卷積神經網絡在牙體牙髓病學中的應用進展

[摘要] 在計算機算法迅速發(fā)展的信息時代，深度學習的應用在各個領域均受到了廣泛關注，而卷積神經網絡則是深度學習中最為典型的網絡結構之一，具有突出的學習能力及適應能力，在圖像的識別處理上表現尤為出色。與此同時，在牙體牙髓病學的發(fā)展過程中，卷積神經網絡的應用也越發(fā)常見，例如協(xié)助醫(yī)生進行齲病、根尖周病的分析、診斷、治療、預后評估等，有利于緩解醫(yī)療資源緊缺、推動牙體牙髓病學的發(fā)展。本文就卷積神經網絡在牙體牙髓病學中的應用進展進行總結，并對其未來發(fā)展可能進行初步展望。

[關鍵詞] 深度學習； 卷積神經網絡； 牙體牙髓病學

[中圖分類號] R781.1 [文獻標志碼] A [doi] 10.7518/gjkq.2024063

卷積神經網絡（convolution neural network，CNN） 作為深度學習中的重要分支，本身是一種多層網絡結構，常用于處理多維度的數據信息如圖像、視頻等[1]，在圖像檢測、識別、分割、配準等[2]各類任務中均表現良好，具有高效、準確等特點。目前應用較為廣泛的CNN模型主要包括ResNet模型、R-CNN模型、U-net模型等。這些CNN模型的運算主要可以分為卷積層、池化層以及全連接層。以ResNet模型執(zhí)行圖像分類任務為例（圖1所示），圖像在輸入ResNet模型后首先在卷積層進行原始數據矩陣的卷積運算。隨后卷積層輸出的特征圖像經由池化層進行降維，該層提取特征圖像中最為有效的特征，從而實現對網絡結構的簡化，提高模型運行速率，減少過擬合現象。輸入的圖像通過多次反復的卷積池化運算抉擇出最能體現圖像有效特征的卷積核，由該卷積核進行卷積池化運算提取的特征信息最終在全連接層進行非線性組合，輸出分類結果。

在口腔醫(yī)學領域中，目前已有不少學者嘗試將CNN與現階段口腔診療中存在的各類問題相結合。Lahoud等[3]就開發(fā)出了一種基于U-Net模型的新型分割工具，用于在頜面部錐形束計算機斷層掃描（cone-beam computed tomography， CBCT）影像中對下頜神經管進行分割，該工具經驗證具有較高的精確度，且分割速率明顯優(yōu)于人工分割。此外，CNN還在口腔疾病的診斷、治療及預后預測等不同問題的解決中展現出了良好的實用性[4-9]，這些研究均證實CNN在口腔醫(yī)學領域中擁有極其寬廣的應用前景。而在牙體牙髓病學的各個方面，CNN的應用同樣已經取得了一定的成果，對牙體牙髓病學的發(fā)展起著積極的促進作用。本文就其在診斷、治療及預測等方面的應用進行總結，以期為CNN在牙體牙髓領域的相關應用研究提供參考。

1 CNN 輔助牙體牙髓疾病的診斷

在當前的口腔臨床診療中，各類牙體牙髓疾病的診斷仍主要依賴于醫(yī)生的臨床工作經驗。而由于臨床經驗水平各有不齊，不同醫(yī)生在面對同種病情時的診斷有時也會存在一定的差異，由此出現的誤診、漏診情況屢見不鮮。此外，牙體牙髓病學發(fā)展至今，臨床醫(yī)生及相關醫(yī)療資源依舊十分緊張，部分患者的病情常常無法得到最及時的診治。為解決上述問題，目前已有大量研究[10-16]嘗試通過大樣本數據的輸入來對CNN模型進行訓練和測試，使其最終能夠輔助臨床醫(yī)生進行更準確快速的疾病診斷（圖2所示），并取得了較為顯著的成果，其中應用較多的CNN網絡結構主要包括VGG模型、Resnet模型、U-Net模型等。

