深度学习在基于曲面体层片的成釉细胞瘤及牙源性角化囊肿鉴别诊断中的应用

李敏　慕创创　张建运　李刚

摘要：目的 通过应用不同卷积神经网络模型对成釉细胞瘤及牙源性角化囊肿进行鉴别诊断。方法 回顾性收集1000张成釉细胞瘤和牙源性角化囊肿患者的数字曲面体层片，选用ResNet（18、50、101）、VGG（16、19）、EfficientNet（b1、b3、b5）深度学习模型，对训练集中的800张曲面体层片经五折交叉验证的方法训练后对测试集中的200张曲面体层片进行鉴别诊断。同时，7名口腔放射专业医生对这200张曲面体层片进行诊断，并将二者的诊断结果进行比较。结果 卷积神经网络模型的诊断准确率为82.50%～87.50%，其中EfficientNet b1准确率最高，为87.50%，各卷积神经网络模型训练集和测试集本身之间比较，准确率差异无统计学意义（P训练集=0.998，P测试集=0.905）。7名口腔放射专业医生（2名高年资医生、5名低年资医生）平均诊断准确率为（70.30±5.48）%，且不同年资医生之间平均诊断准确率差异无统计学意义（P=0.883）。深度学习卷积神经网络模型的诊断准确率显著高于口腔放射专业医生的诊断准确率（P＜0.001）。结论 基于曲面体层片的深度学习卷积神经网络能够对成釉细胞瘤和牙源性角化囊肿做出较为准确的鉴别诊断。

关键词：卷积神经网络；深度学习；曲面体层片；成釉细胞瘤；牙源性角化囊肿

中图分类号： R739.82文献标志码： A文章編号：1000-503X（2023）02-0273-07

DOI：10.3881/j.issn.1000-503X.15139

Application of Deep Learning in Differential Diagnosis of Ameloblastoma and Odontogenic Keratocyst Based on Panoramic Radiographs

LI Min1，2，MU Chuangchuang1，2，ZHANG Jianyun2，3，LI Gang1，2

ABSTRACT：Objective To evaluate the accuracy of different convolutional neural networks （CNN），representative deep learning models，in the differential diagnosis of ameloblastoma and odontogenic keratocyst，and subsequently compare the diagnosis results between models and oral radiologists.Methods A total of 1000 digital panoramic radiographs were retrospectively collected from the patients with ameloblastoma （500 radiographs） or odontogenic keratocyst （500 radiographs） in the Department of Oral and Maxillofacial Radiology，Peking University School of Stomatology.Eight CNN including ResNet （18，50，101），VGG （16，19），and EfficientNet （b1，b3，b5） were selected to distinguish ameloblastoma from odontogenic keratocyst.Transfer learning was employed to train 800 panoramic radiographs in the training set through 5-fold cross validation，and 200 panoramic radiographs in the test set were used for differential diagnosis.Chi square test was performed for comparing the performance among different CNN.Furthermore，7 oral radiologists （including 2 seniors and 5 juniors） made a diagnosis on the 200 panoramic radiographs in the test set，and the diagnosis results were compared between CNN and oral radiologists.Results The eight neural network models showed the diagnostic accuracy ranging from 82.50% to 87.50%，of which EfficientNet b1 had the highest accuracy of 87.50%.There was no significant difference in the diagnostic accuracy among the CNN models （P=0.998，P=0.905）.The average diagnostic accuracy of oral radiologists was （70.30±5.48）%，and there was no statistical difference in the accuracy between senior and junior oral radiologists （P=0.883）.The diagnostic accuracy of CNN models was higher than that of oral radiologists （P<0.001）.Conclusion Deep learning CNN can realize accurate differential diagnosis between ameloblastoma and odontogenic keratocyst with panoramic radiographs，with higher diagnostic accuracy than oral radiologists.

