口腔種植決策的“類腦智能化”

陳澤濤， 曾培生， 劉海雯， 施夢汝， 陳世杰， 陳卓凡

中山大學(xué)光華口腔醫(yī)學(xué)院·附屬口腔醫(yī)院口腔種植科 廣東省口腔醫(yī)學(xué)重點實驗室，廣東 廣州（510055）

口腔健康作為人體健康的重要組成部分，是提高人群生活質(zhì)量的必要保障之一。然而，我國人群的牙列缺損及缺失發(fā)生率普遍較高，根據(jù)第四次全國口腔流行病學(xué)調(diào)查結(jié)果，35 ～44 歲中青年人群中，牙缺失率約為32.3%，65～74 歲老年人當中，牙缺失率約為81.7%［1］。牙列缺損或缺失會影響患者的咀嚼及發(fā)音功能，同時影響患者的心理健康。種植修復(fù)因其強大的咀嚼功能及較長的使用壽命等優(yōu)點，成為當前牙列缺損修復(fù)的首選。

以智能手術(shù)機器人為代表的人工智能技術(shù)（artificial intelligence，AI）已經(jīng)成為口腔種植科技術(shù)革新的前沿?zé)狳c之一。種植手術(shù)機器人經(jīng)過20年的發(fā)展，已經(jīng)基本實現(xiàn)在術(shù)前規(guī)劃種植路徑的前提下以高精度完成模型或動物種植手術(shù)的目標［2-4］。然而，即使目前的種植手術(shù)機器人已基本實現(xiàn)“手術(shù)操作智能”，但仍需要依賴臨床醫(yī)師在術(shù)前針對不同患者進行種植決策及方案設(shè)計，并根據(jù)輸入指令執(zhí)行手術(shù)方案，無法實現(xiàn)種植診療過程完全智能化［5-6］。

人工智能的發(fā)展離不開腦科學(xué)的進展，借鑒腦神經(jīng)精細結(jié)構(gòu)及信息處理加工機制所發(fā)展的類腦智能（brain-inspired intelligence），是以計算建模為手段，受腦神經(jīng)機制和認知行為機制啟發(fā)，并通過軟硬件協(xié)同實現(xiàn)的機器智能，其目標是使機器以類腦的方式實現(xiàn)人類具有的各種認知能力及其協(xié)同機制［7-8］。隨著大數(shù)據(jù)及人工智能時代的到來，強大的算力可以支撐計算機充分利用大數(shù)據(jù)獲得更多規(guī)律，進行知識的學(xué)習(xí)。因此，賦予種植手術(shù)機器人以種植決策“類腦”，使其在種植決策及方案制定上具有與臨床種植醫(yī)師相當?shù)哪芰Γ?jīng)臨床醫(yī)師確認方案，最終實現(xiàn)手術(shù)操作智能前提下的種植診療流程完全智能化，這將是未來種植機器人研究的前沿方向之一。

本文將類腦智能視為未來種植機器人的發(fā)展方向之一，從人腦信息處理機制出發(fā)，結(jié)合類腦智能的概念及進展，闡述并展望種植決策類腦智能化可行方法；并進一步結(jié)合本團隊前期研究成果，以種植臨床中的即刻種植方案制定為例，探討類腦智能在即刻種植時機智能決策中的實現(xiàn)過程，為后續(xù)種植決策全面“類腦智能化”研究提供范本。