1.1 VGG模型

在牙髓炎及根尖周病變等多項牙體牙髓疾病的診斷分類中，目前已有多項研究[10-12]嘗試對VGG模型進行訓練和分析，最終促進了其在牙體牙髓疾病診斷中的應用發(fā)展。Zhang等[13]更是以VGG模型為基礎開發(fā)出了相關的齲病診斷系統(tǒng)，該系統(tǒng)能夠判斷口內圖像中是否存在齲病并對其進行定位檢測，具有較高的診斷意義。此外，由于研究中用于系統(tǒng)訓練的樣本為患者的口內圖像，所得的診斷系統(tǒng)在大規(guī)模群體齲病篩查任務中具有十分重要的作用。

1.2 Resnet 模型

有研究[10]曾收集411例深齲及433例牙髓炎患者的根尖X線影像作為不同模型的訓練數據，使模型能夠自動診斷根尖X線影像中的深齲及牙髓炎。隨后研究對比發(fā)現，Resnet18結合臨床參數的多模式CNN模型較其他模型具有更好的診斷性能，其準確率為0.86。而在輔助診斷根尖周病變、根裂等其他牙體牙髓疾病的研究當中，Resnet模型同樣表現出了良好的適用性，對實現疾病的自動化診斷具有重要的促進意義[11，14]。

1.3 U-Net 模型

另一方面，U-Net模型在牙體牙髓疾病診斷分析中的應用也十分常見。Setzer等[15]曾嘗試將UNet模型應用于CBCT影像中根尖周病變的診斷，其所構建的診斷模型除能檢測根尖周病變外，還能對牙齒、牙槽骨等結構進行自動檢測和分割。同一時期Orhan等[16]也利用U-Net模型進行了類似的探索，該模型在完成CBCT影像中根尖周病變的檢測后，還將進一步對病變所在位置進行識別編號并完成病變區(qū)域的體積測量，具有更明確的目的性。兩組研究在最終的測試中均取得了較高的準確率，證明了U-Net模型在輔助疾病診斷中的可行性。

此外，還有許多學者基于不同的CNN模型開發(fā)構建出了多種不同的輔助診斷系統(tǒng)，從輔助醫(yī)生進行影像數據的分析處理[17-22]到對牙體牙髓疾病的直接檢測[23-28]等多方面進行了更深入的探索和研究，不僅有利于簡化臨床診斷中的工作流程，也為牙體牙髓醫(yī)生提供了更直觀有力的診斷參考。

2 CNN 輔助牙體牙髓疾病的治療

與此同時，在牙體牙髓疾病的治療過程中，由于臨床經驗及判斷水平差異，不同醫(yī)生在治療方案的制定上也時常存在差異。CNN在牙體牙髓疾病治療中的輔助應用恰好可以減少這種主觀因素導致的影響，使患者在診療過程中獲得更加全面準確的治療。因此，也有不少研究者對CNN在牙體牙髓疾病治療中的應用進行了相關探索，其中U-Net模型的使用更是尤為廣泛。

Lin 等[29] 便通過對U-Net 模型的訓練實現了CBCT影像中髓腔的精細識別分割。而Duan等[30]也在同期將U-Net模型應用于髓腔的分割任務中。與前者相比，后者所訓練的模型除了能對髓腔進行分割外，還能同時完成CBCT影像中牙齒的分割，但其分割性能在Dice相似系數上稍弱于前者。這些研究均證明CNN能夠在一定程度上幫助醫(yī)生快速制定治療計劃，提高臨床治療效率。同時它還能夠減少傳統(tǒng)方案制定過程中可能存在的主觀誤差，彌補部分年輕醫(yī)生臨床經驗不足的問題，輔助其準確評估髓腔的形狀位置，從而降低并發(fā)癥的發(fā)生風險。而除髓腔的形態(tài)位置外，根管的工作長度、結構等也是影響牙體牙髓疾病治療成功率的關鍵因素。在此基礎上， 有研究[31]對比了Xception U-Net、Residual U-Net 以及U-Net 三種U-Net模型對下頜第二磨牙C型根管的識別和分割性能。該研究最終評估發(fā)現，Xception U-Net模型的表現明顯優(yōu)于其余兩者，能夠為醫(yī)生治療下頜第二磨牙的C型根管提供一定的參考。但該模型在敏感度和陽性預測值上的表現仍然有限，或許需要研究者們進行更進一步的探索。

