人工智能在口腔疾病診斷中的研究進(jìn)展

張 娟，曹士盛，李宏霄

人工智能（artificial intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴(kuò)展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。1956年，AI的概念首次在美國(guó)達(dá)特茅斯會(huì)議提出，AI可分為強(qiáng)AI和弱AI，強(qiáng)AI指的是制造出能自行推理并解決問題的智能機(jī)器。但由于計(jì)算機(jī)算法和數(shù)據(jù)處理的能力局限，強(qiáng)AI一直沒有突破性進(jìn)展。當(dāng)前主流研究主要集中于弱AI領(lǐng)域并取得了較大的突破。

目前絕大多數(shù)AI的進(jìn)步和應(yīng)用都應(yīng)歸功為機(jī)器學(xué)習(xí)。機(jī)器學(xué)習(xí)[1]最基本的做法就是使用算法來(lái)解析數(shù)據(jù)，從中學(xué)習(xí)，然后對(duì)真實(shí)世界的事件做出決策或者預(yù)測(cè)。它是AI的核心，是使計(jì)算機(jī)具有智能的根本途徑，其應(yīng)用遍及AI的各個(gè)領(lǐng)域。AI問世至今，對(duì)很多領(lǐng)域都產(chǎn)生了變革性影響[2]。醫(yī)學(xué)領(lǐng)域的AI研究與應(yīng)用，從20世紀(jì)70年代至今一直潛移默化地影響醫(yī)學(xué)發(fā)展模式[3]。診療過程中產(chǎn)生大量的影像資料是機(jī)器學(xué)習(xí)最好的訓(xùn)練數(shù)據(jù)，大量的AI模型被開發(fā)出來(lái)，在公共健康、藥物設(shè)計(jì)、輔助診斷和精準(zhǔn)醫(yī)學(xué)等方面取得了積極進(jìn)展。在口腔醫(yī)學(xué)領(lǐng)域[4]，AI在疾病的預(yù)防、診斷、治療，預(yù)后等方面展現(xiàn)了顯著潛力。文章則就AI在口腔疾病診斷方面的發(fā)展現(xiàn)狀、存在的問題和未來(lái)展望進(jìn)行綜述。

1 口腔頜面外科學(xué)領(lǐng)域

口腔頜面外科是口腔領(lǐng)域最早應(yīng)用AI技術(shù)的學(xué)科之一，在牙槽外科，下頜神經(jīng)管的定位是預(yù)防術(shù)中神經(jīng)損傷的關(guān)鍵。Fukuda M等[5]利用600幅全景片比較3種卷積神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)下頜第三磨牙下頜神經(jīng)管空間關(guān)系的診斷性能和一致性，結(jié)果證明使用深度學(xué)習(xí)創(chuàng)建的診斷系統(tǒng)在全景影像中評(píng)估下頜神經(jīng)管的空間位置是可行的。Orhan K團(tuán)隊(duì)[6]評(píng)價(jià)了AI與醫(yī)師相比在錐形束CT（cone beam computed tomography，CBCT）影像中對(duì)阻生第三磨牙的阻生牙數(shù)、牙根數(shù)、根管數(shù)及與下頜神經(jīng)管位置關(guān)系的診斷性能，Kappa分析表明下頜神經(jīng)管與第三磨牙位置關(guān)系與牙根數(shù)有很好的一致性。

頜骨的囊腫和腫瘤的晚期根治性手術(shù)會(huì)導(dǎo)致面部畸形，所以早發(fā)現(xiàn)、早治療至關(guān)重要。Yang H等[7]將1 602幅全景X射線圖像作為數(shù)據(jù)庫(kù)，利用“只看一次”（You only look once,YOLO）V2算法對(duì)含牙囊腫、牙源性角化囊腫、成釉細(xì)胞瘤進(jìn)行檢測(cè)和分類，與臨床醫(yī)生相比較，YOLO取得了不錯(cuò)的成績(jī)（精確度=0.707，召回率=0.680）。Abdolali F等[8]提出了一種新的基于表面和紋理信息的頜面囊腫檢測(cè)方法，與傳統(tǒng)檢測(cè)特征相比，分類精度提高了8.94%。Morikawa T等[9]回顧性收集成纖維細(xì)胞瘤和牙源性角化囊性瘤的500幅全景影像，遷移學(xué)習(xí)使用大樣本數(shù)據(jù)集的16層卷積神經(jīng)網(wǎng)絡(luò)，其檢測(cè)準(zhǔn)確度與口腔頜面外科專家相當(dāng)。上海交通大學(xué)團(tuán)隊(duì)使用了一種基于遷移學(xué)習(xí)算法的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以顯著提高成釉細(xì)胞瘤和牙源性角化囊腫鑒別準(zhǔn)確度[10]。Chai Z等[11]使用178幅成釉細(xì)胞瘤和172幅牙源性角化囊腫的CBCT圖像訓(xùn)練深度學(xué)習(xí)模型，結(jié)果表明與臨床外科大夫相比，深度學(xué)習(xí)模型在區(qū)分此兩種病變方面有更高的準(zhǔn)確度。