1 類腦智能可由神經(jīng)網(wǎng)絡(luò)實現(xiàn)種植方案智能決策

人類的認知過程可基本概括為信息的流動過程，包括信息輸入、處理、輸出和反饋等環(huán)節(jié)，由人的感覺、知覺、記憶、思維等認知要素組成［9］。由人體感受器所帶來的視覺及聽覺等感覺構(gòu)成了信息處理的第一步，直接反映客觀事物的物理屬性（例如物體的顏色、形狀、聲音等），知覺以感覺為前提，在綜合了多種感覺的基礎(chǔ)上形成的客觀事物整體映像，兩者共同構(gòu)成了認知過程的起點。在以上信息編碼通過神經(jīng)系統(tǒng)被人腦接收后，將以短時記憶的形式喚醒人腦中的記憶系統(tǒng)。當某個知覺對象一旦被知覺及記憶歸類確定后，將進入對信息的思維和決策過程，并經(jīng)決策決定對它做出某種行動，這個決策將以指令形式輸送到效應(yīng)器官，支配效應(yīng)器官做出相應(yīng)的動作［10］。然而，思維及決策系統(tǒng)并非憑空產(chǎn)生，是在人類認識世界的過程中通過“認知——反應(yīng)執(zhí)行——反饋”閉環(huán)不斷完善及補充的，其中反饋是將效應(yīng)器官做出相應(yīng)動作的結(jié)果作為一種新的刺激，借助于反饋信息，對已有的信息圖式（schema）進行修正更新，從而更為有效地調(diào)節(jié)效應(yīng)器官的活動。

類腦智能，旨在利用軟硬件設(shè)備，模擬人類大腦的認知行為機制及腦神經(jīng)機制，使機器達到或超越人類的智能，從而實現(xiàn)人類具有的多種認知能力及其協(xié)同機制［11-12］。目前，以傳感器為代表的信息接收器已在功能上不斷接近人類的感受器，如視覺傳感器及觸覺傳感器等［13］，將接收到的信息通過機器編碼處理的形式進行識別，并以特定形式將數(shù)據(jù)保存，同時將信息輸入思維決策端。基于人類的基本認知過程及腦神經(jīng)機制，以人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）為代表的AI 技術(shù)在靜態(tài)視覺領(lǐng)域模擬了人腦從接收信息到思維決策的過程，從信息處理角度對人腦神經(jīng)元網(wǎng)絡(luò)進行抽象和模擬，將大量的節(jié)點（神經(jīng)元）按不同的連接方式組成不同的網(wǎng)絡(luò)，人工神經(jīng)元的輸入層模擬樹突接收來自其他神經(jīng)元輸入的信號，通過激活函數(shù)模擬軸突控制信號的輸出，輸出層模擬突觸對結(jié)果進行輸出，輸出的信息傳遞到下一個神經(jīng)元，建立神經(jīng)元的數(shù)學(xué)模型［14-15］。ANN具有可被調(diào)節(jié)的權(quán)重，隨著信息輸入不斷學(xué)習(xí)優(yōu)化，并儲存下來，形成最終的網(wǎng)絡(luò)擬合函數(shù)，經(jīng)過優(yōu)化后的ANN 面對同樣性質(zhì)的信息，將通過函數(shù)擬合出相對的標準解答，從而模擬人腦的記憶喚醒、思維及決策過程［16-17］。通過模擬人腦信息處理過程而輸出的智能決策結(jié)果，再交由機器人執(zhí)行，從而實現(xiàn)初步的類腦智能化（圖1）。

Figure 1 Basic cognitive process of human brain and feasible brain-like intelligent information processing and decisionmaking process圖1 人腦的基本認知過程及可行的類腦智能信息處理與決策流程

如上所述，口腔種植機器人具備十分廣闊的應(yīng)用前景及預(yù)期的種植精度，然而，無論是主從式還是自主式機器人，在目前階段均只實現(xiàn)了“手術(shù)操作智能”，仍需依賴臨床醫(yī)師進行術(shù)前種植決策及方案設(shè)計；另一方面，由于復(fù)雜繁瑣的術(shù)前準備過程，種植手術(shù)機器人的手術(shù)時間往往比臨床醫(yī)師更長，其中就包含醫(yī)師在術(shù)前進行種植方案的設(shè)計并導(dǎo)入系統(tǒng)的過程。如何賦予種植手術(shù)機器人以“類腦”，使其具有與臨床種植醫(yī)師相當?shù)男g(shù)前種植決策及方案制定能力，是研究者思考的關(guān)鍵問題。基于人腦的認知行為機制及腦神經(jīng)機制啟發(fā)，通過神經(jīng)網(wǎng)絡(luò)實現(xiàn)類腦智能化決策，將有望實現(xiàn)種植手術(shù)全流程智能化。

