蔣福林 蘇崇瑩 李 娟

隨著我國人民生活水平的提高，正畸治療的需求日益旺盛，2001年中華口腔醫(yī)學會流調(diào)結果顯示中國青少年錯he畸形患病率高達72.97%，并呈逐漸上升趨勢[1]。與此對應的是，我國專科正畸醫(yī)生數(shù)量不足一萬，難以滿足社會需求。此外，正畸病例診斷分析復雜，涉及多模態(tài)、多維度、多階段的數(shù)據(jù)分析，數(shù)據(jù)分析工作量大、耗時長、經(jīng)驗依賴性強，進一步阻礙了正畸治療的廣泛開展。本課題組研發(fā)的正畸影像智能化診斷平臺將數(shù)字化技術創(chuàng)新性應用于正畸臨床實踐，參與病例數(shù)據(jù)采集、診斷方案設計和治療多個環(huán)節(jié)，降低了對正畸醫(yī)生的專業(yè)技能要求，有效提高了正畸治療的精度、效率和安全性?，F(xiàn)就本課題組正畸影像智能化診斷平臺的研發(fā)思路與相關領域的研究進展進行報告。

一、二維影像智能分析

1.側(cè)位片自動定點分析

基于側(cè)位片的頭影測量分析是正畸臨床診斷設計、評估生長或治療效果的重要手段。傳統(tǒng)頭影測量和半自動頭影測量依賴于醫(yī)生手工定點，測量項目繁多、耗時過長，且精確度和穩(wěn)定性欠佳。近年來，人工智能技術廣泛應用于側(cè)位片自動定點分析之中，從以硬組織解剖標志點自動識別為主到硬、軟組織解剖標志點的自動定位，逐步實現(xiàn)全面的自動化數(shù)據(jù)分析[2]。然而受多種因素的影響，多數(shù)軟件解剖標志點的識別準確率并不高，如何提高解剖標志點自動定點分析的準確性和穩(wěn)定性一直是研究的熱點。Lee等開發(fā)了一種基于卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network，CNN）的人工智能模型，其可以在定位18個標志點基礎上給出每個標志點的95%置信區(qū)間，平均誤差為（1.53±1.74）mm[3]。Kim等定位了23個標志點，誤差為1.37±1.79 mm，進一步提高了準確率[4]?，F(xiàn)有一些頭影測量軟件投入市場，表現(xiàn)出了較好的性能。MyOrthoX、WebCeph等創(chuàng)新性基于網(wǎng)頁的側(cè)位片自動分析平臺，提升了頭影測量分析的靈活性，同時保有了較好的一致性[5]。Uceph還兼具定點訓練和教學互動功能，可應用于正畸的實驗教學中[6]。

本課題組基于級聯(lián)深度神經(jīng)網(wǎng)絡模型，開發(fā)了基于以SaaS（Software-as-a-Service）模式的“智貝云”智能側(cè)位X片分析系統(tǒng)。其特點如下：①該系統(tǒng)是一款基于Web端的側(cè)位片智能分析系統(tǒng)，用戶無需下載軟件，即能在電腦端和手機端等多端口實現(xiàn)側(cè)位片自動定點和分析。②解剖關鍵點定位精度高：在來源于不同設備拍攝的側(cè)位片測試集中，2 mm誤差范圍內(nèi)檢測成功率（Success Detection Rate，SDR）平均為91.73%，SDR（3 mm）平均值為97.9%。其中S/Sn/LL/A’/Li的SDR（2 mm）大于99.0%[7]。目前，系統(tǒng)已經(jīng)實現(xiàn)了64個關鍵解剖標志點自動定位，定點效率控制在2～3秒；將可自動分析的測量項目擴大至199項，并測量數(shù)據(jù)與標準值自動比對，智能解讀測量報告。③良好的泛化性能：該系統(tǒng)以來自全國20多個省市的3萬多份側(cè)位X片病例數(shù)據(jù)為數(shù)據(jù)基礎，具有較好的泛化性能，適用于臨床上常見的側(cè)位片拍攝設備。④智能化重疊：系統(tǒng)能自動校準治療前后兩張側(cè)位片拍照頭位和角度等，智能化調(diào)整不同階段拍攝側(cè)位片的頭位，然后依據(jù)不同基準平面（SN平面、眶耳平面、Ricketts平面、Bolton平面），自動重疊不同時間節(jié)點的側(cè)位X片，展示患者在不同階段的生長或者治療變化，并自動對比、分析不同階段的數(shù)據(jù)變化。⑤氣道智能化分析：能智能化分析鼻咽、腭咽、舌咽和喉咽的氣道寬度，并實現(xiàn)了腺樣體等病理結構的智能化識別。此外，該系統(tǒng)具有良好的輪廓識別能力，側(cè)位片軟組織輪廓精準、平滑，具有良好的展示效果。目前，智貝云側(cè)位X片分析系統(tǒng)已經(jīng)實現(xiàn)了對患者的側(cè)位分析結果的智能化診斷，并提供包括Downs、McNamara、Rickett、華西分析法和北京大學分析法在內(nèi)的16種分析方法的結果，為正畸醫(yī)生提供全面可靠的側(cè)位片數(shù)據(jù)分析結果。

