機(jī)器學(xué)習(xí)在口腔正畸學(xué)領(lǐng)域的應(yīng)用

吳 玥，嚴(yán) 斌

Stomatology,2022,42(1):29-35

機(jī)器學(xué)習(xí)是人工智能的一個(gè)分支，近30多年來已發(fā)展為一門多領(lǐng)域交叉學(xué)科，主要研究使用以往的數(shù)據(jù)或經(jīng)驗(yàn)，分析和設(shè)計(jì)一些讓計(jì)算機(jī)可以自動“學(xué)習(xí)”的算法。此類算法可以從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進(jìn)行預(yù)測。機(jī)器學(xué)習(xí)根據(jù)不同的側(cè)重點(diǎn)有多種分類方法。最常使用基于學(xué)習(xí)方式的分類，即將機(jī)器學(xué)習(xí)分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)[1]。監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)都是從給定的訓(xùn)練數(shù)據(jù)集中學(xué)習(xí)出一個(gè)函數(shù)，當(dāng)新的數(shù)據(jù)到來時(shí)，可以根據(jù)這個(gè)函數(shù)預(yù)測結(jié)果。訓(xùn)練集要求包括輸入和輸出，即特征和目標(biāo)。監(jiān)督學(xué)習(xí)要求訓(xùn)練集中的目標(biāo)是由人標(biāo)注的。常見的監(jiān)督學(xué)習(xí)算法包括回歸分析和統(tǒng)計(jì)分類。無監(jiān)督學(xué)習(xí)的訓(xùn)練集沒有人為標(biāo)注的目標(biāo)，常見的算法有人工神經(jīng)網(wǎng)絡(luò)和聚類分析。強(qiáng)化學(xué)習(xí)是指機(jī)器為了達(dá)成目標(biāo)，隨著環(huán)境的變動，而逐步調(diào)整其行為，并評估每一個(gè)行動之后所得到的回饋是正向或負(fù)向的[2]。圖1展示了人工智能、機(jī)器學(xué)習(xí)及深度學(xué)習(xí)的關(guān)系。

圖1 人工智能、機(jī)器學(xué)習(xí)與深度學(xué)習(xí)關(guān)系

作為大數(shù)據(jù)時(shí)代的主力軍，機(jī)器學(xué)習(xí)使得醫(yī)學(xué)、工程學(xué)、金融學(xué)、計(jì)算生物學(xué)等領(lǐng)域產(chǎn)生了重大變革。同樣，機(jī)器學(xué)習(xí)在口腔醫(yī)學(xué)中也得到初步應(yīng)用，如智能預(yù)測齲病的發(fā)生[3]、頜面外科模擬手術(shù)方案中下頜骨的自動分割等[4]。機(jī)器學(xué)習(xí)算法的進(jìn)步也在口腔正畸學(xué)相關(guān)的臨床和科研實(shí)踐中呈現(xiàn)出先進(jìn)的成果。目前在自動顱頜面影像分析中應(yīng)用最為廣泛，與此同時(shí)，其在輔助正畸診斷和治療方面也有較好的表現(xiàn)。以往正畸醫(yī)師通過收集的診斷信息進(jìn)行主觀判斷并制定實(shí)施治療計(jì)劃，而由于醫(yī)師經(jīng)驗(yàn)的不同，診療過程存在很大的差異和不確定性。機(jī)器學(xué)習(xí)有助于推進(jìn)正畸診療精準(zhǔn)化，縮小醫(yī)師間的經(jīng)驗(yàn)差異，有利于實(shí)現(xiàn)醫(yī)療水平的同質(zhì)化。

本文擬從顱頜面影像處理和分析、正畸診斷和治療、臨床研究支撐三個(gè)方面來介紹機(jī)器學(xué)習(xí)在口腔正畸學(xué)領(lǐng)域中的應(yīng)用現(xiàn)狀，并展望其未來趨勢。

1 顱頜面影像處理和分析中的應(yīng)用

機(jī)器學(xué)習(xí)已在醫(yī)學(xué)圖像處理等領(lǐng)域發(fā)揮重要作用，其相關(guān)方法被廣泛應(yīng)用于計(jì)算機(jī)視覺中。計(jì)算機(jī)視覺是使用計(jì)算機(jī)及相關(guān)設(shè)備對生物視覺的一種模擬，在顱頜面影像處理和分析中已得到較多應(yīng)用。