而除U-Net模型外，AlexNet、GoogleNet、EfficientNet等CNN模型在輔助牙齒及根管形態(tài)分析等方面也取得了不小的進展[32-34]。這些基于CNN網絡的研究均從不同程度上佐證了其在輔助牙體牙髓疾病治療中的作用，為實現牙體牙髓疾病治療的標準化、精確化提供了重要的探索和推進方向。

3 CNN 輔助牙體牙髓疾病發(fā)展預后的預測

口腔醫(yī)學發(fā)展至今，疾病的發(fā)展及預后一直是醫(yī)生及患者所關注的首要內容。為了實現對種植術后效果的預測，曾有研究[35]以患者的根尖周及全景影像為訓練數據構建出了相關的CNN預測系統(tǒng)。該系統(tǒng)能夠對種植術后術區(qū)的骨質流失情況進行預測，且具有較高的預測準確率，對于輔助醫(yī)生及時調整治療方案、進行早期干預具有重要意義。

而在牙體牙髓病學領域，迄今為止大多相關的疾病預測研究[36-39]仍然使用傳統(tǒng)的機器學習算法或人工神經網絡，CNN在這方面的應用仍處于早期階段。不過也有一些研究對此進行了相關的探索。Ngnamsie等[40]就在一項研究中利用患者的年齡、口腔病史、牙齒圖像等多模態(tài)數據，基于包括CNN在內的混合算法對年輕人齲齒的發(fā)生風險進行了預測。該算法最終的準確率、召回率和F1分數分別為0.9、0.9和0.89，有利于幫助醫(yī)生針對齲病高風險患者制定合理的預防治療計劃，同時提升患者自身保健意識，促進口腔健康維護，從而盡可能減少齲病對高風險患者的負面影響。此外，還有研究[41]為了實現對齲病等口腔疾病發(fā)展演化過程的預測，利用CNN網絡建立了相關的智能預防及診斷平臺。但該研究目前尚未對所建立的平臺進行有效的性能評價，可能需要進一步的探索分析。而對于齲病在治療過程中可能出現的不良并發(fā)癥，王麗等[42]則嘗試以深齲近髓患者的根尖周影像作為訓練內容，使計算機模型能夠自動預測患者在去齲操作結束后是否會出現髓腔暴露的情況。研究最終分析發(fā)現，DenseNet模型和ResNet模型的預測性能可以類比甚至略優(yōu)于高年資臨床醫(yī)生，有助于幫助醫(yī)生及時調整治療方案，降低不良并發(fā)癥的發(fā)生風險。

基于上述研究，CNN網絡在疾病預測中的潛力得到了初步印證，對于推動牙體牙髓病學臨床發(fā)展有著重要的意義。不過目前這方面的研究還較有限，仍需大量實驗的探索和發(fā)展。

4 總結與展望

當今時代信息技術發(fā)展迅速，深度學習在牙體牙髓病學中的應用不僅能夠為醫(yī)生診療操作提供參考，同時也有利于減少治療過程中的繁復工作，提高臨床效率，在一定程度上緩解口腔醫(yī)療資源緊缺的現狀。卷積神經網絡作為深度學習領域重要的分支之一，在具備上述優(yōu)點的同時更是展現出了強大的圖像分析和特征提取能力，有助于促進未來牙體牙髓疾病診療的自動化、全面化、標準化發(fā)展。