2.全景片智能化分析

全景片可以較為全面地提供患者牙和骨的信息，正畸醫(yī)生通過全景片評估患者牙列擁擠情況、乳恒牙發(fā)育情況、牙周和根尖狀況等，合理選擇正畸治療的時間。值得注意的是，現(xiàn)有的分析方法均依賴于正畸醫(yī)生人工分析和審校，受醫(yī)生主觀因素影響大，容易出現(xiàn)遺漏[8]。

人工智能被運用于口腔全景片診療的多個方面，可以有效分析全景片提供的豐富信息，減少人為分析的疏漏，具備一定的參考價值，比如其能夠通過分割和識別牙齒、頜骨來檢測疾病，輔助診斷[9]。

牙齒自動化識別和分類模型的建立是全景片自動診斷的基礎[10]，先期一些人工智能模型，關注于全景片中特征顯著的牙齒狀況，如Melike等人開發(fā)的一種新的深度學習人工智能模型，在檢測全景片中不同牙齒狀況如冠、橋、根管治療牙、種植牙和殘根等方面有良好的效果[8]。隨著技術的進步，研究人員逐步關注到進展隱匿、圖像特征相對不顯著的其他牙體牙周疾病，如EKert等人利用全景片中根尖病變圖像訓練CNN構建了一種模型用于牙根及根尖病變診斷[11]。目前，基于人工智能的全景片診斷正逐步拓寬其應用場景，還可用于檢測牙周骨質(zhì)缺失情況、評估病變區(qū)牙齒數(shù)目和牙周炎程度[12]以及檢測上頜竇的病變[13]等。

3.可視化治療目標（VTO）

通過正畸治療獲得顏貌改善是患者的主要美學訴求之一，也是正畸醫(yī)生關注的臨床重點。經(jīng)典的VTO理論主要有Ricketts基于硬組織關系為導向的切牙位目標位[14，15]和Holdaway基于軟組織側(cè)貌美學為導向的上唇目標位[16]；Tweed理論進一步考慮了面部生長型的差異[17]，而Andrews理論中的上切牙目標位則添加了更多頜面整體美學考量[18]。但顏面軟組織的變化不僅由硬組織變化決定，還受患者的年齡、性別、垂直骨面型、肌張力、張閉口習慣、牙齒和軟組織形態(tài)、以及測量技術等影響[19]?，F(xiàn)有的VTO理論在預測牙移動對側(cè)貌變化的影響時，都采用的是個別切牙、硬組織標志點與個別唇頦部標志點的固定比例位移關系。這也導致了部分軟件如Dolphin預測側(cè)貌的準確性欠佳[20]。研究證明，采用多元回歸模型預測治療后軟組織側(cè)貌的變化比通過軟硬組織變化的平均比率進行預測考慮的影響因素更多[21]，可以納入牙齒、頜骨的多個標志點和軟組織特征，準確性更高。但軟組織側(cè)貌輪廓可能以非線性方式響應牙齒的移動，目前采用的線性回歸分析仍有局限，而深度學習靈活性更高，可對研究特征之間的非線性關系進行自主學習擬合，更深入地探索正畸牙移動與側(cè)貌變化的規(guī)律。

本課題組研發(fā)的智貝云人工智能VTO系統(tǒng)融合了口腔正畸學、影像診斷學、大數(shù)據(jù)分析、人工智能等多學科，深度學習數(shù)萬例正畸治療前后病例。在此基礎上，課題組首先確定了不同垂直和矢狀骨面型條件下，正畸治療中前牙位置變化對應的上下頜骨硬組輪廓變化，然后再確定了硬組織輪廓改變對應的軟組織輪廓變化。同時，還參考了Ricketts分析法、Holdaway分析法、Tweed分析法和Andrews顱頜面平衡六要素等有關定量測量確定矯治目標位的方法，以顏貌美觀為導向，設定切牙位置；再結合人工智能模擬軟硬組織變化，實現(xiàn)了前牙目標位確定、定量指導數(shù)字化方案設計、側(cè)位X片輪廓模擬、側(cè)位片和側(cè)貌照片自動融合、治療側(cè)貌影像預測和動態(tài)展示、治療方案預測和實時調(diào)整。在未來，課題組將在此基礎上加入不同人種及民族的數(shù)據(jù)進一步完善預測結果，并進一步提高牙齒目標位自動設定的精度。