1.1 錐形束CT圖像自動分割

錐形束CT(cone beam computed tomography，CBCT)已常規(guī)用于顱頜面畸形患者的診斷和治療。對定量評估各種畸形來說，將顱頜面骨骼的CBCT影像進(jìn)行精準(zhǔn)的分割以構(gòu)建精確的三維骨骼模型是非常必要的。近年來隨機(jī)森林算法及其變種形式通過決策樹模型從采集的圖像特征和訓(xùn)練樣本中學(xué)習(xí)，在多種圖像分割任務(wù)中表現(xiàn)優(yōu)異[5]。Wang等[6]開發(fā)了先導(dǎo)序列隨機(jī)森林算法對CBCT圖像進(jìn)行顱頜面結(jié)構(gòu)自動分割。其采用初始分割概率圖作為后續(xù)分割模型訓(xùn)練的前期指導(dǎo)，對從CBCT中及初始概率圖中提取的特征進(jìn)行一系列隨機(jī)森林的連續(xù)訓(xùn)練，將所得分割結(jié)果與手動標(biāo)記的金標(biāo)準(zhǔn)比較，表明此方法具有優(yōu)越的性能。還有學(xué)者采用卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNN)對CBCT圖像進(jìn)行分割。如Wang等[7]訓(xùn)練和驗(yàn)證了一種混合尺度密集(mixed-scale dense,MS-D)CNN，實(shí)現(xiàn)了頜骨、牙齒和背景的多類別分割。Chung等[8]對單個(gè)牙齒進(jìn)行了分割。Chen等[9]介紹了另一種多源集成框架(learning-based multi-source integration framework for segmentation, LINKS)的機(jī)器學(xué)習(xí)算法，在上頜骨的自動分割上取得了較好的結(jié)果。

1.2 頭影測量自動定點(diǎn)分析

頭顱側(cè)位片中標(biāo)志點(diǎn)檢測是定義顱頜面部軟硬組織畸形分類的基礎(chǔ)?；诮馄蕵?biāo)志點(diǎn)的測量項(xiàng)目值為正畸醫(yī)師確定最佳矯治計(jì)劃提供了重要信息。傳統(tǒng)手工頭影測量中存在的問題在于其耗費(fèi)時(shí)間較長，同時(shí)標(biāo)志點(diǎn)定位可重復(fù)性欠佳，因而可能導(dǎo)致顱頜面畸形問題的診斷出現(xiàn)偏差，從而影響治療計(jì)劃的制定。為此，21世紀(jì)初本課題組開始研究應(yīng)用仿射變換基于模板匹配的頭顱側(cè)位片標(biāo)志點(diǎn)自動識別方法，可以較好地識別常用標(biāo)志點(diǎn)，但在精確度上仍需進(jìn)一步改進(jìn)[10-11]。其后，在基于經(jīng)典機(jī)器學(xué)習(xí)的方法中，隨機(jī)森林算法表現(xiàn)較好。Lindner等[12]使用隨機(jī)森林回歸算法在2 mm范圍內(nèi)的成功檢測率(successful detection rate in the range of 2-mm,2-mm SDR)上達(dá)到了84.7%的精確度。近年來，不同學(xué)者使用計(jì)算機(jī)視覺的新方法對此進(jìn)行了研究，其中深度學(xué)習(xí)模型通常比經(jīng)典機(jī)器學(xué)習(xí)技術(shù)識別準(zhǔn)確度更佳[13]。但在實(shí)際運(yùn)用中仍然存在兩個(gè)主要的挑戰(zhàn)，一是同一標(biāo)志點(diǎn)的局部外觀形態(tài)在不同的患者中可能大相徑庭，另一在于牙齒充填物、義齒等金屬修復(fù)體產(chǎn)生掃描偽影給圖像識別造成了干擾，這都對于頭影測量自動定點(diǎn)提出了更高的要求。

1.3 基于二維影像預(yù)測三維組織結(jié)構(gòu)