但就目前而言，CNN在牙體牙髓領域的應用尚且存在一定的局限性。首先，當前CNN在牙體牙髓病學中的研究大多還集中在輔助診斷及治療方面，在疾病發(fā)展預后的預測方面應用比較有限。這可能與患者術后數據難以收集、共享等因素有關。而在口腔醫(yī)學其他領域的預測研究[43-45]中，CNN已經表現出了令人信服的潛力。在此基礎上，牙體牙髓領域的研究者們或許也可以將注意力更多地轉向疾病發(fā)展預后的預測方面。其次，目前CNN相關研究多為單中心研究，各研究間缺乏關聯(lián)，所應用的圖像數據、評判標準等也多有差異。這就導致多數研究所建立的模型使用條件單一，難以滿足臨床復雜的需求，實用價值也相對有限?；诙嘀行牡母哔|量數據模型的建立或是改善這一現狀的重要途徑。最后，CNN本身的難解釋性和人工智能道德倫理方面的問題也是影響其在臨床廣泛推行的重要因素。這些問題在未來可能需要研究者們投入更多的關注和思考，以促進CNN在牙體牙髓領域煥發(fā)出更蓬勃的生機，為未來牙體牙髓疾病的自動化、智能化診療提供支持。

利益沖突聲明：作者聲明本文無利益沖突。

5 參考文獻

[1] 袁冰清， 張杰， 王巖松. 深度學習[J]. 數字通信世界， 2019， 174（6）： 36-37.

Yuan BQ， Zhang J， Wang YS. Deep learning[J]. DigitCommun World， 2019， 174（6）： 36-37.

[2] Maier A， Syben C， Lasser T， et al. A gentle introductionto deep learning in medical image processing[J]. Z Med Phys， 2019， 29（2）： 86-101.

[3] Lahoud P， Diels S， Niclaes L， et al. Developmentand validation of a novel artificial intelligence driventool for accurate mandibular canal segmentationon CBCT[J]. J Dent， 2022， 116： 103891.

[4] Lee JH， Kim DH， Jeong SN， et al. Diagnosis andprediction of periodontally compromised teeth usinga deep learning-based convolutional neural networkalgorithm[J]. J Periodontal Implant Sci， 2018， 48（2）：114-123.

[5] Lee KS， Kwak HJ， Oh JM， et al. Automated detectionof TMJ osteoarthritis based on artificial intelligence[J]. J Dent Res， 2020， 99（12）： 1363-1367.

[6] 常荍， 王少烽， 左飛飛， 等. 基于深度學習的頭顱側位X線片自動診斷分類研究[J]. 中華口腔醫(yī)學雜志， 2023， 58（6）： 547-553.

Chang Q， Wang SF， Zuo FF， et al. Automated diagnosticclassification with lateral cephalograms basedon deep learning ntwork model[J]. Chin J Stomatol，2023， 58（6）： 547-553.

[7] Yoo JH， Yeom HG， Shin W， et al. Deep learningbased prediction of extraction difficulty for mandibularthird molars[J]. Sci Rep， 2021， 11（1）： 1954.

[8] Yamaguchi S， Lee C， Karaer O， et al. Predicting thedebonding of CAD/CAM composite resin crownswith AI[J]. J Dent Res， 2019， 98（11）： 1234-1238.

[9] Yu HJ， Cho SR， Kim MJ， et al. Automated skeletalclassification with lateral cephalometry based on artificialintelligence[J]. J Dent Res， 2020， 99（3）： 249-256.

[10] Zheng LW， Wang HL， Mei L， et al. Artificial intelligencein digital cariology： a new tool for the diagnosisof deep caries and pulpitis using convolutionalneural networks[J]. Ann Transl Med， 2021， 9（9）：763.

[11] Hu ZY， Cao DT， Hu YN， et al. Diagnosis of in vivovertical root fracture using deep learning on conebeamCT images[J]. BMC Oral Health， 2022， 22（1）：382.

[12] Calazans MAA， Ferreira FABS， Alcoforado MLMG，et al. Automatic classification system for periapicallesions in cone-beam computed tomography[J]. Sensors（Basel）， 2022， 22（17）： 6481.

[13] Zhang X， Liang Y， Li W， et al. Development andevaluation of deep learning for screening dental cariesfrom oral photographs[J]. Oral Dis， 2022， 28（1）： 173-181.