Key words：convolutional neural network；deep learning；panoramic radiograph；ameloblastoma；odontogenic keratocyst

Acta Acad Med Sin，2023，45（2）：273-279

成釉细胞瘤及牙源性角化囊肿是颌骨常见的良性占位性病变，二者虽然影像学表现相似，但生物学行为不同，治疗原则也不同。成釉细胞瘤有肿瘤的特性，伴有侵袭性，临床一般采用手术治疗，常在病变周围骨质0.5 cm行截骨术。对于较小的单囊成釉细胞瘤，也可行刮治，同时磨除周围部分骨质。牙源性角化囊肿是一种发育性囊肿，治疗原则同其他囊肿，主要行囊肿刮治术。角化囊肿容易复发，甚至可能发生恶变，因此，要求刮治的更加彻底；在刮出囊壁后用苯酚或硝酸银等腐蚀剂涂抹骨创，或者用冷冻疗法消灭子囊。对于大型的角化囊肿也可行成形性囊肿切开术。因为两者的治疗原则不同，准确鉴别出成釉细胞瘤与牙源性角化囊肿有着重要的临床意义［1］ 。关于成釉细胞瘤和牙源性角化囊肿的鉴别诊断口腔放射专业医生做了大量的工作，但是鉴别诊断准确率仅在58.5%～65.7%［2-3］。

深度学习卷积神经网络是人工智能的一个分支，近年发展迅速，并获得广泛关注。在深度学习模型中，卷积神經网络架构研究最为广泛。由于学习算法的发展和计算机计算能力的提高，卷积神经网络在图像数据的检测、分类、量化及分割上表现出卓越的性能，已应用于肿瘤的早期识别、病理解读等方面［4-7］。在口腔医学领域，深度学习被用来评估正畸标志点、龋齿、牙周及骨质疏松等［8-12］。本研究通过比较不同卷积神经网络模型对曲面体层片中成釉细胞瘤和牙源性角化囊肿鉴别诊断的准确性，并将其与口腔放射专业医生鉴别诊断结果相比较，以期获得良好的鉴别诊断方法。

资料和方法

资料来源 回顾性收集2012年1月至2021年4月北京大学口腔医院收治的病理证实为下颌骨成釉细胞瘤或牙源性角化囊肿患者的曲面体层片1000张（成釉细胞瘤和牙源性角化囊肿各500张）。所有曲面体层片均来源于北京大学口腔医院影像档案与通信系统。纳入标准：（1）完整的临床病历记录；（2）术后组织学病理证实为骨内型成釉细胞瘤或牙源性角化囊肿；（3）影像清晰，无运动伪影。排除标准：（1）成釉细胞瘤和牙源性角化囊肿复发的病例；（2）骨外/外周型成釉细胞瘤、转移性成釉细胞瘤；（3）基底细胞痣综合征。所有符合条件的患者病理切片由1名经验丰富的病理学家复诊，再次确认诊断，防止误诊偏差。本研究已获得北京大学口腔医院医学伦理委员会审查批准（伦理审查批号：PKUSSIRB-202171202）。

本研究选用的深度学习卷积神经网络模型均已经过ImageNet训练，包括ResNet、VGG、EfficientNet，他们对图像识别、分类有明显优势。同时使用类激活映射图像显示深度学习卷积神经网络对曲面体层片中的识别区域以期获得学习过程中的可视化。

图像预处理 数据集由1000张曲面体层片组成，包括500张成釉细胞瘤及500张牙源性角化囊肿。随机分层分割数据集的80%（400张成釉细胞瘤和400张牙源性角化囊肿曲面体层片）为训练集，用于训练模型；剩余20%作为测试集。

对图片进行归一化处理，使所有像素值均在［0，1］区间内。然后将图像随机切割为不同大小的截图，缩放为224×224像素大小的图片，每一张图像均代表其本身。以0.5的概率对这些图片进行随机水平翻转，进行数据增广，扩大训练集中的数据总量。

卷积神经网络模型训练 机器学习卷积神经网络需要大量的数据进行训练以获得较优的网络模型。但是临床影像数据有限，无法获得足够的满足卷积神经网络训练的图像。为了解决这个问题，选择迁移学习的方法，即从ImageNet上选择已经训练好的模型来解决相似问题。本研究将卷积层、全连接层的参数进行保留固定，对输出层参数进行修改，使其输出类别为2。选择如下卷积神经网络结构ResNet（18、50、101）、VGG（16、19）及EfficientNet（b1、b3、b5）进行训练。通过五折交叉验证的方法训练训练集，通过随机梯度下降法获得更好的超参数（学习率全连接层=0.1，迭代次数=50，批次大小=32，权值衰减=0.001），然后用确定好的参数训练整个训练集得到最终模型（图1、2）。K折交叉验证通常是将训练集随机平均分为k个子集，每个子集轮流作为验证集。本研究选用五折交叉验证的方法，测试集中的200个样本（100张成釉细胞瘤及100张牙源性角化囊肿曲面体层片）用于对模型进行测试，输出平均最小损失、训练集准确率及测试集准确率。