頜面部缺損部位的重建修復(fù)手術(shù)能否成功在很大程度上取決于準(zhǔn)確的手術(shù)規(guī)劃[14]。在傳統(tǒng)的臨床實(shí)踐中，患者需要在手術(shù)前接受CBCT掃描，應(yīng)用模擬手術(shù)軟件從中提取三維骨骼模型，在數(shù)字模型上切取骨塊至需要區(qū)域來模擬手術(shù)，并計(jì)算出其正確的三維位置。Xia等[15]針對骨塊較難準(zhǔn)確定位問題提出了3D計(jì)算機(jī)輔助手術(shù)模擬系統(tǒng)，通過三維分析來評估頜面部畸形，較傳統(tǒng)基于二維的方法提高了手術(shù)規(guī)劃的性能。近年來，為了更好地量化和恢復(fù)患者的特異性缺陷，Xiao等[16]提出可以從已有大量頜面缺損患者創(chuàng)傷前的面部照片來預(yù)測其個(gè)性化的參考骨骼形狀。該研究使用了稀疏表示和字典學(xué)習(xí)的方法，將基于患者創(chuàng)傷前的2D面部照片重建的3D面部表面數(shù)據(jù)輸入事先以正常受試者面部和骨骼構(gòu)建的相關(guān)模型，從而為該患者生成正常的骨骼形態(tài)模型，并通過與患者當(dāng)前面部骨骼匹配對結(jié)果進(jìn)一步優(yōu)化改進(jìn)。與傳統(tǒng)方法相比，此方法可以處理更多種類型的頜面缺損，可用于指導(dǎo)手術(shù)規(guī)劃并改善臨床的手術(shù)效果，具有可觀的應(yīng)用前景。除了顱頜面缺損中的應(yīng)用，Liu等[17]針對腺樣體肥大的問題也使用機(jī)器學(xué)習(xí)方法進(jìn)行三維結(jié)構(gòu)的預(yù)測研究，其使用深度學(xué)習(xí)模型VGG-Lite，在頭顱側(cè)位片上自動評估腺樣體肥大程度，提高了評估準(zhǔn)確性和速度。

1.4 面部識別和評估

在正畸檢查中，醫(yī)師常通過面部照片、頭顱側(cè)位片、計(jì)算機(jī)斷層掃描影像等來對患者的頜面形態(tài)進(jìn)行評估，并做出相應(yīng)的診斷和適當(dāng)?shù)闹委?。傳統(tǒng)上，與面部評估相關(guān)的參數(shù)包括大小和形狀，并可根據(jù)測量參數(shù)將面部形態(tài)分類，如直、凸、凹面型。此種方法簡單方便，但難以表達(dá)與人面部有關(guān)的復(fù)雜整體信息。Tanikawa 等[18]開發(fā)了一個(gè)自動表型系統(tǒng)來進(jìn)行面部輪廓識別和分類，該系統(tǒng)使用模式匹配算法，包含整體面部輪廓，特別是唇部和鼻部形態(tài)。其研究表明，結(jié)合人類專家知識經(jīng)驗(yàn)的特征提取在創(chuàng)建面部輪廓模式方面更為有效。深度卷積神經(jīng)網(wǎng)絡(luò)模型在面部識別上也具有較好的應(yīng)用。例如使用深度學(xué)習(xí)算法的面部識別程序軟件(Face2Gene)，其可以進(jìn)行面部表型識別并提供基因診斷。在面部畸形識別上，Murata等[19]提出端到端深度學(xué)習(xí)方法來診斷各類面部畸形，并達(dá)到62.9%準(zhǔn)確率；Takeda等[20]提出了一個(gè)基于深度學(xué)習(xí)的CNN算法系統(tǒng)，支持自動分析下頜偏差和檢測面部不對稱。這些智能系統(tǒng)可以通過識別面部特征自動化提供客觀的面部形態(tài)評估，大大減少了醫(yī)師的評估工作量和診斷過程中的差異。盡管如此，在面部識別機(jī)器學(xué)習(xí)實(shí)際運(yùn)用中，仍需解決數(shù)據(jù)集圖像有限、數(shù)據(jù)集及標(biāo)注質(zhì)量控制等相關(guān)問題。