由于口腔癌發(fā)病初期不易確診，許多新興診斷手段被引入AI診斷口腔癌系統(tǒng)中。Zlotogorski-Hurvitz A等[12]利用機(jī)器學(xué)習(xí)技術(shù)對(duì)外泌體光密度數(shù)據(jù)建立分類模型，可以準(zhǔn)確區(qū)分患者和健康人唾液外泌體的紅外光譜特征。Aubreville M等[13]則通過機(jī)器學(xué)習(xí)利用口腔鱗狀細(xì)胞癌患者的口腔激光窺鏡圖像自動(dòng)化診斷口腔鱗癌，Quang T等[14]驗(yàn)證了AI輔助下多模式光學(xué)成像技術(shù)在口腔癌早期診斷的可行性。

2 口腔內(nèi)科學(xué)領(lǐng)域

近年來(lái)，AI在口腔內(nèi)科的研究主要集中于齲齒的自動(dòng)化診斷。Cantu AG等[15]使用深度神經(jīng)網(wǎng)絡(luò)在咬合片上檢測(cè)齲損，研究表明深度神經(jīng)網(wǎng)絡(luò)比牙科醫(yī)生的診斷更準(zhǔn)確。Valizadeh S等[16]開發(fā)并評(píng)估了后牙鄰面齲的AI診斷系統(tǒng)，該系統(tǒng)對(duì)牙本質(zhì)齲的診斷率可達(dá)97%，但對(duì)釉質(zhì)缺損的檢測(cè)能力有限。Hung M等[17]開發(fā)了識(shí)別根面齲的機(jī)器學(xué)習(xí)算法，其中支持向量機(jī)識(shí)別根面齲的準(zhǔn)確度為97.1%，靈敏度為99.6%，特異度為94.3%。

Berdouses ED等[18]提出了一種完全自動(dòng)化的齲損檢測(cè)方法，不僅可以利用患者數(shù)碼相機(jī)拍攝的牙齒圖片對(duì)齲齒檢測(cè)，還可以對(duì)齲齒進(jìn)行分類。數(shù)碼相機(jī)拍攝照片檢測(cè)齲齒，相比于X射線檢查有利于在人群中進(jìn)行大量的齲齒篩查[19]。隨著智能手機(jī)的普及，Duong DL等[20]開發(fā)了一種基于支持向量機(jī)可以自動(dòng)識(shí)別智能手機(jī)圖像中咬合面齲的算法，將診斷成本進(jìn)一步降低。此外，智能算法不僅可以根據(jù)手機(jī)照片判斷氟中毒引起的牙齒白色改變[21]，還可以在數(shù)碼照片上檢測(cè)乳牙菌斑，幫助改善兒童口腔健康[22]。

此外，深度卷積神經(jīng)網(wǎng)絡(luò)還可以使用全景X射線影像、CBCT影像數(shù)據(jù)對(duì)根尖周病變進(jìn)行診斷。Lee JH等[23]基于深度卷積神經(jīng)網(wǎng)絡(luò)研發(fā)了一種牙周病診斷系統(tǒng)，前磨牙牙周病診斷準(zhǔn)確度為81.0%，磨牙診斷準(zhǔn)確度為76.7%。Feres M等[24]使用支持向量機(jī)分類器對(duì)齦下40種細(xì)菌進(jìn)行測(cè)試，結(jié)果發(fā)現(xiàn)牙周健康患者的細(xì)菌組成較牙周病患者均一，并能夠區(qū)分年輕患者的廣泛性侵襲性牙周炎和廣泛性的慢性牙周炎。Li S等[25]使用4 129幅根尖片開發(fā)了一種用于自動(dòng)檢測(cè)齲齒和根尖周炎的深度學(xué)習(xí)模型，其檢測(cè)準(zhǔn)確度明顯高于青年牙醫(yī)，而且在該模型的幫助下，青年醫(yī)生的診斷準(zhǔn)確度明顯提高。

