人工智能在口腔疾病影像診斷中的研究進(jìn)展

隨著信息科技的不斷發(fā)展，人工智能相關(guān)技術(shù)已廣泛應(yīng)用于多個(gè)領(lǐng)域，尤其在醫(yī)學(xué)中的應(yīng)用潛力巨大，在疾病診斷、輔助治療和預(yù)測預(yù)后等方面均有報(bào)道

。人工智能在口腔疾病醫(yī)學(xué)影像診斷中的應(yīng)用尚處于研究階段，前期研究主要集中于檢測分類、診斷、圖像分割、識別與標(biāo)記等

。本文就當(dāng)前人工智能在口腔疾病診斷中的應(yīng)用作一綜述。

1 人工智能在口腔疾病影像診斷中的應(yīng)用

1.1 人工智能在牙體疾病影像診斷中的應(yīng)用

1.1.1 齲病 人工智能在齲病診斷中的研究主要集中于應(yīng)用卷積神經(jīng)網(wǎng)（convolutional neural network，CNN）診斷鄰面齲，以經(jīng)驗(yàn)豐富的口腔醫(yī)生判斷結(jié)果或體外切片后顯微鏡下觀察結(jié)果為金標(biāo)準(zhǔn)。Cantu 等

選取了3 686 張含有不同程度鄰面齲的咬合翼片，對CNN 進(jìn)行訓(xùn)練、驗(yàn)證和測試，并將4 名口腔專家的診斷結(jié)果作為參考標(biāo)準(zhǔn)。實(shí)驗(yàn)結(jié)果表明，CNN 診斷鄰面齲的準(zhǔn)確性、敏感性、特異性分別為0.80、0.75、0.83，而臨床口腔醫(yī)生對咬合翼片中鄰面齲診斷的準(zhǔn)確性、敏感性、特異性分別為0.71、0.36、0.91，說明在咬合翼片中，CNN 對鄰面齲診斷更敏感。此外，Devito 等

研究結(jié)果同樣表明CNN 可以提高對于鄰面齲診斷的準(zhǔn)確性。

2.1 4組患者治療前后肺部感染及留置胃管情況比較 治療4周后，3個(gè)觀察組肺部感染及留置胃管率較治療前及對照組治療后顯著下降(均P<0.05)；3個(gè)觀察組之間肺部感染及留置胃管率比較差異無統(tǒng)計(jì)學(xué)意義。見表2。

然而，林秀嬌等

研究表明人工智能與口腔醫(yī)生的診斷結(jié)果并沒有明顯差異。在這項(xiàng)研究中，實(shí)驗(yàn)人員將160 顆離體牙的根尖X 線片分別作為計(jì)算機(jī)輔助齲病診斷系統(tǒng)的訓(xùn)練集和測試集，其組織學(xué)檢查結(jié)果作為齲壞診斷的金標(biāo)準(zhǔn)。訓(xùn)練結(jié)果表明，該系統(tǒng)的ROC 曲線下面積（area under the curve，AUC）、敏感性、特異性分別為0.73、0.77、0.76，口腔醫(yī)生的AUC 值、敏感性、特異性分別為0.76、0.60、0.87。針對不同牙位，Lee 等

通過3 000 張包含前磨牙及磨牙齲壞的根尖片，對CNN進(jìn)行訓(xùn)練、驗(yàn)證和測試，結(jié)果表明在磨牙和前磨牙中CNN 的診斷準(zhǔn)確性沒有顯著性差異。

他汀類藥物是治療粥樣硬化治療的藥物,在心腦血管疾病的二級防御中有廣泛的應(yīng)用,腦卒中患者的臨床基礎(chǔ)病例就是腦血管損傷,現(xiàn)在臨床中的治療方案無法對患者的血管結(jié)構(gòu)進(jìn)行恢復(fù),血管疾病還會(huì)復(fù)發(fā)[1],有一些新的治療方式還處于探索階段,根據(jù)研究表明,缺血性腦血管疾病患者的病情進(jìn)展和內(nèi)皮素(endothelin,ET)及血栓素B2(thromboxane B2,TXB2)有關(guān)[2-3],現(xiàn)在臨床總對于ET和TXB2與缺血性腦血管疾病的關(guān)聯(lián)性還不是十分清楚,此次我們就阿托伐他汀10mg和40mg對缺血性腦血管疾病的血清ET-1及TXB2影響情況開展分析,現(xiàn)根據(jù)研究進(jìn)行以下報(bào)道。