1.5 骨齡分析

對于生長發(fā)育期的患者來說，骨齡的評估是影響正畸治療方案和預(yù)后的重要因素。頸椎成熟度(cervical vertebral maturation, CVM)可在頭顱側(cè)位片上進(jìn)行評估，是判斷患者骨骼年齡和成熟度的常用方法。機(jī)器學(xué)習(xí)算法受主觀因素影響較小，現(xiàn)已有研究用于檢測頭顱側(cè)位片上的頸椎骨齡分期。Amasya等[21]標(biāo)記了一組特定的頸椎標(biāo)志點(diǎn)，從標(biāo)志點(diǎn)彼此的關(guān)系中提取特征并訓(xùn)練模型，此方法的缺點(diǎn)在于需要人工定點(diǎn)測量，而這需要耗費(fèi)時(shí)間且后續(xù)結(jié)果依賴于初始手動定位標(biāo)志點(diǎn)的準(zhǔn)確度。Makaremi等[22]利用CNN等對圖像進(jìn)行預(yù)處理，并針對不同的CVM分期進(jìn)行分類，取得了較高的準(zhǔn)確度，具有一定的臨床應(yīng)用價(jià)值。K?k等[23]利用人工神經(jīng)網(wǎng)絡(luò)來確定頸椎的生長發(fā)育時(shí)期和性別，并評估了手腕骨齡、CVM和年齡之間的相關(guān)性，表明神經(jīng)網(wǎng)絡(luò)技術(shù)可以較好地完成相關(guān)工作。本課題組[24]基于多階段模型采用邏輯回歸算法也對頸椎骨齡進(jìn)行了智能定量評估，整體模型受試者工作特征曲線下面積(AUC)為 0.91，并在優(yōu)化后達(dá)到0.94，顯示了較好的臨床應(yīng)用潛力。圖2列出了其流程。

圖2 頸椎骨齡智能評估流程圖

2 正畸診斷和治療中的應(yīng)用

錯(cuò)牙合畸形診斷和治療計(jì)劃制定是正畸過程中最基本、最重要的環(huán)節(jié)之一，醫(yī)師需要通過綜合運(yùn)用知識和經(jīng)驗(yàn)來以盡可能低的風(fēng)險(xiǎn)獲得最佳的治療效果。機(jī)器學(xué)習(xí)能幫助醫(yī)師更全面地收集信息、減少主觀性誤差，實(shí)現(xiàn)更好的正畸診斷和治療。

2.1 正畸診斷和治療計(jì)劃制定

確定診斷和規(guī)劃治療計(jì)劃的基礎(chǔ)是患者信息的收集，包括收集患者信息、整理問題清單、制定治療策略等。最早有學(xué)者采用專家系統(tǒng)[25]的方法應(yīng)用于正畸診斷和治療規(guī)劃，但存在知識的選擇即特征提取困難的瓶頸。近年來有學(xué)者使用人工神經(jīng)網(wǎng)絡(luò)來預(yù)測正畸治療計(jì)劃，即使用計(jì)算機(jī)技術(shù)來分析、理解和處理自然語言(人類交流使用的語言)。如El-Dawlatly等[26]建立了計(jì)算機(jī)決策支持系統(tǒng)來制定深覆牙合患者的治療計(jì)劃。該程序的輸入值和影響因素主要包括臨床常用的深覆牙合診斷信息，醫(yī)師與計(jì)算機(jī)之間用自然語言進(jìn)行有效通信，輸出程序?yàn)樯罡惭篮系闹委熡?jì)劃選項(xiàng)，并通過與患者的實(shí)際治療變化進(jìn)行比較，評估了由該算法做出決定的準(zhǔn)確性，結(jié)果表明建立的決策支持系統(tǒng)是一種有效的工具，可用于制定恒牙列深覆牙合的治療計(jì)劃，同時(shí)證明了人工智能可用于輔助正畸醫(yī)生制定方案。圖3顯示了智能化的正畸診斷和治療計(jì)劃制訂流程。