模型解释 为了解释卷积神经网络模型预测，使用类激活映射生成每个曲面体层片中不同区域的热图达到模型预测可视化的目的。

口腔放射专业医生的鉴别诊断 7名口腔放射专业医生（5名低年资医生及2名高年资医生）在昏暗的环境下，使用Nio Color 5.8MP高亮度彩色显示器，在500 cd/m2亮度下进行读片。为了方便记录，以“0”和“1”分别代表成釉细胞瘤和牙源性角化囊肿。医生读取全部曲面体层片的时间均在15～25 min内。

设定成釉细胞瘤为阳性，牙源性角化囊肿为阴性进行准确率、灵敏度、特异度计算，公式如下：准确率=（N00+N11）/N总×100%；灵敏度=N00/（N01+N00）×100%；特异度=N11/（N10+N11）×100%（N00：实际为成釉细胞瘤，判定为成釉细胞瘤的个数；N01：实际为成釉细胞瘤，判定为牙源性角化囊肿的个数；N11：实际为牙源性角化囊肿，判定为牙源性角化囊肿的个数；N10：实际为牙源性角化囊肿，判定为成釉细胞瘤的个数；N总：成釉细胞瘤和牙源性角化囊肿的总个数）。

统计学处理 比较8个模型间的测试准确率的结果，根据8个卷积神经网络模型的输出结果，得出各自的受试者工作特征（receiver operating characteristic，ROC）曲线及曲线下面积（area under curve，AUC），比较8个卷积神经网络模型和口腔放射专业医生对曲面体层片中成釉细胞瘤和牙源性角化囊肿的诊断准确率。使用SPSS 20.0统计软件进行卡方检验、近似t检验分析。P＜0.05为差异有统计学意义。

结果

卷积神经网络模型间的结果比较 卷积神经网络对每张曲面体层片进行二分类输出，得到不同卷积神经网络模型的平均最小损失、训练集准确率及测试集准确率，不同卷积神经网络模型的训练集及测试集准确率分别在97.66%～98.19%和82.50%～87.50%，其中EfficientNet b1的测试集准确率最高，为87.50%（表1）。各卷积神经网络模型训练集和测试集本身之间比较，准确率差异无统计学意义（χ2训练集=0.945，P训练集=0.998；χ2测试集=2.776，P测试集=0.905）。训练集的准确率与测试集的准确率之间差异有统计学意义（P＜0.001）。

8个卷积神经网络模型的ROC曲线均靠近左上角，AUC值为0.866～0.927，模型的分类有较高的准确性，EfficientNet模型的AUC值较其他模型稍高，8个卷积神经网络模型的AUC值95%CI均存在重合区域，8个卷积神经网络模型间差异无统计学意义（图3、表2）。

口腔放射专业医生与卷积神经网络模型的结果比较 7名口腔放射专业医生对曲面体层片中成釉细胞瘤和牙源性角化囊肿的鉴别诊断平均准确率、灵敏度及特异度分别为（70.30±5.48）%、（70.90±5.15）%、（71.40±6.60）%。7名口腔放射专业医生包括2名高年资医生（高级职称，执业15年以上）、5名低年资医生（执业3年以上）。高年资口腔放射专业医生的诊断准确率、灵敏度及特异度为70.50%、72.00%、69.00%，而低年资口腔放射专业医生的诊断准确率、灵敏度及特异度分别为70.20%、70.40%、72.40%。不同年资医生对基于曲面体层片的牙源性角化囊肿和成釉细胞瘤的鉴别诊断结果差异无统计学意义（P=0.883）。将深度学习卷积神经网络的测试准确率与中腔放射专业医生的诊断准确率进行比较，采用对自由度进行校正后的近似t检验，结果显示深度学习卷积神经网络模型的诊断准确率显著高于口腔放射专业医生（P＜0.001）。