2 臨床決策指標及臨床路徑智能化是種植類腦智能的探索方向之一

為實現(xiàn)種植手術(shù)機器人的種植決策類腦智能化，機器人臨床智能思維及決策將是關(guān)鍵步驟。循證醫(yī)學(xué)（evidence-based medicine，EBM）背景下的臨床決策并非伴隨高風(fēng)險及高隨機性的經(jīng)驗決策，而是基于臨床醫(yī)學(xué)證據(jù)的科學(xué)決策［18］。循證醫(yī)學(xué)的實踐過程需將經(jīng)過嚴格評價的臨床研究證據(jù)與臨床決策相結(jié)合，執(zhí)行最新最佳的循證臨床實踐指南（evidence-based clinical practice guidelines，E-CPGs）或臨床路徑（clinical pathway），以提高醫(yī)療的質(zhì)量，規(guī)范醫(yī)療行為。在這個過程中，臨床醫(yī)師既是臨床證據(jù)的使用者，更是臨床證據(jù)的挖掘者［19］。結(jié)合自身臨床經(jīng)驗，臨床醫(yī)師依據(jù)自身在臨床診療過程中發(fā)現(xiàn)的問題，通過有效地檢索、搜尋回答有關(guān)問題的最可靠的證據(jù)，進行臨床研究證據(jù)等級判斷及臨床實用性評價，并應(yīng)用于臨床實踐中，根據(jù)實踐結(jié)果進行反饋，通過“提出問題——搜集證據(jù)——評價證據(jù)——使用證據(jù)——再評價”的閉環(huán)優(yōu)化，最終得到具有重要臨床指示意義的臨床決策指標［20-21］。而在按照循證醫(yī)學(xué)的方法廣泛獲取臨床證據(jù)的基礎(chǔ)上形成的一組臨床指導(dǎo)意見，即循證臨床實踐指南或臨床路徑，具有高度科學(xué)性和權(quán)威性，用以指導(dǎo)臨床醫(yī)師作出合理的診療判斷［22］。

臨床醫(yī)師需基于臨床技能采集大量多元醫(yī)學(xué)信息，在獲取的醫(yī)學(xué)信息中找出對應(yīng)的決策指標，通過整合不同決策因素并進行臨床判斷，快速確定每位患者的臨床指征，完成風(fēng)險評估、邏輯推理和最終決策，根據(jù)適合的臨床證據(jù)采取有效的干預(yù)措施，最終為患者提供科學(xué)有效的治療及支持。而“臨床檢查——獲取決策指標信息——確定臨床指征——科學(xué)干預(yù)”的臨床診療過程即可概括為“臨床路徑”的執(zhí)行過程［23］?；谘C醫(yī)學(xué)背景，臨床診療過程可認為是針對不同病種的科學(xué)臨床路徑的執(zhí)行過程。換言之，若要實現(xiàn)醫(yī)學(xué)領(lǐng)域的“類腦智能”，臨床決策指標智能化預(yù)測以及由此得出的臨床循證路徑智能化執(zhí)行將是主要探索方向，這為種植手術(shù)機器人類腦智能化提供了可行思路。