圖3 基于機(jī)器學(xué)習(xí)的智能正畸診斷和治療計(jì)劃制定流程

2.2 拔牙矯治判定

選擇拔牙或非拔牙矯治在正畸界一直存在爭論。在確定是否拔牙時(shí)正畸醫(yī)生必須權(quán)衡多種因素，如牙齒排列、咬合穩(wěn)定性、頜面軟硬組織平衡、顳下頜關(guān)節(jié)障礙、牙周健康等等。但是由于相當(dāng)多的正畸病例屬于臨界類別，且不同的醫(yī)師經(jīng)驗(yàn)、理念及偏好存在差異，拔牙方案沒有所謂的正確答案，也較難量化比較不同的方案[27]。在循證醫(yī)學(xué)和個(gè)性化醫(yī)學(xué)的時(shí)代，有學(xué)者尋求使用機(jī)器學(xué)習(xí)的方法來改進(jìn)這一決策，以減少個(gè)人主觀性影響。大多數(shù)研究應(yīng)用了人工神經(jīng)網(wǎng)絡(luò)模型(artificial neural network, ANN)。Xie等[28]提出了基于ANN的拔牙檢測，發(fā)現(xiàn)開唇露齒和下頜中切牙-下頜平面角(IMPA)是在檢測是否拔牙中最有貢獻(xiàn)的兩個(gè)特征，局限性在于其測試集的可泛化低，需要進(jìn)一步研究。Jackson等[29]研究發(fā)現(xiàn)種族、安氏分類、初始覆牙合覆蓋和上下頜擁擠度是影響拔牙概率的因素。Jun和Kim[27]除預(yù)測是否拔牙外還應(yīng)用深度學(xué)習(xí)方法判斷拔除牙齒的牙位，他們把數(shù)據(jù)分成驗(yàn)證組和測試組，以改進(jìn)Xie等[28]研究中的低泛化問題。Li等[30]研究使用多層感知器人工神經(jīng)網(wǎng)絡(luò)在拔牙-非拔牙預(yù)測中實(shí)現(xiàn)了94%的精確度，比Xie等[28]高出14%。也有學(xué)者使用其他的機(jī)器學(xué)習(xí)算法，如Suhail等[31]使用隨機(jī)森林算法，其研究的局限性在于僅限于非手術(shù)正畸治療，且未考慮非典型的拔牙模式。隨著數(shù)據(jù)集的增加、更多臨床變量的納入和研究的推進(jìn)，機(jī)器學(xué)習(xí)在正畸拔牙決策中顯示出較好的應(yīng)用前景。

2.3 正頜手術(shù)

無論是出于先天性還是后天性的原因，臨床上不乏患者存在較嚴(yán)重的頜骨畸形。對于這些畸形，Lee等[32]使用深度學(xué)習(xí)方法檢查了正頜手術(shù)或正畸治療的需要，其優(yōu)點(diǎn)在于使用整體圖像進(jìn)行評估，而不是使用特定的測量值，可以考慮到測量值中無法顯現(xiàn)出的細(xì)微差別，從而減少傳統(tǒng)的頭影測量值造成的誤差。但深度學(xué)習(xí)研究的局限性在于口腔修復(fù)體引起的數(shù)據(jù)連續(xù)性、圖像失真等問題，以及對于大量數(shù)據(jù)的需求。對于只能依賴于正頜外科手術(shù)來矯正而無法僅憑正畸來改善的異常頜骨形態(tài)，其成功取決于正頜外科醫(yī)生的技能和完善的手術(shù)規(guī)劃。Vannier等[33]使用計(jì)算斷層掃描影像來劃定異常的面部軟組織和骨骼形態(tài)以進(jìn)行手術(shù)規(guī)劃和評估；Zachow等[34]建立了下頜骨的三維形態(tài)統(tǒng)計(jì)模型，可以為手術(shù)重建提供合理依據(jù)。另外，Stehrer等[35]預(yù)測了正頜手術(shù)前的失血量，從而有利于在手術(shù)前制定最佳的治療方案，這是該領(lǐng)域的首次研究，仍需要臨床和外科診療過程中進(jìn)行更多的研究以驗(yàn)證此結(jié)果。

2.4 正畸CAD/CAM

CAD/CAM在當(dāng)代口腔醫(yī)學(xué)中起著重要作用，世界各地的許多現(xiàn)代化診所使用CAD/CAM進(jìn)行口腔疾病的輔助治療。在正畸學(xué)中，三維數(shù)字牙頜模型已廣泛用于幫助醫(yī)師移動和重新排列牙齒，以模擬治療結(jié)果以及指導(dǎo)矯治器設(shè)計(jì)。其中，準(zhǔn)確的牙齒分割是基本步驟，但由于不同患者之間牙齒變異大、擁擠錯(cuò)位、牙齒缺損缺失、口內(nèi)掃描時(shí)倒凹區(qū)域較難掃描等問題，牙齒圖像分割存在一定的困難和挑戰(zhàn)。最近，機(jī)器學(xué)習(xí)在多種不同類型的牙齒圖像分割中表現(xiàn)出了較好的性能。Liao等[36]開發(fā)了基于諧波場的自動牙齒分割，能夠自動、高效、高質(zhì)量、完整地分割牙齒。Charles等[37]提出了名為PointNet的端到端神經(jīng)網(wǎng)絡(luò)來進(jìn)行三維形態(tài)分析和分割，在效率和精度方面性能良好。以此為拓展，Lian等[38]提出了MeshSegNet端到端深度神經(jīng)網(wǎng)絡(luò)，專門用于自動牙齒分割。在臨床CAD/CAM應(yīng)用中，Choi等[39]報(bào)告了1例基于 CAD/CAM 虛擬正畸系統(tǒng)設(shè)計(jì)的個(gè)性化托槽對骨性Ⅲ類畸形患者進(jìn)行治療的案例。