模型解释可视化 通过类激活映射生成的热图观察不同区域对于图像诊断的贡献，红色区域贡献最大。在曲面体层片上，卷积神经网络模型提取特征信息主要集中在病变区域（图4）。

讨论

成釉细胞瘤主要表现为单房或多房的囊性低密度影，分房大小不等，互相重叠，边界清晰，房间隔呈半月形切迹，常伴有邻牙移位及牙根吸收。骨皮质膨隆、穿孔是成釉细胞瘤典型的影像学特征［1，13］。根据2017年WHO的牙源性和颌面部肿瘤分类，成釉细胞瘤分为以下4型：普通型、单囊型、骨外/外周型和转移性成釉细胞瘤。骨外/外周型成釉细胞瘤是一种位于牙龈组织或无齿牙槽区的成釉细胞瘤，发病率较低。本研究主要集中在颌骨内的病变，此类型可排除。转移性成釉细胞瘤罕见，且在复发病例中出现转移灶时才能确诊，故本研究未纳入。X线上成釉细胞瘤有单囊与多囊之分，多囊者，囊腔大小可相差悬殊。大多数颌骨成釉细胞瘤呈多囊或单囊低密度X线透射表现［14］。

牙源性角化囊肿多为单囊，也可为多囊和多发。单囊者常显示为圆形或椭圆形的低密度影，边界清晰，周围常见明显的白色骨质反应线，有时边缘可不整齐。多发者可在颌骨多个象限内存在［1，13］。基底细胞痣综合征的患者常伴有颌面部多发牙源性角化囊肿，结合其他系统检查，很容易与成釉细胞瘤相鉴别，故本研究将其排除在外。

本研究的主要目的是通过应用不同卷积神经网络模型对曲面体层片中的成釉细胞瘤及牙源性角化囊肿进行鉴别诊断，并将其诊断准确性与口腔放射专业医生鉴别诊断结果相比较。成釉细胞瘤的特征性影像表现为颊舌向膨隆，骨皮质穿孔。曲面体层片是一個二维重叠图像，通常无法清晰地显示这些特征。牙源性角化囊肿也是颌骨常见的囊样病变，也可表现为多囊和单囊，因而在曲面体层片上，两者的鉴别存在一定难度。本研究深度学习卷积神经网络模型的结果在82.50%～87.50%，鉴别诊断准确率较高，且明显高于口腔放射专业医生的诊断准确率。

关于成釉细胞瘤和牙源性角化囊肿的鉴别诊断口腔放射专业医生做了大量的工作，积累了丰富的经验。Minami等［15］通过MRI的T2弛豫时间对牙源性角化囊肿和成釉细胞瘤进行鉴别，结果显示牙源性角化囊肿、成釉细胞瘤的平均T2弛豫时间及其变异系数差异有统计学意义。Han等［16］通过MRI的弥散加权成像对40例囊性病变进行鉴别，结果显示单囊型成釉细胞瘤的表观扩散系数值明显高于牙源性角化囊肿和含牙囊肿，而牙源性角化囊肿和含牙囊肿的平均表观扩散系数值差异无统计学意义。日本学者Ariji等［2］利用图像特征如病变位置、大小、子房数目等选择60名观察员（39名口腔颌面放射学专家和21名非专科医生）对10例成釉细胞瘤、10例牙源性角化囊肿应用曲面体层片与CT检查进行鉴别诊断，其准确率为（61.3±17.2）%。此结果与本研究结果相近，表明本研究口腔放射专业医生诊断的可靠性。为了提高医师鉴别诊断的准确率，以往研究通常采用螺旋CT与MRI等费用较高的影像学检查［2，15-18］，但是这些设备相对昂贵，部分基层医院配备不足，加上口腔放射专业医生诊断水平的局限，并未从根本上解决成釉细胞瘤和牙源性角化囊肿鉴别诊断准确率较低的问题。本研究通过深度学习对曲面体层片中的成釉细胞瘤和牙源性角化囊肿进行鉴别诊断，取得了较高的诊断准确率。同时，曲面体层片检查方便，经济实惠，辐射相对螺旋CT小，无论从医生还是患者角度，其性价比最高。