上述研究結(jié)果顯示CNN 除了可以在二維圖像中較準(zhǔn)確地檢測頜骨囊性病變，在三維影像中也一樣具有良好的準(zhǔn)確性。

成釉細(xì)胞瘤和牙源性角化囊腫是影像學(xué)特征相似但行為不同的兩種頜骨病變，X 線影像表現(xiàn)為囊性病變，其治療計(jì)劃不完全相同。成釉細(xì)胞瘤和牙源性角化囊腫的準(zhǔn)確診斷有助于制定合適的治療計(jì)劃。Kwon 等

開發(fā)了一個(gè)用于檢測和分類牙源性囊性病變的CNN。研究使用1 282 張病理活檢結(jié)果與影像學(xué)診斷相同的曲面體層片對CNN進(jìn)行訓(xùn)練和測試，其中包括350 張含牙囊腫、302 張根尖周囊腫、230 張成釉細(xì)胞瘤、300 張牙源性角化囊腫和100 個(gè)張正常頜骨的曲面體層片，以病理活檢結(jié)果作為金標(biāo)準(zhǔn)，結(jié)果該CNN 對病變總體分類的準(zhǔn)確性為0.91，說明該CNN 可以輔助臨床診斷。

此外，Orhan 等

用153 顆慢性根尖周炎牙齒的CBCT 圖像測試集對該CNN 進(jìn)行測試，以經(jīng)驗(yàn)豐富的口腔影像科醫(yī)師的診斷作為參考標(biāo)準(zhǔn)，該CNN 成功檢測出其中的142 例，同時(shí)還成功定位病變牙并對其編號，且測量的病灶大小與人工結(jié)果相似。上述實(shí)驗(yàn)說明CNN 可以在曲面體層片和CBCT 中檢測、定位根尖周炎以及測量病變的大小。

下頜智齒接近下頜管是智齒拔除后發(fā)生神經(jīng)損傷和下唇感覺障礙的危險(xiǎn)因素，因此在下頜智齒拔除前需要通過影像學(xué)來判斷下頜智齒與下頜管的位置關(guān)系。Vinayahalingam 等

開發(fā)了一種自動(dòng)檢測和分割曲面體層片中第三磨牙牙根和下頜管的CNN，用83 張人工分割下頜第三磨牙和下頜管的曲面體層片對該系統(tǒng)進(jìn)行訓(xùn)練和測試（訓(xùn)練集與測試集比例為7∶3），結(jié)果表明與人工分割相比，訓(xùn)練集中該CNN 分割下頜第三磨牙的DICE 系數(shù)、敏感性、特異性分別為0.94、0.95、0.99，分割下頜管的DICE 系數(shù)、敏感性、特異性分別為0.81、0.85、0.97。Liu 等

開發(fā)了一種用于CBCT 數(shù)據(jù)集中自動(dòng)分割下頜管與下頜阻生智齒并分類其關(guān)系的CNN。在分割任務(wù)中，測試集中下頜智齒和下頜管的DICE 系數(shù)分別為0.97、0.92；在分類任務(wù)中，準(zhǔn)確性、敏感性、特異性分別為0.93、0.90、0.95。Kwak 等

利用work-in-progress 自動(dòng)化軟件對102 名患者的CBCT 圖像進(jìn)行下頜管自動(dòng)檢測和分割，也表現(xiàn)出了較高的準(zhǔn)確性。上述實(shí)驗(yàn)結(jié)果表明在二維和三維圖像中，人工智能系統(tǒng)在判斷下頜智齒與下頜管的位置關(guān)系的性能良好，有很大的應(yīng)用前景。

1.1.3 牙根縱裂 牙根縱裂（vertical root fracture，VRF）是一種較為嚴(yán)重且隱蔽的慢性損傷性牙體疾病，臨床上常以CBCT 作為診斷的金標(biāo)準(zhǔn)。Fukuda等