[14] Li SH， Liu JL， Zhou ZR， et al. Artificial intelligencefor caries and periapical periodontitis detection[J]. JDent， 2022， 122： 104107.

[15] Setzer FC， Shi KJ， Zhang ZY， et al. Artificial intelligencefor the computer-aided detection of periapicallesions in cone-beam computed tomographic images[J]. J Endod， 2020， 46（7）： 987-993.

[16] Orhan K， Bayrakdar IS， Ezhov M， et al. Evaluationof artificial intelligence for detecting periapical pathosison cone-beam computed tomography scans[J]. Int Endod J， 2020， 53（5）： 680-689.

[17] Chen H， Zhang KL， Lyu PJ， et al. A deep learningapproach to automatic teeth detection and numberingbased on object detection in dental periapicalfilms[J]. Sci Rep， 2019， 9（1）： 3840.

[18] Lahoud P， EzEldeen M， Beznik T， et al. Artificial intelligencefor fast and accurate 3-dimensional toothsegmentation on cone-beam computed tomography[J]. J Endod， 2021， 47（5）： 827-835.

[19] Hsu K， Yuh DY， Lin SC， et al. Improving performanceof deep learning models using 3.5D U-Netvia majority voting for tooth segmentation on conebeam computed tomography[J]. Sci Rep， 2022， 12（1）： 19809.

[20] Tuzoff DV， Tuzova LN， Bornstein MM， et al. Toothdetection and numbering in panoramic radiographsusing convolutional neural networks[J]. DentomaxillofacRadiol， 2019， 48（4）： 20180051.

[21] Jang TJ， Kim KC， Cho HC， et al. A fully automatedmethod for 3D individual tooth identification andsegmentation in dental CBCT[J]. IEEE Trans PatternAnal Mach Intell， 2022， 44（10）： 6562-6568.

[22] Chandrashekar G， AlQarni S， Bumann EE， et al.Collaborative deep learning model for tooth segmentationand identification using panoramic radiographs[J]. Comput Biol Med， 2022， 148： 105829.

[23] Lee JH， Kim DH， Jeong SN， et al. Detection anddiagnosis of dental caries using a deep learningbasedconvolutional neural network algorithm[J]. JDent， 2018， 77： 106-111.

[24] Moidu NP， Sharma S， Chawla A， et al. Deep learningfor categorization of endodontic lesion basedon radiographic periapical index scoring system[J].Clin Oral Investig， 2022， 26（1）： 651-658.

[25] Lian LY， Zhu TE， Zhu FD， et al. Deep learning forcaries detection and classification[J]. Diagnostics（Basel）， 2021， 11（9）： 1672.

[26] Park EY， Cho H， Kang S， et al. Caries detectionwith tooth surface segmentation on intraoral photographicimages using deep learning[J]. BMC OralHealth， 2022， 22（1）： 573.

[27] Buyuk C， Arican Alpay B， Er FS. Detection of theseparated root canal instrument on panoramic radiograph：a comparison of LSTM and CNN deep learningmethods[J]. Dentomaxillofac Radiol， 2023， 52（3）： 20220209.

[28] Ding BC， Zhang Z， Liang YR， et al. Detection ofdental caries in oral photographs taken by mobilephones based on the YOLOv3 algorithm[J]. AnnTransl Med， 2021， 9（21）： 1622.

[29] Lin X， Fu YJ， Ren GQ， et al. Micro-computed tomography-guided artificial intelligence for pulp cavityand tooth segmentation on cone-beam computedtomography[J]. J Endod， 2021， 47（12）： 1933-1941.

[30] Duan W， Chen YF， Zhang Q， et al. Refined toothand pulp segmentation using U-Net in CBCT image[J]. Dentomaxillofac Radiol， 2021， 50（6）： 20200251.

[31] Sherwood AA， Sherwood AI， Setzer FC， et al. Adeep learning approach to segment and classify Cshapedcanal morphologies in mandibular secondmolars using cone-beam computed tomography[J]. JEndod， 2021， 47（12）： 1907-1916.