2.5 正畸治療過程和結(jié)果評估

醫(yī)學(xué)領(lǐng)域一直處于使用人工智能分析策略的前沿，應(yīng)用大數(shù)據(jù)的優(yōu)勢來指導(dǎo)個(gè)性化治療干預(yù)，滿足患者需求并對療效進(jìn)行評估。口腔醫(yī)學(xué)領(lǐng)域在利用機(jī)器學(xué)習(xí)技術(shù)評估臨床結(jié)果方面也取得了進(jìn)展。Thanathornwong等[40]在貝葉斯網(wǎng)絡(luò)的基礎(chǔ)上開發(fā)了一個(gè)正畸專家系統(tǒng)，基于患者的口內(nèi)外錯(cuò)牙合畸形相關(guān)數(shù)據(jù)生成臨床決策支持結(jié)果，以輔助全科醫(yī)生評估治療的必要性。盡管訓(xùn)練的數(shù)據(jù)數(shù)量有限，但正畸醫(yī)生的判斷與專家系統(tǒng)的結(jié)果之間沒有顯著差異。Riri等[41]提出了基于正畸診斷用口內(nèi)外和模型圖像分類的計(jì)算機(jī)視覺和機(jī)器學(xué)習(xí)方法，其針對提取的特征通過決策樹、面部特征檢測等評估治療的進(jìn)展來為正畸醫(yī)生提供參考。同時(shí)隨著智能手機(jī)的廣泛使用，有學(xué)者研發(fā)了相關(guān)遠(yuǎn)程治療監(jiān)測程序。Caruso等[42]介紹了一種遠(yuǎn)程正畸牙移動監(jiān)測系統(tǒng)(dental monitoring)，是世界上第一個(gè)用于遠(yuǎn)程監(jiān)測牙科治療過程的應(yīng)用程序，其利用機(jī)器學(xué)習(xí)算法建模，通過患者使用手機(jī)拍攝的口內(nèi)照片和視頻來計(jì)算三維牙齒運(yùn)動。此類技術(shù)可以幫助正畸醫(yī)師更頻繁、更有效地監(jiān)控治療目標(biāo)完成情況，并減少患者不必要的預(yù)約復(fù)診，但是仍需更多的研究來驗(yàn)證。

3 相關(guān)臨床研究中的應(yīng)用

在口腔正畸相關(guān)的臨床研究中，機(jī)器學(xué)習(xí)展現(xiàn)出了其在分析歸納數(shù)據(jù)、減少工作量、優(yōu)化工作流程等方面的應(yīng)用潛力。

3.1 循證研究

循證臨床實(shí)踐基于使用最佳可用證據(jù)、醫(yī)學(xué)專業(yè)知識和患者價(jià)值觀來為臨床決策提供信息[43]。在循證研究中，檢索相關(guān)文獻(xiàn)再篩選的工作往往非常耗費(fèi)人力，且導(dǎo)致項(xiàng)目完成時(shí)間的延長。研究設(shè)計(jì)方法的過濾是機(jī)器學(xué)習(xí)在文獻(xiàn)篩查中的應(yīng)用之一，例如可判斷文章為隨機(jī)對照試驗(yàn)(randomized controlled trial,RCT)概率的RCT Tagger工具[44]。RobotSearch同樣是一種開放性訪問工具，其除了可判斷是否為RCT之外，還允許用戶選擇是否希望系統(tǒng)應(yīng)用最大化“靈敏度”或“特異性”的輸出，對于快速回顧文獻(xiàn)具有較大的應(yīng)用潛力[45]。在標(biāo)題/摘要篩選和文獻(xiàn)數(shù)據(jù)提取中，機(jī)器學(xué)習(xí)也具有高效率的特點(diǎn)，可使需手動篩選的數(shù)量減少10%～90%，極大地縮短了篩選時(shí)間，優(yōu)化了工作流程[46]。在實(shí)際應(yīng)用中，仍建議通過相關(guān)策略以確保人工智能方法和循證分析結(jié)果的透明性和可重復(fù)性。