選取300 張含有330 顆清晰可見根縱裂牙的曲面體層片用于評估CNN 檢測VRF 的效果，該CNN 檢測出其中267 例，誤檢出20 顆健康牙齒，說明該CNN 對牙根縱裂具有一定的診斷效果，但仍存在不足。

1.2 人工智能在牙周炎影像診斷中的應(yīng)用

Kuwaka 等

用275 張上頜切牙區(qū)有多生牙和275 張沒有多生牙的曲面體層片對AlexNet、VGG-16、Detect-Net 三種深度學(xué)習(xí)模型進(jìn)行訓(xùn)練、驗(yàn)證和測試，將400 張作為訓(xùn)練集，100 張作為驗(yàn)證集和測試集1，50 張作為測試集2，3 個(gè)數(shù)據(jù)集中有多生牙和無多生牙的圖像比例為1:1，同時(shí)所有圖像的診斷結(jié)果由兩名影像科醫(yī)師進(jìn)行審核，并將審核結(jié)果作為標(biāo)準(zhǔn)。其中Detect-Net 的診斷效能最高，VGG-16 的診斷效能最低。對Detect-Net 性能的評估結(jié)果表明，在切牙區(qū)域檢測的召回率（表示檢出正樣本占實(shí)際正樣本總數(shù)的比例）、精確率（表示被分為正例的樣本中實(shí)際為正例的比例）和F1 記數(shù)均為1.0，說明其在曲面體層片中檢測上頜切牙區(qū)域多生牙的準(zhǔn)確性高。

顳下頜關(guān)節(jié)紊亂病是口腔疾病中發(fā)病率第四的常見病。影像學(xué)對顳下頜關(guān)節(jié)的準(zhǔn)確診斷至關(guān)重要，CBCT 已經(jīng)成為診斷顳下頜關(guān)節(jié)骨性改變的金標(biāo)準(zhǔn)，現(xiàn)有研究表明人工智能可輔助顳下頜關(guān)節(jié)紊亂病的診斷。Lee 等

開發(fā)了一種可通過CBCT 圖像自動(dòng)檢測顳下頜關(guān)節(jié)骨性關(guān)節(jié)病的CNN。研究納入314 例診斷為顳下頜關(guān)節(jié)紊亂病且CBCT 表現(xiàn)為顳下頜關(guān)節(jié)骨關(guān)節(jié)病征象的患者的CBCT 圖像，每個(gè)CBCT 選取4～10 張圖像，共獲得3 749 張顯示髁突骨質(zhì)改變的圖像。用兩名經(jīng)驗(yàn)豐富的正畸醫(yī)生和1 名顳下頜關(guān)節(jié)門診專家的診斷結(jié)果作為參考標(biāo)準(zhǔn)，排除關(guān)節(jié)表面骨皮質(zhì)良好的235 張圖像，其余的3 514 張有顳下頜關(guān)節(jié)骨關(guān)節(jié)病，并對該CNN 進(jìn)行訓(xùn)練、驗(yàn)證和測試。結(jié)果測試集中該CNN 的準(zhǔn)確性為0.86，表明該CNN 可以從CBCT 中自動(dòng)檢測顳下頜關(guān)節(jié)中髁突骨質(zhì)變化，輔助臨床醫(yī)生診斷顳下頜關(guān)節(jié)紊亂病。

除了檢測牙槽骨吸收程度外，有研究表明人工智能系統(tǒng)還可以對病變牙齒進(jìn)行定位。Kim等

開發(fā)了一個(gè)可以在曲面體層片中檢測牙周炎及提供病變對應(yīng)牙位的自動(dòng)診斷系統(tǒng)，通過對該系統(tǒng)進(jìn)行訓(xùn)練、驗(yàn)證和測試，結(jié)果表明，這個(gè)系統(tǒng)的AUC、特異性、敏感性及F1 記數(shù)（F1-Score，又稱為平衡F 分?jǐn)?shù)，Balanced Score）稍高于5 位臨床醫(yī)生，說明該系統(tǒng)表現(xiàn)出與臨床醫(yī)生平均水平相當(dāng)?shù)男阅堋?/p>