[32] Wang YW， Xia WJ， Yan ZN， et al. Root canal treatmentplanning by automatic tooth and root canalsegmentation in dental CBCT with deep multi-taskfeature learning[J]. Med Image Anal， 2023， 85：102750.

[33] Yang SJ， Lee H， Jang B， et al. Development and validationof a visually explainable deep learning modelfor classification of C-shaped canals of the mandibularsecond molars in periapical and panoramicdental radiographs[J]. J Endod， 2022， 48（7）： 914-921.

[34] Hiraiwa T， Ariji Y， Fukuda M， et al. A deep-learningartificial intelligence system for assessment of rootmorphology of the mandibular first molar on panoramicradiography[J]. Dentomaxillofac Radiol，2019， 48（3）： 20180218.

[35] Zhang CN， Fan LF， Zhang SS， et al. Deep learningbased dental implant failure prediction from periapicaland panoramic films[J]. Quant Imaging MedSurg， 2023， 13（2）： 935-945.

[36] 龐亮月， 林煥彩. 人工智能在齲病診療中的應用[J]. 中華口腔醫(yī)學研究雜志（電子版）， 2023， 17（3）：162-166.

Pang LY， Lin HC. Application of artificial intelligencein the field of dental caries[J]. Chin J StomatolRes （Electron Ed）， 2023， 17（3）： 162-166.

[37] Campo L， Aliaga IJ， de Paz JF， et al. Retreatmentpredictions in odontology by means of CBR systems[J]. Comput Intell Neurosci， 2016， 2016： 7485250.

[38] Herbst CS， Schwendicke F， Krois J， et al. Associationbetween patient-， tooth- and treatment-level factorsand root canal treatment failure： a retrospectivelongitudinal and machine learning study[J]. J Dent，2022， 117： 103937.

[39] Qu Y， Lin ZZ， Yang ZJ， et al. Machine learningmodels for prognosis prediction in endodontic microsurgery[J]. J Dent， 2022， 118： 103947.

[40] Ngnamsie Njimbouom S， Lee K， Kim JD. MMDCP：multi-modal dental caries prediction for decisionsupport system using deep learning[J]. Int J EnvironRes Public Health， 2022， 19（17）： 10928.

[41] 孟凡皓， 田瑜， 喬波， 等. 基于大規(guī)模臨床數據深度學習的口腔疾病人工智能預防與診斷平臺的構建[J]. 精準醫(yī)學雜志， 2020， 35（6）： 497-500.

Meng FH， Tian Y， Qiao Bo， et al. Construction of anationwide artificial intelligence prevention and diagnosisplatform for oral diseases based on deeplearning of large-scale clinical data[J]. J Precis Med，2020， 35（6）： 497-500.

[42] 王麗， 吳菲， 肖墨， 等. 基于深度學習的齲源性牙髓炎露髓風險預測[J]. 華西口腔醫(yī)學雜志， 2023， 41（2）： 218-224.

Wang L， Wu F， Xiao M， et al. Prediction of pulp exposurerisk of carious pulpitis based on deep learning[J]. West China J Stomatol， 2023， 41（2）： 218-224.

[43] Ferrer-Sánchez A， Bagan J， Vila-Francés J， et al.Prediction of the risk of cancer and the grade of dysplasiain leukoplakia lesions using deep learning[J].Oral Oncol， 2022， 132： 105967.

[44] Zhang XY， Gleber-Netto FO， Wang SD， et al. Deeplearning-based pathology image analysis predictscancer progression risk in patients with oral leukoplakia[J]. Cancer Med， 2023， 12（6）： 7508-7518.

[45] Kwon D， Ahn J， Kim CS， et al. A deep learningmodel based on concatenation approach to predictthe time to extract a mandibular third molar tooth[J]. BMC Oral Health， 2022， 22（1）： 571.

（ 本文編輯 王姝 ）

[基金項目] 重慶市自然科學基金面上項目（CSTB2022NSCQ-MSX0128）；重慶市博士后研究項目（2021XM3062）；重慶醫(yī)科大學未來醫(yī)學青年創(chuàng)新團隊發(fā)展支持計劃（W0034）