人工智能技術(shù)在口腔頜面部X 線及計(jì)算機(jī)斷層掃描影像圖像處理中的應(yīng)用

毛 映， 趙綠揚(yáng)， 龍 潔

（口腔疾病研究國(guó)家重點(diǎn)實(shí)驗(yàn)室，國(guó)家口腔疾病臨床醫(yī)學(xué)研究中心，四川大學(xué)華西口腔醫(yī)院創(chuàng)傷整形外科，四川 成都 610041）

人工智能（AI）指能夠模仿人類(lèi)認(rèn)知技能進(jìn)行 自動(dòng)化決策、處理問(wèn)題等的任何機(jī)器或技術(shù)。 目前，AI 包括機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)及深度學(xué)習(xí)，其中卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是計(jì)算機(jī)視覺(jué)中新興的人工神經(jīng)網(wǎng)絡(luò)（artificial neural network, ANN）和深度學(xué)習(xí)的核心模型，該技術(shù)可在輸入原始像素信息后自動(dòng)提取圖像特征，主要用于處理大型和復(fù)雜的圖像。 醫(yī)學(xué)圖像分割與診斷是AI圖像處理和模式識(shí)別技術(shù)應(yīng)用的重要領(lǐng)域之一，基于圖像的自動(dòng)診斷已應(yīng)用在多種疾病領(lǐng)域[1]，包括肺癌、直腸癌、鼻咽癌等。 近年來(lái)，AI 也已被引入口腔頜面部臨床診療[2]，通過(guò)自動(dòng)檢測(cè)、預(yù)測(cè)或提出治療方案， 為醫(yī)學(xué)專業(yè)人員提供有價(jià)值的輔助信息。本文就AI 在口腔頜面部X 線及CT 圖像信息分析處理中的相關(guān)應(yīng)用進(jìn)行綜述。

1 自動(dòng)化牙齒識(shí)別與分類(lèi)

牙齒的準(zhǔn)確識(shí)別與分類(lèi)不僅關(guān)乎口腔醫(yī)學(xué)的診療， 也可在法醫(yī)學(xué)鑒定中用于個(gè)體信息的甄別。目前， 已有學(xué)者將AI 應(yīng)用于自動(dòng)化識(shí)別并分類(lèi)口腔頜面部X 線及CT 圖像中的牙齒， 以輔助和簡(jiǎn)化上述工作。

Chen 等[3]收集了1 250 張口內(nèi)根尖X 線片圖像，基于CNN 圖像學(xué)習(xí)實(shí)現(xiàn)了模型對(duì)單個(gè)牙齒的自動(dòng)識(shí)別及分類(lèi)標(biāo)注，其準(zhǔn)確率超過(guò)90%。 Tuzoff 等[4]基于全景片數(shù)據(jù)集，采用更為先進(jìn)的Faster R-CNN 結(jié)合VGG-16 CNN 和啟發(fā)式算法構(gòu)建的模型，根據(jù)牙齒的空間排列規(guī)則進(jìn)行檢測(cè)、計(jì)數(shù)和分類(lèi)。 該模型平均準(zhǔn)確度較高，相當(dāng)于高年資影像學(xué)專業(yè)人員的評(píng)判水平。

在對(duì)口腔錐形束CT （cone-beam computed tomography, CBCT）的圖像處理中，Miki 等[5]使用從斷層片中提取的單個(gè)牙齒感興趣區(qū)域（region of interest, ROI）來(lái)訓(xùn)練深度卷積神經(jīng)網(wǎng)絡(luò)（deep convolutional neural network, DCNN)，其平均牙齒識(shí)別及分類(lèi)準(zhǔn)確率可達(dá)88.8%。Esmaeilyfard 等[6]選擇了CBCT圖像中牙齒結(jié)構(gòu)的9 個(gè)線性特征來(lái)訓(xùn)練樸素貝葉斯、 隨機(jī)森林和支持向量機(jī)模型以預(yù)測(cè)患者性別，平均準(zhǔn)確率為92.31%，其性別分類(lèi)預(yù)測(cè)結(jié)果達(dá)到了可接受的水平。

上述研究結(jié)果表明，AI 具有輔助口腔醫(yī)生記錄牙齒并編號(hào)從而提高臨床工作效率的潛能，同時(shí)可以作為法醫(yī)人類(lèi)學(xué)鑒定的輔助工具，豐富了鑒定手段。