通過臨床循證研究厘清臨床決策指標及臨床路徑后，如何挖掘臨床決策指標數(shù)據(jù)信息，并采用何種方式完成臨床決策指標的智能化預(yù)測，從而實現(xiàn)臨床路徑的智能化執(zhí)行？大數(shù)據(jù)（big data）及深度學(xué)習(xí)（deep learning）將起到重要作用。現(xiàn)實中，臨床醫(yī)師在對不同患者進行疾病評估及設(shè)計治療方案時，需要首先獲取相關(guān)的決策因素，并對這些決策指標進行定量或定性轉(zhuǎn)化，方可進行評估并最終確定指征，在這個過程中將產(chǎn)生大量非結(jié)構(gòu)化數(shù)據(jù)；另一方面，數(shù)據(jù)提取、集成、存儲方式等的進步及存儲介質(zhì)的發(fā)展，使得具有大規(guī)模、高速更新及多樣性特征的大數(shù)據(jù)庫構(gòu)建成為可能。而以人工神經(jīng)網(wǎng)絡(luò)為技術(shù)原理的深度學(xué)習(xí)網(wǎng)絡(luò)的學(xué)習(xí)及訓(xùn)練過程則需要數(shù)據(jù)的支撐：通過標準化流程對決策指標進行數(shù)據(jù)轉(zhuǎn)換從而構(gòu)建的大數(shù)據(jù)庫，將為臨床決策指標的智能化預(yù)測提供“學(xué)習(xí)資料”，深度學(xué)習(xí)通過把海量臨床決策因素數(shù)據(jù)投放到模型中，不斷自我學(xué)習(xí)，豐富自我認識，最終實現(xiàn)對全決策指標的智能預(yù)測及臨床路徑的智能執(zhí)行［24］。目前，以深度學(xué)習(xí)為代表的人工智能技術(shù)已在醫(yī)學(xué)等多領(lǐng)域得到成熟應(yīng)用，并因其精確、快速、智能等優(yōu)點具有充足的發(fā)展?jié)摿翱臻g。

在口腔種植領(lǐng)域，種植方案的設(shè)計需綜合考慮多種因素，如種植位點、種植術(shù)式、種植時機及患者因素等，不同種植方案的設(shè)計均需參考多種臨床決策指標。近年來，已有多位學(xué)者將種植決策因素凝練為不同適用條件下的科學(xué)種植臨床路徑［25-26］。Plonka 團隊通過總結(jié)臨床文獻，將牙槽骨骨喪失高度作為評估垂直向骨增量術(shù)式的臨床指標，并總結(jié)出輕度（＜4 mm）、中度（4 ～6 mm）及重度骨缺損（＞6 mm）的推薦術(shù)式。對于輕度骨缺損，引導(dǎo)骨組織再生術(shù)及外置法植骨術(shù)更受推薦；中度骨缺損則推薦使用分階段引導(dǎo)骨組織再生術(shù)，重度骨缺損則推薦在引導(dǎo)骨組織再生術(shù)的基礎(chǔ)上使用不可吸收性膜［25］。Shanbhag 等［27］依據(jù)上頜竇內(nèi)息肉樣病變、黏膜增厚程度及竇腔通暢程度等因素作為評價上頜竇炎癥的評價指標，并提出上頜竇提升術(shù)適應(yīng)證臨床評估路徑，即針對患者上頜竇影像判斷是否存在黏膜增厚及息肉樣病變，存在病變者進一步判斷竇腔通暢程度，竇腔阻塞者及竇腔通暢但存在上頜竇炎癥狀者建議轉(zhuǎn)診至耳鼻喉科進行徹底治療，不適合進行上頜竇提升術(shù)。Bassetti 等［28］根據(jù)種植位點角化齦寬度及軟組織缺損程度將軟組織形態(tài)分為Ⅰ～Ⅳ型，分別是種植體頰部的角化齦寬度為≥2 mm、種植體頰部的角化齦寬度為＜2 mm（可伴唇頰系帶牽拉）、角化齦寬度為＜2 mm 伴隨軟組織開裂、種植體舌側(cè)無或僅有少量角化齦，并提出推薦的軟組織移植術(shù)式：對于Ⅱ型，則推薦使用前庭成形術(shù)+游離齦移植術(shù)；對于Ⅲ型，需要先進行上皮下結(jié)締組織移植術(shù)+冠向復(fù)位瓣，3 個月后行隧道技術(shù)及前庭成形術(shù)+游離齦移植術(shù)；而對于Ⅳ型，則需視具體情況選擇術(shù)式。Steigmann 等［29］將提出并評價唇側(cè)骨壁厚度、骨開裂及骨開窗程度等指標，將空虛牙槽窩形態(tài)分為3 型，分別是STⅠ型（唇側(cè)骨壁完整）、STⅡ型（唇側(cè)骨板存在骨開裂）及STⅢ型（唇側(cè)骨板存在骨開窗），并總結(jié)出臨床位點保存術(shù)的術(shù)式選擇路徑：STⅠ型在唇側(cè)骨壁厚度＜1 mm 時推薦采取膠原顆粒物移植并縫合；STⅡ型及骨開窗的高度小于唇側(cè)骨高度1/3 的STⅢ型則推薦將可吸收膜置于牙槽窩內(nèi)覆蓋裂口，充填移植物，以間斷縫合將膜縫合到腭組織；嚴重的STⅢ型則推薦使用不可吸收膜替代可吸收膜，并視情況考慮結(jié)合牙周手術(shù)?？梢?，臨床路徑的總結(jié)有利于規(guī)范臨床診療流程，而其中的臨床指標均為定性或定量指標，可運用AI 技術(shù)進行智能預(yù)測。然而，運用AI 手段智能化執(zhí)行臨床路徑的相關(guān)研究仍少見報道。因此，挖掘種植方案相關(guān)決策指標，厘清種植方案設(shè)計路徑，并通過大數(shù)據(jù)及人工智能實現(xiàn)全部種植方案的智能化設(shè)計，是實現(xiàn)種植手術(shù)機器人種植決策類腦智能化的可行方案之一，具有廣泛前景（圖2）。