口腔白斑是最常見的口腔潛在惡性疾病，Jurczyszyn K等[26]拍攝正常口腔黏膜和白斑的口內(nèi)照片并通過人工神經(jīng)網(wǎng)絡(luò)進(jìn)行紋理分析和分類，神經(jīng)網(wǎng)絡(luò)識(shí)別白斑的靈敏度為100%，特異度為97%。此外，Banerjee S等[27]將傅里葉變換紅外光譜與AI相結(jié)合，可以有效區(qū)分健康黏膜、白斑和口腔鱗狀細(xì)胞癌，總體準(zhǔn)確度為89.7%。

3 口腔修復(fù)學(xué)領(lǐng)域

近年來(lái)，人們致力于開發(fā)基于AI檢測(cè)醫(yī)療影像的技術(shù)。Prados-Privado M等[28]收集8 000幅口腔全景影像，使用卷積神經(jīng)網(wǎng)絡(luò)檢測(cè)牙齒的缺失，準(zhǔn)確度超過95%。準(zhǔn)確判斷患者牙弓狀況，是口腔修復(fù)決策支持系統(tǒng)的關(guān)鍵一步，Takahashi T等[29]利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)牙弓進(jìn)行分類為無(wú)牙列、完整牙列、后牙缺失牙列和前牙缺失牙列。Gerhardt MDN等[30]開發(fā)一種AI模型能夠快速地檢測(cè)、分割和標(biāo)記牙列缺損或牙列缺失患者的CBCT圖像。對(duì)缺失牙齒的檢測(cè)和標(biāo)記的總體準(zhǔn)確度可達(dá)99%。

種植體周圍炎治療前需了解種植體的種類，因此需要一種用于從有限的數(shù)據(jù)中辨別患者種植體系統(tǒng)的算法，Takahashi T等[31]用1 282幅帶有種植體的全景X射線圖像進(jìn)行深度學(xué)習(xí)，該算法可以從全景放射圖像中識(shí)別6類種植體。Kim J等[32]使用801例患者的根尖周X射線圖像數(shù)據(jù)進(jìn)行深度學(xué)習(xí)，對(duì)4類種植體進(jìn)行檢測(cè)，測(cè)試準(zhǔn)確度超過了90%，而且輕量級(jí)神經(jīng)網(wǎng)絡(luò)即使在圖像數(shù)量較少、網(wǎng)絡(luò)相對(duì)較小的情況下也能對(duì)4類種植體進(jìn)行高精度地分類。Lee J等[33]驗(yàn)證了深度卷積神經(jīng)網(wǎng)絡(luò)在牙種植體系統(tǒng)識(shí)別和分類中的準(zhǔn)確度，該團(tuán)隊(duì)將3種形狀相似、內(nèi)部錐形連接的種植體系統(tǒng)的5 390幅全景X射線圖像和5 380幅根尖周片作為測(cè)試數(shù)據(jù)集，結(jié)果表明深層卷積神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確度高于高年資牙周醫(yī)生。上述研究的應(yīng)用會(huì)減少由于缺乏對(duì)植入體確切類型的了解而帶來(lái)的不必要診療費(fèi)用。

Abdalla-Aslan R等[34]嘗試開發(fā)一種基于機(jī)器學(xué)習(xí)自動(dòng)檢測(cè)和分類X射線圖像中的各種牙科修復(fù)體的計(jì)算機(jī)視覺算法，通過測(cè)試83幅全景圖像中的738個(gè)牙齒修復(fù)體，該算法檢測(cè)到94.6%的修復(fù)體，在區(qū)分修復(fù)體類別時(shí)，分類總體準(zhǔn)確度為93.6%。

4 口腔正畸學(xué)領(lǐng)域

使用標(biāo)準(zhǔn)化的頭影測(cè)量片、解剖標(biāo)志點(diǎn)被準(zhǔn)確標(biāo)記是正畸診療過程中必不可少的，但由于測(cè)量過程中醫(yī)師的個(gè)體差異及疲勞導(dǎo)致的人工標(biāo)記錯(cuò)誤會(huì)影響診療結(jié)果。此外，手動(dòng)繪制頭影測(cè)量地標(biāo)耗時(shí)費(fèi)力，因此人們一直嘗試建立一個(gè)能夠快速標(biāo)記和分析頭影測(cè)量標(biāo)志的自動(dòng)化正畸分析系統(tǒng)。Lee JH等[35]利用貝葉斯卷積神經(jīng)網(wǎng)絡(luò)來(lái)定位具有可信度區(qū)域的頭影測(cè)量標(biāo)記點(diǎn)，在2 mm、3 mm和4 mm范圍內(nèi)，該系統(tǒng)的平均標(biāo)志性誤差為（1.53±1.74）mm，檢測(cè)成功率分別為82.11%、92.28%、95.95%，可以作為計(jì)算機(jī)輔助正畸診斷工具。Hwang HW等[36]應(yīng)用一種深度學(xué)習(xí)算法——YOLO-V3算法檢測(cè)200幅頭影測(cè)量的17個(gè)標(biāo)記點(diǎn)，其檢測(cè)準(zhǔn)確度與正畸醫(yī)師不相上下，甚至在某些頭影測(cè)量分析指標(biāo)上表現(xiàn)出更高的分類成功率。Yu HJ等[37]根據(jù)5 890幅頭顱側(cè)位片構(gòu)建了一個(gè)深卷積神經(jīng)網(wǎng)絡(luò)模型，并利用遷移學(xué)習(xí)和數(shù)據(jù)增強(qiáng)技術(shù)改良，通過測(cè)試，該模型在對(duì)垂直位、矢狀位骨骼類型的診斷靈敏度、特異度和準(zhǔn)確度均大于90%，其中垂直分類的準(zhǔn)確度高達(dá)96.4%。該研究還通過一個(gè)頭顱熱圖直觀表示在骨骼分類方面信息最豐富的區(qū)域。