2 牙體及牙周疾病的輔助診斷與評(píng)估

齲壞發(fā)生在深窩溝、鄰接區(qū)或修復(fù)體周?chē)入[蔽位置時(shí)難以被早期發(fā)現(xiàn)，多依賴于醫(yī)生的經(jīng)驗(yàn)性診斷，故存在一定的漏診率及誤診率。 Lee 等[7]通過(guò)根尖片中的齲齒圖像特征來(lái)訓(xùn)練DCNN 診斷齲齒性能，結(jié)果顯示，受試者工作特征曲線（receiver operator characteristic curve, ROC）的曲線下面積（area under curve, AUC） 在前磨牙區(qū)和磨牙區(qū)分別為0.917 和0.890，該學(xué)者認(rèn)為若擴(kuò)大樣本量并納入病史、叩診等其他臨床檢查參數(shù)，其智能診斷的準(zhǔn)確度還可進(jìn)一步提升。

在牙根及根尖病變成像診斷方面，Johari 等[8]設(shè)計(jì)了概率神經(jīng)網(wǎng)絡(luò)模型（probabilistic neural network,PNN）以診斷根尖片和CBCT 圖像中離體單根前磨牙的牙根縱裂，其最大準(zhǔn)確率分別為70.0%和96.6%。Ekert 等[9]基于全景片中根尖病變圖像訓(xùn)練CNN 得到的模型AUC 為0.85。

在牙周炎診治中常借助全景片來(lái)評(píng)估全口牙周骨質(zhì)的情況。 Kim 等[10]結(jié)合DCNN、遷移學(xué)習(xí)和臨床知識(shí)設(shè)計(jì)了DeNTNet 模型以評(píng)估全景片中牙周骨質(zhì)丟失，并依據(jù)牙聯(lián)標(biāo)記獲得病變區(qū)的牙齒數(shù)目，結(jié)果顯示，平均AUC 大于0.90。 Chang等[11]在分類(lèi)型傳統(tǒng)計(jì)算機(jī)輔助診斷系統(tǒng)中加入改良CNN 后構(gòu)建的混合框架， 實(shí)現(xiàn)了在全景片中對(duì)單顆牙齒牙周骨質(zhì)丟失的自動(dòng)檢測(cè)、分類(lèi)和牙周炎分期，模型準(zhǔn)確度與經(jīng)驗(yàn)豐富的放射科醫(yī)生高度相近。

3 顱頜面部骨性標(biāo)志的頭影測(cè)量及正畸與正頜的治療方案預(yù)測(cè)

頭影測(cè)量是正畸及正頜外科中必不可缺的常規(guī)診療手段。 Arik 等[12]首次將DCNN 應(yīng)用于識(shí)別頭顱側(cè)位片，在選中的19 個(gè)標(biāo)志點(diǎn)中，2 mm 內(nèi)誤差的檢測(cè)成功率為76%。 Park 等[13]將標(biāo)志點(diǎn)增加到80 個(gè)，并運(yùn)用基于CNN 的YOLOv3 方法檢測(cè)，其中19 個(gè)主要標(biāo)志點(diǎn)2 mm 內(nèi)誤差范圍的檢測(cè)成功率為80.4%，與專業(yè)人員檢測(cè)的平均誤檢差小于0.9 mm，且重復(fù)性明顯高于人工標(biāo)注。

在自動(dòng)化標(biāo)注基礎(chǔ)上， 許多學(xué)者運(yùn)用AI 進(jìn)行后續(xù)的測(cè)量分析。 Jung 等[14]建立的決策系統(tǒng)根據(jù)頭顱側(cè)位片中12 個(gè)特征來(lái)預(yù)測(cè)正畸拔牙方案， 總決策準(zhǔn)確率為93%。 Choi 等[15]設(shè)計(jì)的機(jī)器學(xué)習(xí)模型可通過(guò)側(cè)位片對(duì)骨性錯(cuò)頜進(jìn)行簡(jiǎn)單分類(lèi)并決策是否需要介入手術(shù)，總分類(lèi)和決策成功率分別為91%和96%。 以上智能模型雖準(zhǔn)確度較高，但均沒(méi)有納入骨性不對(duì)稱或頜面畸形的患者， 因此仍需進(jìn)一步優(yōu)化。

4 頜骨疾病的診斷

在骨質(zhì)疏松的診斷中通常以骨密度儀測(cè)量的骨密度值作為參考標(biāo)準(zhǔn)， 但由于數(shù)據(jù)干擾因素較多，其結(jié)果存在一定偏差。 Lee 等[16]構(gòu)建了單列DCNN、 數(shù)據(jù)增強(qiáng)的單列DCNN 和多列DCNN 3 種模型，其根據(jù)全景片診斷骨質(zhì)疏松的AUC 為0.976 3～0.999 1， 模型準(zhǔn)確度相當(dāng)于經(jīng)驗(yàn)豐富的放射科醫(yī)生。 因此，對(duì)大樣本人群老年患者骨質(zhì)疏松的診斷可借助AI 經(jīng)全景片進(jìn)行有效篩查。