卷积神经网络模型需要大量数据进行训练，但是实际临床中缺乏足够的数据进行训练。迁移学习可以很好地解决这方面的问题。迁移学习是一种很有优势的算法学习技术，可以将大型数据集训练出的模型应用到相似的问题中，模型的初始性能更高，模型的参数更优，能够减少过拟合的问题［19］。本研究选用在ImageNet上评价较好的卷积神经网络学习模型，使用迁移学习的方法，同时使用5折交叉验证对模型进行进一步调整，对曲面体层片中的成釉细胞瘤及牙源性角化囊肿进行鉴别诊断，获得了较好的诊断准确率。Poedjiastoeti等［20］使用卷积神经网络VGG16对250张牙源性角化囊肿和250张成釉细胞瘤曲面体层片进行鉴别诊断，其诊断结果与口腔放射专业医生相似，分别为83.0%和82.9%。这一研究结果虽然深度学习模型鉴别诊断成釉细胞瘤和牙源性角化囊肿的准确率与本研究相近，但是医师的诊断准确率明显高于本研究。

本研究除了常用的ResNet、VGG等卷積神经网络模型，还引入了EfficientNet。EfficientNet 模型是Google公司通过机器搜索得到的快速高精度模型。一直以来，模型的优化是通过模型扩展得到的，即通过对基线网络的宽度、深度及输入图像的分辨率中的一个方面进行缩放，例如ResNet的卷积层和全连接层的层数从18层（ResNet18）扩展到101层（ResNet101）。EfficientNet 的优点在于实现了深度、宽度及输入图片大小的共同调节，实现效率和准确率的优化。对于ImageNet中的各种网络模型，EfficientNet在效率和准确率上实现了碾压［21］。但是本研究应用EfficientNet模型获得的诊断准确率与其他卷积神经网络模型ResNet和VGG比较差异无统计学意义，可能原因是样本数据量小，对于EfficientNet这种网络结构比较复杂的卷积神经网络模型，更容易出现过拟合的问题，未能体现出EfficientNet模型的优势。

本研究的8个卷积神经网络模型的平均准确率远高于口腔放射专业医生的平均诊断准确率。诊断时间较人工鉴别诊断时间缩短，每张曲面体层片的诊断时间从人工鉴别诊断的6.2 s减少到深度学习诊断的0.3 s，这与其他研究结果［10，22］相近。此外，人工鉴别的主观性很强，重复性差，处理大量数据困难。深度学习卷积神经网络可以很好地解决这些问题，读片准确性高，重复性高，对于大量数据的处理更快速。

本研究也存在不足。首先，本研究只比较了深度学习与口腔放射专业医生对于曲面体层片中成釉细胞瘤和牙源性角化囊肿的鉴别诊断，并未包括其他检查方法，如CT等。其次，临床中影像诊断除了依据影像表现，还需要结合病史、临床检查等信息才能得出更准确的诊断，本研究并未考虑此因素。第三，本研究仅局限于独立的神经网络结构与集中数据集的结合处理，在临床中应用还存在一定的距离。

综上，基于曲面体层片的深度学习卷积神经网络能够对成釉细胞瘤和牙源性角化囊肿做出较为准确的鉴别诊断。

参 考 文 献

［1］郭传瑸，张益.口腔颌面外科学[M].3版.北京：北京大学医学出版社，2021.

［2］Ariji Y，Morita M，Katsumata A，et al.Imaging features contributing to the diagnosis of ameloblastomas and keratocystic odontogenic tumours：logistic regression analysis[J].Dentomaxillofac Radiol，2011，40（3）：133-140.DOI：10.1259/d m fr/247 26112.

［3］Chai ZK，Mao L，Chen H，et al.Improved diagnostic accuracy of ameloblastoma and odontogenic keratocyst on cone-beam CT by artificial intelligence[J].Front Oncol，2022，11：793417.DOI：10.3389/fonc.2021.793417.

［4］Feng Y，Zhang L，Yi Z.Breast cancer cell nuclei classification in histopathology images using deep neural networks[J].Int J Comput Assist Radiol Surg，2018，13（2）：179-191.DOI：10.1007/s11548-017-1663-9.

［5］van Ginneken B.Fifty years of computer analysis in chest imaging：rule-based，machine learning，deep learning[J].Radiol Phys Technol，2017，10（1）：23-32.DOI：10.1007/s12194-017-0394-5.