4.基于面部照片的正、側(cè)貌智能化診斷系統(tǒng)

正畸治療引起的牙齒移動、頜骨位置或形態(tài)的改變會影響面部軟組織變化。準確判斷患者面型對牙頜畸形的診斷、治療計劃制定以及治療愈后的評估有著非常重要的作用[21]。在正畸臨床實踐中，多采用肉眼分析患者正面照和側(cè)面照，十分依賴醫(yī)生個人經(jīng)驗、美學素養(yǎng)。

面部畸形的識別是面型分析的重要環(huán)節(jié)，有學者利用CNN開發(fā)出了一種自動分析下頜偏倚和面部不對稱的系統(tǒng)，可以提供更客觀的面試特征評估[22]。目前的研究從面部輪廓識別及分類系統(tǒng)的研發(fā)起步[23]，逐步實現(xiàn)面部表型的識別，甚至于基因診斷相結合，比如Face2gene[24]。

本課題組結合東方人面部美學標準，開創(chuàng)性的將美學、正畸學與人工智能相結合，建立了面型分析數(shù)字化標準體系。智貝云面型分析系統(tǒng)是行業(yè)內(nèi)領先的人工智能面型分析系統(tǒng)，也是首次基于照片實現(xiàn)面型的智能分析，并達到了臨床輔助分析所需的精度[25]。該系統(tǒng)包括人臉正貌分析和側(cè)貌分析，分別從美學和正畸兩個角度進行分析。其中人臉正貌分析不僅依據(jù)面部比例評價（宏觀美學）、唇齒關系評價（微觀美學）、牙齒評價（迷你美學）等理論，更關注面部整體比例與眉、眼、唇、頦局部精細美學的協(xié)調(diào)與平衡，全方面綜合分析牙列與面部軟組織的動態(tài)及靜態(tài)關系，檢測黃金比例、三庭五眼、長寬比等7個正貌正畸分析指標以及包括臉型對稱性、上面高、顴面高、瞳孔口角距等在內(nèi)的14個正貌美學分析指標。而智貝云側(cè)貌美學分析分為鼻額、唇頦、面型突度和面部比例四部分，同時可將20個側(cè)貌坐標點，26個側(cè)貌測量項詳細列出；側(cè)貌正畸分析則分為面型、上唇、下唇和頦四部分，共檢測12個側(cè)貌測量項，對每一個測量項配有清晰明了的圖文解釋，醫(yī)生可根據(jù)患者情況，自定義選擇，操作簡單，數(shù)據(jù)明了。

5.基于手腕骨齡和頸椎骨齡的生長發(fā)育分析系統(tǒng)

骨齡是骨骼成熟度的簡稱，是正畸醫(yī)生了解患者生長發(fā)育情況，選擇合適的矯治時機的重要指標之一。手腕骨具有骨骼數(shù)量多、代表性佳等特點，因此長期以來以Fishman出的手腕骨齡分期法作為骨齡評價的金標準[26]。但這種骨齡判斷法對醫(yī)生技術要求高，且分析耗費時間較長。早在1994年就有學者結合計算機技術制作出了計算機輔助骨齡分析系統(tǒng)[27]。在接下來十幾年中陸續(xù)出現(xiàn)了基于圖像處理技術的全自動評估骨齡系統(tǒng)[28]、基于深度學習的自動評測骨齡方法[29]和boneXpert自動測定骨齡法[30]等提高了臨床診療的效率和精度。但是人工智能評估法有一定數(shù)據(jù)依賴性且不同模型之間存在差異。

本課題組納入分析了上萬張手腕骨X線片，成功研發(fā)出智貝骨齡-青少年手腕骨齡篩查系統(tǒng)，該系統(tǒng)采用TW2[31]和中華05分析法[32]精確標記單塊骨的分期，構建了分類模型，實現(xiàn)了13塊手腕和指骨（中華-05）的分期預測，實現(xiàn)了自動、準確、快捷評估患者骨齡，將原有骨齡檢測的耗時從1天縮短為了20秒。TW2和中華05分析法是目前臨床上常用的針對手腕骨齡評估的計分法，其準確性已經(jīng)得到大量臨床結果的驗證[33]。課題組利用AI人工智能技術對手腕骨X線片實現(xiàn)云端自動閱片并生成初篩分析報告，分為骨齡結果分析、發(fā)育狀況分析、當前身高評價、成年身高預測、生長發(fā)育追蹤及生活建議等六個板塊。