Figure 2 Implementation scheme of brain-like intelligence for implant decision-making of oral implant surgery robot圖2 口腔種植手術(shù)機器人種植決策類腦智能化實現(xiàn)可行方案

3 以即刻種植時機決策初步探討種植類腦智能化

即刻種植時機的臨床決策一直被認為是種植臨床中的難點，結(jié)合ITI 種植指南及多項臨床研究［30］，即刻種植方案的制定涉及多項關(guān)鍵決策因素的綜合評估，以獲得理想和可預(yù)測的結(jié)果。以外科解剖因素為例，足夠的前牙唇側(cè)骨壁骨厚度將為即刻種植牙槽嵴豐滿度及遠期美學(xué)預(yù)后提供基本保障［31］；前牙區(qū)牙齦生物型用于評估即刻種植美學(xué)風(fēng)險［32］；種植位點根尖區(qū)骨量將是決定即刻種植初期穩(wěn)定性的重要因素［33］；牙根傾斜度能提示前牙周圍軟硬組織狀態(tài)，并以修復(fù)為導(dǎo)向為即刻種植時機決策及術(shù)式提供參考等［30］。除此之外，修復(fù)因素、美學(xué)因素及患者全身因素等均可能影響即刻種植方案的制定及設(shè)計。臨床醫(yī)師在對前牙美學(xué)區(qū)即刻種植病例進行臨床評估時，往往存在耗時長、考慮不全面、錯誤率高等問題，而種植決策類腦智能的研究與開發(fā)有望實現(xiàn)即刻種植時機智能高效評估與決策。以下將總結(jié)團隊研究成果，就即刻種植時機決策探討其類腦智能化的實現(xiàn)過程。