［6］Ren S，He K，Girshick R，et al.Faster R-CNN：towards real-time object detection with region proposal networks[J].IEEE Trans Pattern Anal Mach Intell，2017，39（6）：1137-1149.DOI：10.1109/TPAMI.2016.2577031.

［7］Shichijo S，Nomura S，Aoyama K，et al.Application of convolutional neural networks in the diagnosis of helicobacter pylori infection based on endoscopic images[J].EBioMedicine，2017，25：106-111.DOI：10.1016/j.ebiom.2017.10.014.

［8］Du X，Chen Y，Zhao J，et al.A convolutional neural network based auto-positioning method for dental arch in rotational panoramic radiography[J].Conf Proc IEEE Eng Med Biol Soc，2018，2018：2615-2618.DOI：10.1109/EMBC.2018.8512732.

［9］Lee JH，Kim DH，Jeong SN，et al.Detection and diagnosis of dental caries using a deep learning-based convolutional neural network algorithm[J].J Dent，2018，77：106-111.DOI：10.1016/j.jdent.2018.07.015.

［10］Ekert T，Krois J，Meinhold L，et al.Deep learning for the radiographic detection of apical lesions[J].J Endod，2019，45（7）：917-922.e5.DOI：10.1016/j.jo en.2019.03.016.

［11］Farhadian M，Salemi F，Saati S，et al.Dental age estimation using the pulp-to-tooth ratio in canines by neural networks[J].Imaging Sci Dent，2019，49（1）：19-26.DOI：10.5624/isd.2019.49.1.19.

［12］Vila-Blanco N，Carreira MJ，Varas-Quintana P，et al.Deep neural networks for chronological age estimation from OPG images[J].IEEE Trans Med Imaging，2020，39（7）：2374-2384.DOI：10.1109/TMI.2020.2968765.

［13］马绪臣.口腔颌面影像学[M].2版.北京：北京大学医学出版社，2014.

［14］张祖燕，王虎.口腔颌面医学影像诊断学[M].7版.北京：人民卫生出版社.2020.

［15］Minami M，Kaneda T，Ozawa K，et al.Cystic lesions of the maxillomandibular region：MR imaging distinction of odontogenic keratocysts and ameloblastomas from other cysts[J].AJR Am J Roentgenol，1996，166（4）：943-949.DOI：10.2214/ajr.166.4.8610578.

［16］Han Y，Fan X，Su L，et al.Diffusion-weighted MR imaging of unicystic odontogenic tumors for differentiation of unicystic ameloblastomas from keratocystic odontogenic tumors［J］，Korean J Radiol，2018，19（1）：79-84.DOI：10.3348/kjr.2018.19.1.79.

［17］Fujita M，Matsuzaki H，Yangi Y，et al.Diagnostic value of MRI for odontogenic tumours[J].Dentomaxillofac Radiol，2013，42（5）：20120265.DOI：10.1259/dm fr.20120265.

［18］Sugianto I，Konouchi H，Takeshita Y，et al.Diagnostic value of fluid attenuated inversion recovery magnetic resonance imaging for multilocular ameloblastoma[J].J Hard Tissue Biol，2018，27（4）：275-280.DOI：10.2485/jhtb.27.275.

［19］Greenspan H，Van Ginneken B，Summers RM.Guest editorial deep learning in medical imaging：overview and future promise of an exciting new technique[J].IEEE Trans Med Imaging，2016，35（5）：1153-1159.DOI：10.1109/TMI.2016.2553401.

［20］Poedjiastoeti W，Suebnukarn S.Application of convolutional neural network in the diagnosis of jaw tumors[J].Healthc Inform Res，2018，24（3）：236-241.DOI：10.4258/hir.2018.24.3.236.

［21］Tan M，Quoc V.EfficientNet：rethinking model scaling for convolutional neural networks，June 9-15，2019[C].Boston：MIT Press，2019.

［22］Kwon O，Yong TH，Kang SR，et al.Automatic diagnosis for cysts and tumors of both jaws on panoramic radiographs using a deep convolution neural network[J].Dentomaxillofac Radiol，2020，49（8）：20200185.DOI：10.1259/dmfr.20200185.

（收稿日期：2022-06-01）

基金項目：北京大学百度基金（2020037）