為了減少拍攝手腕片帶來的額外輻射，更多的正畸醫(yī)生選擇利用側(cè)位片判斷頸椎成熟度[34]。傳統(tǒng)的頸椎形態(tài)分類主要依靠視覺直觀評估，受醫(yī)生經(jīng)驗影響，主觀性較大且可重復性欠佳，臨床應用受限。而人工智能技術受主觀因素影響小，在頸椎骨齡分期檢測中表現(xiàn)良好，Zhou等利用CNN對實現(xiàn)了頸椎骨齡自動定點和頸椎成熟期分類取得了較高的準確率[35]。此外，Makaremi等人開發(fā)了一種能夠通過頭顱側(cè)位片自動判定患者CVS1～6的DL模型，其準確率達95%[36]。

本課題組依據(jù)McNamara等人2018年修正的頸椎骨齡判斷標準，通過人工智能對5千多張側(cè)位片進行不斷的測量、學習并采用最新頸椎骨齡分期法（cervical vertebrae maturation system，CVMS）[34]，提供手動量和自動測量方式，最終實現(xiàn)了自動提取頸椎輪廓，自動標記測量關鍵點。通過準確識別第二、第三、第四頸椎椎體形狀，課題組實現(xiàn)了頸椎骨齡的智能定性分析，一鍵判斷生長發(fā)育階段；還通過自動測量第二、第三、第四頸椎凹陷程度、曲率、長寬比以及前后高比、定量判斷生長發(fā)育階段[37]。通過定性分析和定量分析兩種方案的互補，智貝云實現(xiàn)了頸椎骨齡的智能分析。系統(tǒng)還從循證醫(yī)學角度出發(fā)，綜合過去二十多年來的研究成果，結合患者的性別、年齡、AI自動診斷的精準骨齡，根據(jù)患者生長發(fā)育情況推薦患者基于矯治時機的治療方案。

二、三維影像智能分析

1.CBCT和口內(nèi)掃描模型的智能化分割和分析

目前，正畸臨床上采集患者三維影像數(shù)據(jù)以CBCT和口內(nèi)掃描模型為主。錐體束計算機斷層掃描（cone beam computed tomography，CBCT）可輔助重建清晰、立體的頭顱三維解剖結構，在口腔疾病診斷、治療方案設計和術后評估等方面廣泛應用。近年來，不少關于CBCT的計算機輔助系統(tǒng)陸續(xù)開發(fā)，以減輕正畸醫(yī)生的臨床負擔，提高工作流程的效率，涉及診斷、正畸治療設計、種植手術設計和術后評估[38]。

人工智能的發(fā)展使得CBCT圖像三維自動定點分析成為可能，Shahidi等人利用機器學習進行自動定點分析，結果顯示機器學習的平均偏差為3.40 mm，精度低于人工定點[39]。Luo等人建立了基準顱骨模型，使用C++、開放式圖形庫和基于Qt的軟件框架研發(fā)出顱骨自動定點測量軟件[40]，實現(xiàn)了顱骨的三維自動定點。但總的來說，人工智能在CBCT圖像自動定點上的準確率還有待提高，目前多數(shù)研究僅實現(xiàn)了對部分標志點的自動檢測，無法完成完整的三維頭影測量，并且CBCT三維圖像重建存在環(huán)狀偽影，對軟組織解剖結構顯像不足等問題，限制了三維定點分析的臨床應用。數(shù)字化正畸方案設計通常需要操作單顆牙齒，以實現(xiàn)牙齒移動、拔除、排齊等操作，而從CBCT圖像以及三維牙齒模型中手動分割單顆牙齒費時費力，精準欠佳[41]，因而如何準確自動分割牙齒成為了當下研究的熱點，單純依靠CBCT進行牙齒分割前期已有探索，如Charles等建立了一種端到端神經(jīng)網(wǎng)絡以實現(xiàn)牙齒三維形態(tài)自動化分割和分析[42]，在此基礎上學者提出了名為MeshSegNet的深度神經(jīng)網(wǎng)絡用于自動牙齒分析提高了精度[43]。