2.2兩組患者的生活質(zhì)量各項(xiàng)評分情況微信群健康教育組患者的生活質(zhì)量各項(xiàng)評分等情況顯著優(yōu)于常規(guī)健康教育組,具有統(tǒng)計(jì)學(xué)意義(p<0.05)。具體情況見表二。

1.3 人工智能在多生牙和阻生齒影像診斷中的應(yīng)用

牙周炎是世界第六大流行性疾病，可導(dǎo)致刷牙出血、牙槽骨吸收、牙齒脫落等

?，F(xiàn)有研究表明AI 可用于X 線片中牙周炎的檢測。Chang 等

開發(fā)了一種自動(dòng)檢測和分類曲面體層片中單個(gè)牙齒牙槽骨吸收程度的CNN，通過自動(dòng)檢測牙長軸、牙槽骨和釉牙本質(zhì)界水平，對骨吸收百分比進(jìn)行自動(dòng)分析，利用百分比對單個(gè)牙齒牙槽骨吸收程度進(jìn)行自動(dòng)分類，并且根據(jù)2017 年牙周病和植體周病國際分類研討會(huì)提出的新標(biāo)準(zhǔn)對牙周炎進(jìn)行自動(dòng)分期。結(jié)果表明，該方法與影像科醫(yī)師診斷的Pearson 相關(guān)系數(shù)為0.73（

＜0.01），全口組內(nèi)相關(guān)系數(shù)為0.91（

＜0.01），說明該CNN 在牙槽骨吸收的自動(dòng)診斷和牙周炎分期中有較高的準(zhǔn)確性和可靠性。

根尖周炎的首選治療方法是根管治療，而根尖孔定位在根管治療中是一個(gè)重要的步驟，直接決定了根管治療的效果。臨床常以根尖定位儀作為根尖孔定位的金標(biāo)準(zhǔn)，通過X 線片定位根尖孔往往存在一定的誤差?，F(xiàn)有研究表明，使用人工智能可以提高X 線片中根尖孔定位的準(zhǔn)確性。Saghiri 等

在一項(xiàng)尸體研究中用50 顆體外測量根管長度的牙齒作為材料，讓口腔醫(yī)生和人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）評估根管長度。研究發(fā)現(xiàn)，口腔醫(yī)生評估工作長度的準(zhǔn)確性為0.76，而ANN 的準(zhǔn)確性達(dá)0.96。Saghiri 等

的另一項(xiàng)研究表明人工智能系統(tǒng)可以提高X 線片中根尖孔定位的準(zhǔn)確性，可以作為根尖定位儀的替代方案。

1.4 人工智能在口腔頜面部囊性病變影像診斷中的應(yīng)用

1.1.2 根尖周炎 目前通過影像學(xué)診斷根尖周炎的準(zhǔn)確性與醫(yī)生的臨床經(jīng)驗(yàn)相關(guān)

，利用人工智能系統(tǒng)可以避免這個(gè)問題。Ekert 等

對85 名根尖周炎患者曲面體層片進(jìn)行分割，用2 001 個(gè)圖像對CNN 進(jìn)行訓(xùn)練和測試，其中包括切牙、尖牙、前磨牙和磨牙，并將6 名經(jīng)驗(yàn)豐富的口腔醫(yī)生的診斷結(jié)果作為參考標(biāo)準(zhǔn)。結(jié)果表明，該CNN 對于根尖周炎的總體AUC、敏感性、特異性分別為0.85、0.65、0.87；且對磨牙的敏感性顯著高于其他牙齒。Setzer 等

用20 個(gè)含有根尖周炎患者的CBCT 圖像對CNN 進(jìn)行訓(xùn)練，結(jié)果CNN 的敏感性為0.93，特異性為0.88，陽性預(yù)測值為0.87，陰性預(yù)測值為0.93，同樣顯示出了良好的病灶檢測準(zhǔn)確性，說明在圖像中CNN 對根尖周炎有較好的診斷性能。

Poedjiastoeti 等

開發(fā)了一個(gè)用于檢測和鑒別曲面體層片中成釉細(xì)胞瘤和牙源性角化囊腫的CNN，結(jié)果表明，CNN 的敏感性、特異性和準(zhǔn)確性分別為0.82、0.83 和0.83，同樣表現(xiàn)出了較高的診斷準(zhǔn)確性。Lee 等