CBCT的影像數(shù)據(jù)被逐漸引入AI，Wang H等[38]訓(xùn)練多尺度密集卷積神經(jīng)網(wǎng)絡(luò)，能夠完成CBCT影像中的頜骨、牙齒和背景的多類分割，Zhang J等[39]使用大量的CBCT圖像生成顱頜面結(jié)構(gòu)的三維（three dimensions，3D）模型并完成骨骼分割和解剖標(biāo)志數(shù)字化。Kim I團(tuán)隊(duì)[40]則嘗試對(duì)CBCT影像3D增強(qiáng)后用兩種不同的深度學(xué)習(xí)模型構(gòu)建多通道模型實(shí)現(xiàn)對(duì)錯(cuò)頜畸形的自動(dòng)識(shí)別和分類，結(jié)果證明多通道模型的診斷性能優(yōu)于單通道深度學(xué)習(xí)模型，可以輔助正畸醫(yī)生對(duì)患者做出更準(zhǔn)確診斷，有助于最佳診療方式的確定。

患者骨齡對(duì)正畸矯治效果有一定的影響，臨床骨齡測(cè)定的黃金標(biāo)準(zhǔn)是通過觀察手腕骨X射線圖像來(lái)實(shí)現(xiàn)的[41]，但口腔醫(yī)療機(jī)構(gòu)普遍不具有拍攝腕骨X射線的條件。研究表明骨骼發(fā)育狀態(tài)可以從頸椎骨發(fā)育程度推斷出來(lái)，K?k H和他的團(tuán)隊(duì)[42]使用AI分類器尋找可以明確生長(zhǎng)發(fā)育階段的頸椎，從而使患者僅需拍攝頭顱側(cè)位片就可以確定發(fā)育程度，降低了患者的醫(yī)療費(fèi)用和受輻射量。

5 總結(jié)與展望

雖然AI在口腔醫(yī)學(xué)診斷領(lǐng)域的發(fā)展十分迅速，但仍然存在頗多亟待解決的問題。

AI輔助診斷的基石是龐大的醫(yī)療信息數(shù)據(jù)庫(kù)，包括放射影像、電子健康記錄、醫(yī)院電子病歷等。數(shù)據(jù)的質(zhì)與量決定診斷結(jié)果的準(zhǔn)確度和可信度。目前口腔醫(yī)療健康數(shù)據(jù)主要存在以下問題：其一，缺乏高質(zhì)量數(shù)據(jù)；其二，數(shù)據(jù)分散沒有統(tǒng)一的評(píng)價(jià)標(biāo)準(zhǔn)；其三，數(shù)據(jù)安全性面臨巨大挑戰(zhàn)。

雖然口腔疾病AI診斷的研究和應(yīng)用存在問題。但不可否認(rèn)AI會(huì)給口腔疾病的診斷工作帶來(lái)翻天覆地的變化。

綜上所述，現(xiàn)在仍然處于AI輔助診斷發(fā)展的初級(jí)階段。在未來(lái)，隨著臨床診療數(shù)字化技術(shù)和便攜式實(shí)驗(yàn)室診斷儀器的研發(fā)，將擴(kuò)大AI學(xué)習(xí)的數(shù)據(jù)來(lái)源，使得數(shù)據(jù)不僅僅局限于傳統(tǒng)的影像資料，還包括疾病生物標(biāo)志物、各類光譜信號(hào)、大數(shù)據(jù)文本資料等，甚至是打破數(shù)據(jù)之間的壁壘，利用各類數(shù)據(jù)整合出混合數(shù)據(jù)庫(kù)，建立臨床大數(shù)據(jù)疾病預(yù)警系統(tǒng)，診病于未病之時(shí)。