3.1 明晰即刻種植時機決策指標，總結(jié)臨床路徑

即刻種植時機決策需要術(shù)前審慎細致的評估，統(tǒng)籌考慮各項決策指標。根據(jù)上文提出的種植機器人種植決策類腦智能化實現(xiàn)方案，首要任務(wù)為根據(jù)臨床循證證據(jù)總結(jié)即刻種植時機決策相關(guān)指標，并厘清臨床路徑。因此，本團隊在前期廣泛搜集了與即刻種植時機決策相關(guān)的臨床決策指標，并評判其臨床研究證據(jù)等級，明晰高質(zhì)量決策指標，以支持后續(xù)智能化研究［34］。其中，決策指標包括修復(fù)因素（磨牙癥、修復(fù)空間）、患者全身因素（雙磷酸鹽藥物史、放療史、骨質(zhì)疏松癥、糖尿?。⒊跗诜€(wěn)定性、局部感染因素、美學(xué)因素（唇側(cè)骨壁厚度、牙齦生物型）及骨量因素等，總結(jié)出是否可進行即刻種植的適應(yīng)證、相對及絕對禁忌證，以此探討并提出了即刻種植時機決策臨床路徑，即按照修復(fù)因素、全身因素、初期穩(wěn)定性評估、局部感染因素、美學(xué)因素、骨量因素依次進行即刻種植適應(yīng)證評估。該臨床路徑總結(jié)了現(xiàn)階段與即刻種植時機相關(guān)的大部分決策因素，有利于臨床醫(yī)師更全面科學(xué)地評估是否可進行即刻種植。其中路徑中的決策指標均為定性及定量指標，可支持指標數(shù)據(jù)化及深度學(xué)習(xí)過程。

3.2 構(gòu)建智能化所需原始資料庫

進一步，根據(jù)臨床路徑中所涉及的決策指標，進行數(shù)據(jù)庫構(gòu)建，在足夠的數(shù)據(jù)支撐下方可進行深度學(xué)習(xí)。其中，團隊選取即刻種植時機決策路徑中包含的牙根傾斜度（sagittal root angle）指標，在嚴格的納入及排除標準下獲取患者CBCT 文件，并采用標準化方法獲取CBCT 影像上前牙標準矢狀截面的同時進行數(shù)據(jù)提取、清洗、集成及儲存，以獲得包括牙根傾斜度在內(nèi)的多項上前牙軟硬組織指標數(shù)據(jù)，構(gòu)建訓(xùn)練數(shù)據(jù)庫，并針對數(shù)據(jù)進行統(tǒng)計分析，闡述矢狀面交角在即刻種植時機決策中的臨床指示意義，輔助指導(dǎo)臨床決策［35］。根據(jù)本團隊研究成果，矢狀面交角不僅與即刻種植相關(guān)軟硬組織指標存在一定相關(guān)性，也可單獨作為一項決策指標指示即刻種植時機決策及種植體三維位置，具有一定臨床意義。

3.3 深度學(xué)習(xí)完成臨床決策指標的智能化預(yù)測

在此基礎(chǔ)上，完成即刻種植時機決策臨床路徑中的所有決策指標的智能化預(yù)測，將實現(xiàn)該路徑的智能判斷及執(zhí)行，使種植手術(shù)機器人獲得與臨床醫(yī)師相當?shù)募纯谭N植時機決策能力。為此，本團隊邁出了智能化預(yù)測即刻種植時機決策相關(guān)指標的第一步，實現(xiàn)了前牙牙根矢狀面角度的智能輸出。卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，是深度學(xué)習(xí)（deep learning）的代表算法之一。為最大限度接近人腦思維過程，實現(xiàn)輸入原始矢狀面截圖即可預(yù)估上前牙矢狀面交角的智能效果，本團隊采用“端對端”（end-to-end）弱監(jiān)督訓(xùn)練方法，將原始訓(xùn)練資料按一定比例劃分為訓(xùn)練集、驗證集及測試集，以未加任何額外標注（label）的原始圖像及角度標簽作為訓(xùn)練對象，輸入選定的CNN 中進行模型訓(xùn)練及參數(shù)優(yōu)化，并模擬人腦視覺處理中對感興趣區(qū)域的關(guān)注，采取類激活映射等權(quán)重可視化方法解釋模型熱區(qū)，最終成功構(gòu)建牙根傾斜度AI 預(yù)測工具，經(jīng)過算法級及數(shù)據(jù)級的結(jié)果評價，證實模型的有效性及精確性，最終實現(xiàn)高精度輸出上前牙CBCT 矢狀截面牙根傾斜度指標的目標［35］。