通過實(shí)驗(yàn)評估了CNN 在CBCT和曲面體層片中對于牙源性角化囊腫、含牙囊腫和根尖周囊腫這三種病變的檢測和診斷，研究共納入了247 例患者，以病理活檢結(jié)果作為金標(biāo)準(zhǔn)。結(jié)果顯示，CNN 對于CBCT 的診斷準(zhǔn)確性為0.91，敏感性為0.96，特異性為0.77。

以上研究表明，在鄰面齲診斷中，人工智能并不能總是有效提高診斷的準(zhǔn)確性，這可能與應(yīng)用的訓(xùn)練模型、X 線片中齲病標(biāo)注的標(biāo)準(zhǔn)和醫(yī)生的診斷經(jīng)驗(yàn)

等有關(guān)系。

1.5 人工智能在顳下頜關(guān)節(jié)紊亂病影像診斷中的應(yīng)用

土地利用總體規(guī)劃所確定的城市村鎮(zhèn)建設(shè)用地，被稱為“圈內(nèi)用地”。為實(shí)施規(guī)劃，需要占用圈內(nèi)用地，涉及農(nóng)用地的，應(yīng)當(dāng)辦理農(nóng)用地轉(zhuǎn)用審批手續(xù)；涉及集體所有土地的，應(yīng)當(dāng)辦理土地征收審批手續(xù)。在已批準(zhǔn)的農(nóng)用地轉(zhuǎn)用范圍內(nèi)，具體建設(shè)項(xiàng)目用地由市、縣人民政府批準(zhǔn)，由市、縣國土資源部門依法供應(yīng)。

2 人工智能在口腔疾病影像診斷中應(yīng)用的局限性

2.1 受到人工標(biāo)注精度的限制

由于許多人工智能模型的訓(xùn)練是在手工標(biāo)注的基礎(chǔ)上完成，一方面醫(yī)師需要足夠的時(shí)間和精力進(jìn)行大量的精細(xì)標(biāo)注，另一方面醫(yī)師主觀因素也會(huì)對標(biāo)注結(jié)果產(chǎn)生一定影響，故在一定程度上這些研究結(jié)果的準(zhǔn)確性都會(huì)受到人工標(biāo)注精度的限制，產(chǎn)生一定的誤差。同時(shí)，由于性能是與醫(yī)師的結(jié)果相對比，故準(zhǔn)確性也是相對而言

。

李大釗同志的農(nóng)民教育思想離不開中國是一個(gè)農(nóng)民人口大國的國情，他在1919年的《青年與農(nóng)村》中提出：“他們（農(nóng)民）若是不解放，就是我們國民全體不解放；他們的苦痛，就是我們國民全體的苦痛；他們的愚暗，就是我們國民全體的愚暗；他們生活的利病，就是我們政治全體的利病。”[2]648-649他的農(nóng)民觀是馬克思主義中國化了的思想實(shí)際，契合中國農(nóng)民大國的實(shí)際，農(nóng)民問題是中國問題之主要問題，農(nóng)民問題的解決將決定著其他問題的走向。

2.2 可解釋性不強(qiáng)

目前人工智能無法應(yīng)用于臨床實(shí)踐的最大技術(shù)局限是其可解釋性不強(qiáng)。人類難以找到人工智能網(wǎng)絡(luò)模型能良好分析數(shù)據(jù)集的原因，更難以在發(fā)生錯(cuò)誤后有目的地對模型進(jìn)行算法改進(jìn)，這可能是人工智能在口腔疾病影像學(xué)應(yīng)用中的最大障礙［25］。

2.3 模型泛化能力弱

所有關(guān)于人工智能訓(xùn)練的普遍問題是實(shí)驗(yàn)中的訓(xùn)練數(shù)據(jù)集小，單個(gè)研究的數(shù)據(jù)集來源多為同一醫(yī)院或機(jī)構(gòu)，這也就決定了人工智能模型在訓(xùn)練集以外的數(shù)據(jù)集上的推廣使用時(shí)，會(huì)出現(xiàn)較大的不穩(wěn)定性