隨著技術的發(fā)展，口內(nèi)掃描器因其舒適方便、軟組織識別度高、可更好地還原口內(nèi)情況等優(yōu)勢，被廣泛應用于正畸臨床[44]。以往的計算機輔助設計和制作軟件如implant 3D和3shape初步實現(xiàn)了牙齒自動分割，但是CAD系統(tǒng)操作復雜，人工干預度高，其效率較低，分牙效果并不理想[45]。Kim等人分別開發(fā)了深度學習算法，用于在數(shù)字化3D牙齒表面模型上進行自動牙齒分割，從而實現(xiàn)高分割精度[46]。此外，為進一步提高分牙準確率，Hao等人開發(fā)了一種基于深度學習的分牙模型，分牙時間僅為24 s，且準確率達96.9%[47]。

本課題組關注到融合口內(nèi)掃描牙冠和CBCT掃描牙根相整合的冠根模型[48]，采用端到端的深度學習模型和三維表面模型分割技術，結合CBCT及口內(nèi)掃描兩種模態(tài)影像各自的優(yōu)點，自主研發(fā)了一種基于牙齒CBCT圖像與口內(nèi)掃描圖像融合的三維模型分割和重建技術。首先課題組進行了口內(nèi)掃描模型的實例分割，通過在2D特征圖上定位牙齒三維候選區(qū)，然后將單顆牙齒候選區(qū)域以原始分辨率輸入3D分割網(wǎng)絡。為了更好地利用口內(nèi)掃描模型的點、線和面信息，構建了以圖卷積為基礎的神經(jīng)網(wǎng)絡，并設計了特殊的損失函數(shù)，以引導網(wǎng)絡關注牙齒邊緣難以分割的區(qū)域，最終實現(xiàn)了全自動分割，準確率（Dice Similarity Coefficient，DSC）達到99.5%。此外，該系統(tǒng)對有廣泛散射偽影，拍攝質(zhì)量不佳，能準確處理；其測量方法對托槽、修復體、替牙期、根管治療、蛀牙/補牙等情況有良好的抗干擾性能。并且該系統(tǒng)可自動分割口內(nèi)掃描結果，對牙齒編號，去除多余噪音，自動配準CBCT中的三維牙齒模型，還能自動報告牙根與牙槽骨的關系、病灶范圍、病理特征等信息。實現(xiàn)高精度三維牙冠模型與真實牙根的最優(yōu)擬合，根據(jù)真實情況修補牙齒鄰面信息，解決傳統(tǒng)根骨模型牙根信息不準確、精度欠佳的問題[49]。目前該系統(tǒng)的識別速度可滿足臨床應用需求，對上萬個牙齒樣本，牙齒數(shù)據(jù)維度：369×369×266到681×681×481的實驗數(shù)據(jù)處理平均分割時間為2.21 min。

2.3D面部掃描和診斷

傳統(tǒng)的二維照片和X線頭影測量能較好地反應患者面部在二維平面上的特點，而三維面部掃描分析軟件則可以協(xié)助正畸醫(yī)生更好地分析患者面部軟組織治療前后的變化，使正畸治療更加的精細化、專業(yè)化。隨著科技的進步，激光掃描側(cè)面技術、結構光學系統(tǒng)技術、立體攝影測量技術、可移動掃描儀FastSCAN等逐漸用于顱頜面面部測量中。在正畸領域，三維圖像識別技術多用于研究面部治療前后的變化，比如Moss等人利用此技術研究拔牙和非拔牙對患者面部形態(tài)的影響[50]；Abedini等運用面部立體攝影技術，研究了微種植體支抗的成年人上頜快速擴弓后面部的三維面部變化[51]。

目前關于人工智能與面部掃描相結合的報道較少。Knoops等人提出了一種基于面部掃描的AI-3D可變形模型，用于自動分析面部形狀特征，在整形和重建手術的診斷和規(guī)劃中發(fā)揮著一定作用[52]。此外，有研究指出面部掃描技術結合人工智能也可以用于神經(jīng)發(fā)育障礙（Autism Spectrum Disorder，ASD）的診斷，Liu等人探索了使用基于面部掃描的機器學習算法來識別ASD的可能性，并顯示出有希望的結果，準確率為88.51%[53]。

三、總結與展望

將人工智能技術與正畸診療服務相結合，可以提供更快捷的診斷、更智能的數(shù)據(jù)分析，極大提高了正畸臨床服務效率，筆者研發(fā)的正畸智能診療云平臺除了提供正畸全流程智能化解決方案外，在未來還將采用人工智能技術整合面部三維重建、CBCT、模型等口腔數(shù)據(jù)，為正畸醫(yī)生提供全周期、多維度、智能化服務，避免大量瑣碎的重復性勞動消耗醫(yī)生的時間和精力，實現(xiàn)正畸智能化方案生成，縮短醫(yī)生技術迭代周期；推動口腔智慧醫(yī)療發(fā)展，促進口腔技術的普及。