上頜竇炎在全景片中的表現(xiàn)易被臨床醫(yī)師忽視。Kim 等[17]運(yùn)用華氏位X 線圖像訓(xùn)練CNN 檢測(cè)上頜竇炎，AUC 約為0.9。 Murata 等[18]基于全景片數(shù)據(jù)集訓(xùn)練的CNN 模型對(duì)上頜竇炎檢測(cè)的準(zhǔn)確率為87.5%。 這些智能模型的準(zhǔn)確度較高，可為缺乏經(jīng)驗(yàn)的醫(yī)師提供診斷支持。

5 腫瘤及區(qū)域淋巴結(jié)轉(zhuǎn)移的診斷

口腔癌是臨床治療的難點(diǎn)和重點(diǎn)，晚期癌癥的治療效果差且費(fèi)用高，公眾的認(rèn)知缺乏和衛(wèi)生人員的臨床經(jīng)驗(yàn)有限，常導(dǎo)致腫瘤延遲診斷。 常規(guī)篩查手段結(jié)合AI 自動(dòng)檢測(cè)系統(tǒng)有望為臨床提供低成本但高效的診斷方法。 使用自適應(yīng)中值濾波器和Gabor 濾波器預(yù)處理CT 二維圖像并提取特征后，采用支持向量機(jī)分類(lèi)器構(gòu)建健康預(yù)警系統(tǒng)模型對(duì)圖像進(jìn)行良、惡性分類(lèi)可獲得較高的準(zhǔn)確率。 Xu 等[19]在二維圖像識(shí)別的基礎(chǔ)上嘗試提取腫瘤的三維空間信息， 同時(shí)結(jié)合腫瘤在動(dòng)態(tài)增強(qiáng)CT 檢查中的表現(xiàn)，構(gòu)建了包含空間特征和空間動(dòng)力學(xué)特征的三維CNN診斷模型以識(shí)別早期惡性腫瘤，結(jié)果顯示，在層次結(jié)構(gòu)相同的情況下，三維CNN 模型的診斷準(zhǔn)確性顯著高于二維CNN 模型。上述研究表明，在衛(wèi)生資源有限的情況下，AI 的應(yīng)用有助于遠(yuǎn)程醫(yī)療的積極推廣。

在頜面部惡性腫瘤的治療過(guò)程中，是否存在區(qū)域淋巴結(jié)轉(zhuǎn)移可直接影響治療方案的選擇和預(yù)后情況。Ariji 等[20]使用AlexNet 模型及Caffe 框架學(xué)習(xí)口腔癌患者頸部淋巴結(jié)的增強(qiáng)CT 圖像， 分析淋巴結(jié)轉(zhuǎn)移和淋巴結(jié)結(jié)外侵犯的診斷準(zhǔn)確率分別為78.2%和84.0%， 類(lèi)似的智能模型可作為輔助工具指導(dǎo)頭頸部癌癥患者的臨床決策。

綜上所述， 近年來(lái)，AI 技術(shù)已經(jīng)越來(lái)越多地應(yīng)用于包括診斷成像在內(nèi)的各醫(yī)學(xué)領(lǐng)域。 本文檢索的大多數(shù)研究都集中于基于CNN 和ANN 構(gòu)建的AI模型， 這些模型通過(guò)對(duì)口腔頜面部X 線及CT 影像圖像的分析有效地幫助了臨床診斷和決策，所采用的AI 自動(dòng)化系統(tǒng)表現(xiàn)出了穩(wěn)定有效的性能。 AI 技術(shù)模仿受過(guò)嚴(yán)格訓(xùn)練的專業(yè)人員，在疾病的診斷中表現(xiàn)出了近似于甚至高于專業(yè)人員的準(zhǔn)確度。 需要關(guān)注的是，AI 模型的準(zhǔn)確率與納入數(shù)據(jù)的數(shù)量密切相關(guān)， 目前報(bào)道的相關(guān)研究數(shù)據(jù)量都有限，海量數(shù)據(jù)庫(kù)的出現(xiàn)是降低AI 計(jì)算錯(cuò)誤的有效手段。假以時(shí)日， 通過(guò)數(shù)據(jù)的不斷擴(kuò)大及軟件算法的進(jìn)一步完善，AI 技術(shù)在臨床診斷和治療中將會(huì)有更廣泛的應(yīng)用， 從而減少臨床實(shí)踐差異并提高數(shù)字診療的高效性與精準(zhǔn)性。