。

經(jīng)過這次的全院固定資產(chǎn)清查盤點(diǎn)，發(fā)現(xiàn)各科室普遍存在國有資產(chǎn)管理意識淡薄，重購置、輕管理的情況，大部分醫(yī)院也有類似情況存在，此外醫(yī)院的資產(chǎn)管理還存在以下常見問題。

2.4 難以開展增量學(xué)習(xí)

現(xiàn)有的各種人工智能訓(xùn)練模型系統(tǒng)框架難以有效開展增量學(xué)習(xí)。神經(jīng)網(wǎng)絡(luò)的權(quán)重連接系數(shù)作為人工智能建立的模型本質(zhì)，它決定了新的網(wǎng)絡(luò)訓(xùn)練模型會(huì)調(diào)改甚至刪除舊訓(xùn)練模型的學(xué)習(xí)結(jié)果，而且這種新的神經(jīng)網(wǎng)絡(luò)調(diào)改沒有定向性，新舊訓(xùn)練數(shù)據(jù)的差異直接決定了新訓(xùn)練網(wǎng)絡(luò)的走向，同時(shí)它也具有一定的隨機(jī)性

。

3 未來與展望

人工智能在口腔頜面部疾病影像診斷中的應(yīng)用已經(jīng)顯示出了很好的性能，人工智能速度快、自動(dòng)化這些優(yōu)點(diǎn)可以很好地緩解影像科醫(yī)師的壓力。隨著科技的不斷發(fā)展，應(yīng)用人工智能是一種必然的趨勢。但是在人工智能系統(tǒng)的訓(xùn)練上還需要進(jìn)一步提高，用于訓(xùn)練人工智能的數(shù)據(jù)集難免會(huì)受偏差的影響，所以人工智能的能力很大程度上取決于算法是如何開發(fā)和訓(xùn)練的

。因此未來的實(shí)驗(yàn)應(yīng)在數(shù)據(jù)集最大程度減小偏差的基礎(chǔ)上，進(jìn)一步提升算法的開發(fā)與訓(xùn)練，提高人工智能的準(zhǔn)確性。

Wang YL wrote the article. Li G reviewed the article. All authors read and approved the final manuscript as submitted.

[1] Beam AL, Kohane IS. Big data and machine learning in health care[J].JAMA,2018,319(13):1317-1318.doi:10.1001/jama.2017.18391.

[2] Heo MS, Kim JE, Hwang JJ, et al. Artificial intelligence in oral and maxillofacial radiology: what is currently possible?[J]. Dentomaxillofac Radiol, 2021, 50(3): 20200375. doi: 10.1259/dmfr.20200375.

[3] Cantu AG, Gehrung S, Krois J, et al. Detecting caries lesions of different radiographic extension on bitewings using deep learning[J].J Dent,2020,100:103425.doi:10.1016/j.jdent.2020.103425.

[4] Devito KL, de Souza Barbosa F, Felippe Filho WN. An artificial multilayer perceptron neural network for diagnosis of proximal dental caries[J]. Oral Surg Oral Med Oral Pathol Oral Radiol Endod,2008,106(6):879-884.doi:10.1016/j.tripleo.2008.03.002.

[5] 林秀嬌,張棟,黃明毅,等.計(jì)算機(jī)輔助診斷根尖X線片圖像中恒牙鄰面齲初探[J].中華口腔醫(yī)學(xué)雜志,2020,55(9):654-660.doi:10.3760/cma.j.cn112144-20200209-00040.Lin XJ, Zhang D, Huang MY, et al. Evaluation of computer-aided diagnosis system for detecting dental approximal caries lesions on periapical radiographs[J] Chin J Stomatol, 2020, 55(9): 654-660.doi:10.3760/cma.j.cn112144-20200209-00040.

[6] 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.

[7] Parker JM,Mol A,Rivera EM,et al.Cone-beam computed tomography uses in clinical fndodontics: observer variability in detecting periapical lesions[J]. J Endod, 2017, 43(2): 184-187. doi:10.1016/j.joen.2016.10.007.

[8] 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.doi:10.1016/j.joen.2019.03.016.

[9] Setzer FC, Shi KJ, Zhang Z, et al. Artificial intelligence for the computer-aided detection of periapical lesions in cone-beam computed tomographic images[J]. J Endod, 2020, 46(7): 987-993. doi:10.1016/j.joen.2020.03.025.

