了一个可以快速评估术后面部对称性的方法，是一种有效的医患沟通工具。

5 总结与展望

AI在医疗领域的应用，提高了诊断和治疗计划设计的准确性，还可提高医生临床工作的效率。大量的研究证明AI的应用可有效帮助正颌外科医生更准确地诊断和决策。本综述的结果显示，以AI为基础的系统的准确性较高，这些系统可以简化工作，节省时间，并有助于正颌外科医生更有效率地进行诊治。但上述研究都存在一定的缺陷：(1)研究数据集较少且来源单一，对牙颌面畸形人群的代表性有限，外推性有限，且限制了其他研究学者将类似研究进行比较评估；(2)为验证AI模型的精确性，大部分研究的标准参考为正颌外科专家，以专家诊断作为标准参考存在一定的偏倚；(3)现有的网络结构大多较为复杂，对计算机的要求较高，计算开销大，存在冗余参数，难以在临床推广使用；(4)正颌手术的治疗设计需要考虑并尽量解决患者的主诉，然而现有的研究几乎都未将其考虑在内。ML算法的特性决定了用于训练的数据集越多，模型表现越好，为解决上述问题，构建一个大型标准化的数据共享和手术计划平台是非常必要的。多个医疗中心可以根据标准化协议将术前数据上传到该平台，获得面部骨和软组织的仿真模型，用于虚拟手术计划，手术计划完成后，术后数据也可以上传至该平台，以便自动计算模拟术后结果与实际术后结果之间的差异，为医生提供反馈。同时，这些数据可用于增强AI的算法，为下一次手术设计提供帮助。此外，现有的网络设计仍需考虑基层医院计算机性能问题，设计更加轻量的骨干网络，做到更加的精准高效。

尽管目前AI在正颌外科领域的应用已经较为广泛，然而在完整的三维手术评估，包括牙弓、骨基底和面部软组织的三维采集、三维头影测量分析和使用面部软硬组织仿真模型的虚拟手术，以及系统的术后评价中的临床实践仍然罕见[31]。因此未来的研究可着眼构建一个基于AI的一体化系统，该系统可在输入面部软硬组织的影像学资料后自动进行图像处理、自动头影测量分析、并将患者某些需求纳入参考后进行个性化手术设计，输出术式(如上下颌骨的移动方式及移动距离)为经验不足的医生提供参考、预测术后容貌为患者提供参考。这种系统将扩大病例数据库，优化AI模型，最大程度发挥AI技术在精准医疗、个体化治疗中的优势，并将其应用于正颌外科领域，让更多患者得到最佳治疗。最后AI的应用需要严格地遵守伦理准则，如果AI技术能够充分且合理地应用,它有可能在短期内改善人们的口腔颌面部健康状况，从而显著减小医生负担。