3.2 基因和組學(xué)研究

顱面部的發(fā)育及正畸矯治中伴隨著復(fù)雜的遺傳學(xué)、生物學(xué)、基因?qū)W等過程，可以通過收集生物樣本、細(xì)胞和基因測序等方法對其進(jìn)行研究和探索，通常需要復(fù)雜的計(jì)算工具來分析所產(chǎn)生的大量數(shù)據(jù)。機(jī)器學(xué)習(xí)算法為分析高通量數(shù)據(jù)并從這些數(shù)據(jù)集中獲取有價(jià)值的信息提供了機(jī)會。在基因組學(xué)領(lǐng)域，機(jī)器學(xué)習(xí)策略可在識別基因變異和建立表型-基因型相關(guān)性方面發(fā)揮重要作用，在預(yù)測與DNA和RNA結(jié)合的蛋白質(zhì)序列特異性方面也取得了很大進(jìn)展[47-48]。此外，近期的研究表明深度學(xué)習(xí)如DeepCpG算法可以幫助分析單細(xì)胞甲基化數(shù)據(jù)，并做出準(zhǔn)確的預(yù)測[49]。

3.3 有限元模型分析

有限元分析是指利用數(shù)學(xué)近似的方法對真實(shí)物理系統(tǒng)(幾何和載荷工況)進(jìn)行模擬，通過簡單而又相互作用的元素，就可以用有限數(shù)量的未知量去模擬無限未知量的真實(shí)系統(tǒng)。在口腔正畸學(xué)中，研究人員利用有限元分析可以對復(fù)雜的牙及牙周組織在矯治器施力加載后的變化進(jìn)行生物力學(xué)分析，但是存在模擬時(shí)間長、計(jì)算成本高等問題。機(jī)器學(xué)習(xí)可幫助優(yōu)化有限元分析過程，但口腔醫(yī)學(xué)中有限元分析機(jī)器學(xué)習(xí)的應(yīng)用還較少見。機(jī)器學(xué)習(xí)在其他醫(yī)學(xué)領(lǐng)域的應(yīng)用可以為其在口腔正畸生物力學(xué)仿真分析中的應(yīng)用奠定基礎(chǔ)。如Liang等[50]對主動脈模型開發(fā)了基于機(jī)器學(xué)習(xí)算法的計(jì)算機(jī)模型框架，并進(jìn)一步采用深度學(xué)習(xí)方法，在有限元計(jì)算、結(jié)果輸出等方面取得了較好的結(jié)果。通常來說口腔醫(yī)學(xué)領(lǐng)域研究對象的幾何形態(tài)和邊界條件更為復(fù)雜，在實(shí)際應(yīng)用中仍需進(jìn)一步研究。

4 總結(jié)與展望

作為人工智能的重要分支,機(jī)器學(xué)習(xí)正在口腔正畸學(xué)領(lǐng)域的多個(gè)方面迅速擴(kuò)展應(yīng)用。 機(jī)器學(xué)習(xí)可以幫助正畸醫(yī)師分析患者在矯治前后生成的多種類型數(shù)據(jù)，并輔助醫(yī)師更高效地進(jìn)行診斷和制定治療規(guī)劃。目前機(jī)器學(xué)習(xí)在頭影測量標(biāo)志點(diǎn)檢測、拔牙矯治決策、循證分析等方面已有了較深入的研究，但總體來說在口腔正畸領(lǐng)域的有關(guān)臨床研究數(shù)量仍相對較少，在臨床也未得到廣泛應(yīng)用。機(jī)器學(xué)習(xí)存在考慮不全面、無法明確病因、無法對結(jié)果提供解釋等局限性。精準(zhǔn)診療將是口腔正畸學(xué)的未來發(fā)展目標(biāo)。隨著不斷納入更多種類和數(shù)目的病倒數(shù)據(jù)，高質(zhì)量正畸學(xué)研究不斷深入和機(jī)器學(xué)習(xí)能力的不斷提升，利用我國病例大數(shù)據(jù)的優(yōu)勢，一定可以促進(jìn)顱頜面畸形實(shí)現(xiàn)個(gè)性化診療和矯治過程監(jiān)測分析，從而能夠更高效地獲得更好的矯治效果。