[10] Orhan K, Bayrakdar IS, Ezhov M, et al. Evaluation of artificial intelligence for detecting periapical pathosis on cone-beam computed tomography scans[J]. Int Endod J, 2020, 53(5): 680-689. doi:10.1111/iej.13265.

[11] Saghiri MA, Garcia-Godoy F, Gutmann JL, et al. The reliability of artificial neural network in locating minor apical foramen:a cadaver study[J]. J Endod, 2012, 38(8): 1130-1134. doi: 10.1016/j.joen.2012.05.004.

[12] Saghiri MA,Asgar K,Boukani KK,et al.A new approach for locating the minor apical foramen using an artificial neural network[J].Int Endod J, 2012, 45(3): 257-265. doi: 10.1111/j.1365-2591.2011.01970.x.

[13] Fukuda M, Inamoto K, Shibata N, et al. Evaluation of an artificial intelligence system for detecting vertical root fracture on panoramic radiography[J].Oral Radiol,2020,36(4):337-343.doi:10.1007/s11282-019-00409-x.

[14] Tonetti MS, Jepsen S, Jin LJ, et al. Impact of the global burden of periodontal diseases on health,nutrition and wellbeing of mankind:a call for global action[J]. J Clin Periodontol, 2017, 44(5): 456-462.doi:10.1111/jcpe.12732.

[15] Chang HJ, Lee SJ, Yong TH, et al. Deep learning hybrid method to automatically diagnose periodontal bone loss and stage periodontitis[J].Sci Rep,2020,10(1):7531.doi:10.1038/s41598-020-64509-z.

[16] Kim J, Lee HS, Song IS, et al. DeNTNet: deep neural transfer network for the detection of periodontal bone loss using panoramic dental radiographs[J]. Sci Rep, 2019, 9(1): 17615. doi: 10.1038/s41598-019-53758-2.

[17] Kuwada C,Ariji Y,Fukuda M,et al.Deep learning systems for detecting and classifying the presence of impacted supernumerary teeth in the maxillary incisor region on panoramic radiographs[J].Oral Surg Oral Med Oral Pathol Oral Radiol, 2020, 130(4): 464-469.doi:10.1016/j.oooo.2020.04.813.

[18] Vinayahalingam S, Xi T, Bergé S, et al. Automated detection of third molars and mandibular nerve by deep learning[J]. Sci Rep,2019,9(1):9007.doi:10.1038/s41598-019-45487-3.

[19] Liu MQ, Xu ZN, Mao WY, et al. Deep learning-based evaluation of the relationship between mandibular third molar and mandibular canal on CBCT[J]. Clin Oral Investig, 2022, 26(1): 981-991.doi:10.1007/s00784-021-04082-5.

[20] Kwak GH, Kwak EJ, Song JM, et al. Automatic mandibular canal detection using a deep convolutional neural network[J]. Sci Rep,2020,10(1):5711.doi:10.1038/s41598-020-62586-8.

[21] 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.

[22] 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.

[23] Lee JH,Kim DH,Jeong SN.Diagnosis of cystic lesions using panoramic and cone beam computed tomographic images based on deep learning neural network[J]. Oral Dis, 2020, 26(1): 152-158.doi:10.1111/odi.13223.

[24] Lee KS,Kwak HJ,Oh JM,et al.Automated detection of TMJ osteoarthritis based on artificial intelligence[J]. J Dent Res, 2020, 99(12):1363-1367.doi:10.1177/0022034520936950.

[25] 朱森華, 章樺. 人工智能技術(shù)在醫(yī)學(xué)影像產(chǎn)業(yè)的應(yīng)用與思考[J]. 人工智能, 2020 (3): 94-105. doi: 10.16453/j.cnki.issn2096-5036.2020.03.010.Zhu SH，Zhang H. Application and thinking of artificial intelligence technology in medical imaging industry[J]. AI View, 2020(3):94-105.doi:10.16453/j.cnki.issn2096-5036.2020.03.010.

[26] Jordan MI, Mitchell TM. Machine learning: trends, perspectives,and prospects[J]. Science, 2015, 349(6245): 255-260. doi: 10.1126/science.aaa8415.