在未來完成所有即刻種植時機決策相關(guān)臨床指標的智能化預(yù)測及循證臨床路徑的智能化執(zhí)行后，將實現(xiàn)即刻種植時機決策類腦智能化。以此作為啟發(fā)及示范，最終將完成種植手術(shù)機器人臨床種植決策類腦智能化。

4 總結(jié)與展望

在醫(yī)學(xué)人工智能領(lǐng)域，利用傳感器將外界信息以機器能識別的形式進行輸入，并通過醫(yī)學(xué)類腦智能進行智能決策，在手術(shù)機器人已基本達成“手術(shù)操作智能”的前提下，將實現(xiàn)醫(yī)療領(lǐng)域的完全智能化。然而，一方面，用于確定臨床決策指標的臨床檢查手段仍受限于檢查方法不統(tǒng)一、檢查精度不理想等缺陷，甚至可能出現(xiàn)檢查結(jié)果前后不一、臨床醫(yī)師難以定論等問題，導(dǎo)致智能化應(yīng)用受限，但隨著檢查技術(shù)的進步及檢查方法的規(guī)范，未來此類問題將逐漸被解決；另一方面，人類對人腦的信息處理過程仍存在諸多未知，現(xiàn)階段仍不存在任何一個智能系統(tǒng)能夠在多方面接近人腦水平，例如，現(xiàn)階段的機器在信息處理效率及能耗上均劣于人腦，人腦可通過關(guān)聯(lián)想象等心理活動對無關(guān)事物進行記憶喚醒及思維決策，并通過行為反饋不斷豐富優(yōu)化思維方式，這意味著，目前階段的類腦智能仍只能停留在初步探索及類比模擬階段［8,14］。但是，這并不意味著醫(yī)學(xué)領(lǐng)域類腦智能的探索及研發(fā)只能停滯不前。從應(yīng)用角度出發(fā)，在大數(shù)據(jù)時代及人工智能逐步發(fā)展的今天，以ANN為代表的模擬人腦信息處理方式的智能化預(yù)測手段已達到一個理想的高度，配合臨床決策過程循證及指標可數(shù)據(jù)化的特點，這意味著大數(shù)據(jù)及深度學(xué)習(xí)所支撐的臨床決策指標智能化預(yù)測及臨床循證路徑智能化執(zhí)行，將是實現(xiàn)醫(yī)學(xué)決策類腦智能化的探索方向之一，而隨著腦科學(xué)研究的不斷深入，醫(yī)學(xué)類腦智能在處理效率及思維方式等方面仍有上升的空間［36］。同時，本文作者并不否認臨床醫(yī)師在未來的智能化診療趨勢中所起的重要作用，出于倫理及安全性等考慮，臨床醫(yī)師應(yīng)當作為類腦智能臨床應(yīng)用的把關(guān)人，以兼顧類腦智能應(yīng)用的高效性及可靠性。

本文以即刻種植時機智能化決策為例，就口腔種植領(lǐng)域中種植手術(shù)機器人的類腦智能化提出了探索方案，通過挖掘臨床決策指標，厘清臨床決策路徑，并構(gòu)建決策指標大數(shù)據(jù)庫，以深度學(xué)習(xí)分別完成決策指標智能預(yù)測、臨床路徑智能執(zhí)行，最終實現(xiàn)種植手術(shù)智能化設(shè)計，即實現(xiàn)種植手術(shù)機器人種植決策類腦智能化。未來，挖掘并評價臨床決策指標并總結(jié)出更多科學(xué)循證的臨床路徑，采取標準化方式獲取對應(yīng)指標數(shù)據(jù)并建立大數(shù)據(jù)庫，并運用智能化方法完成臨床指標及路徑的智能預(yù)測，最終實現(xiàn)種植臨床診療過程智能化，將是口腔臨床醫(yī)師們需要思考及努力的方向之一。

【Author contributions】 Chen ZT design the article structure and revised the article. Zeng PS wrote the article. Liu HW, Shi MR, Chen SJ collected the references and revised the article. Chen ZF revised the article.All authors read and approved the final manuscript as submitted.