馬艷寧 金作林

710032 西安， 國家軍事口腔醫(yī)學重點實驗室， 國家口腔疾病臨床醫(yī)學研究中心， 陜西省口腔疾病臨床研究中心， 空軍軍醫(yī)大學第三附屬醫(yī)院正畸科

近年來，在醫(yī)學領域人工智能得到了前所未有的繁榮，智慧診療與輔助醫(yī)療決策等技術不斷涌現(xiàn)。在這樣的大環(huán)境之下，人工智能的優(yōu)勢也體現(xiàn)在了口腔數(shù)字化的掃描、診斷、設計與制造、臨場手術等疾病診療等方面。同時融合了三維數(shù)據(jù)采集技術、數(shù)學建模技術、計算機輔助設計與增材制造技術等，使得數(shù)字化口腔診療技術不斷的發(fā)展與革新[1]。隨著口腔正畸學科的發(fā)展，人工智能被廣泛運用在智能影像識別系統(tǒng)、醫(yī)療決策系統(tǒng)、語音智能系統(tǒng)等方面，對于正畸診療方案的制定，拔牙非拔牙的決策以及診療過程中的輔助等方面都表現(xiàn)出相當?shù)膬?yōu)勢[2]。但值得注意的是，在人工智能的開發(fā)與應用上，存在著一些目前的技術水平尚無法解決的科學問題，加之醫(yī)學是一門復雜的學科，關乎患者的切身利益，并且由于個體差異性，用人工智能進行醫(yī)療決策并完全替代醫(yī)生尚不可行。但要肯定的是隨著人工智能在醫(yī)學診療中的優(yōu)勢逐漸體現(xiàn)，未來將會在正畸治療中逐步實現(xiàn)三維化、智能化、精準化。

1 正畸學科中人工智能的展現(xiàn)

1.1 人工智能與頭影測量識別定位

由于人工智能可以根據(jù)先驗知識對相關知識點進行識別加之邊緣檢測技術的運用，因此在正畸領域涉獵最廣的就是頭影測量，對于二維影像的識別定位方法，從圖像過濾與基于知識的標志點搜索、主動形狀模型和主動外觀模型建立以及相關學習的方法等技術的演變與發(fā)展，目前二維頭影測量自動定點研究已日趨成熟，在臨床運用中有效減少了頭影測量分析所需要的時間和因主觀因素而導致的誤差，提高了標志點識別的準確性，臨床運用較為廣泛。Arik等[3]首次將卷積神經(jīng)網(wǎng)絡(CNN)應用于識別頭顱側位片，將19 個標志點中2 mm以內(nèi)的誤差檢測成功率提高到了76%，接著Leonardi等[4]運用機器學習進行定點，在前期自動定點軟件基礎上又將準確率提高了5%～15%。Park等[5]運用YOLOv3方法對80 個標志點進行檢測，在此方法下，將其中19 個主要標志點2 mm內(nèi)誤差范圍的檢測成功率提高到80.4%，重復性明顯高于人工標注，且不受性別、骨骼分類、圖像質量的影響，通過Park團隊的研究[6]證實深度學習方法在標志點定位中有高精度的表達。在此基礎上，Kunz等[7]使用深度學習方法對標志點進行自動識別，在參數(shù)水平上驗證了CNN檢測18 個標志點的準確率與人工沒有顯著差異，同時Lee等[8]應用CNN對18 個標志點自動定位，定位準確率達到了82.11%～95.95%。以上這些研究無不證實采用人工智能方法助力頭影測量的實現(xiàn)，可以有效提高工作效率， 但在運用中仍需醫(yī)生檢查自動定點的準確性，以確保在此基礎上的診斷以及診療的準確性，因此如何提高人工智能頭影測量軟件的穩(wěn)定性與精準性是目前一直在繼續(xù)深入研究的內(nèi)容。

1.2 人工智能與三維影像識別定位

在二維影像資料中發(fā)揮出不小的潛力之后，人工智能也在三維影像數(shù)據(jù)的識別與提取中嶄露頭角，三維計算機斷層掃描中三維頭影測量標志的標注已成為頭影測量分析的重要組成部分，常用于診斷、手術計劃和治療評估。由于訓練數(shù)據(jù)的可獲得性和計算量的限制，高精度三維標注的自動化仍然具有挑戰(zhàn)性。Yun等[9]提出了一種分層的深度學習方法對CBCT特征點進行標注，該方法實現(xiàn)了基于二維圖像的三維形態(tài)特征學習和頭影標記的連接向量的相似/不相似表示學習。該方法使用少量訓練CBCT數(shù)據(jù)集，對93 個頭影測量標志點實現(xiàn)了平均3.63 mm的三維點誤差。Minnema等[10]通過patch深度學習網(wǎng)絡對CBCT 的13 個常用標志點定位進行自動識別，評價實驗表明，該CNN模型平均處理時間為37.871 s，平均精度為5.785 mm。Gupta等[11]在處理CBCT標志點時，將相鄰的標志點分成不同的組來檢測，最終20 個標志點的總平均誤差降低到2.01 mm。這一精度有效減輕了醫(yī)生的工作量并弱化平時依賴于人類經(jīng)驗的解剖定位方法，更加精準可靠。但值得注意的是，個體解剖學存在差異，并且容易出現(xiàn)學習的結果受到數(shù)據(jù)多樣性的影響，使得定位常常出現(xiàn)較大的偏差，加之一些標志點本身影像結構重疊不清，或圖形特征不明顯等原因，再加上人工智能最大的困擾數(shù)據(jù)集有限等問題，目前關于三維影像資料的定點仍需要較多的人工參與進行校準。

1.3 人工智能與正畸臨床診斷

隨著各種深度學習的算法在頭影測量分析中的成功應用與不斷深入，其也在正畸臨床的診斷中彰顯優(yōu)勢，可以用來診斷患者的錯畸形類型以及生長發(fā)育階段的判斷等。最初的方案設計方法是基于專家系統(tǒng)的人工智能分析方法，主要包括基于規(guī)則的專家系統(tǒng)、基于案例的專家系統(tǒng)以及基于人工神經(jīng)網(wǎng)絡的專家系統(tǒng)等[12-13]。隨著機器學習以及深度學習的發(fā)展，正畸診斷方法變得更加智能化。Yu等[14]提出了一種利用CNN建立端到端的深度學習模型用于垂直向和矢狀向骨性錯畸形的診斷，該方法省略了復雜的頭影測量過程，直接將頭顱側位片和正位片與診斷結果端對端聯(lián)系，結果顯示該模型診斷性能的靈敏度、特異度和準確率均大于90%。Makaremi等[15]應用CNN判斷頭顱側位片CVMS分期，在不同環(huán)境下對不同數(shù)量的圖像進行訓練、評估和測試，并對這些圖像進行不同的預處理。對模型和方法進行了交叉驗證。發(fā)現(xiàn)更均勻的類別分布有助于提高準確率。另一方面，Liu等[16]通過1 023 張標注頭顱側位片建立了一種基于VGG-Lite的深度學習模型，進行病理性腺樣體肥大的定性診斷。平均單張計算時間僅為4.2 s，診斷準確率與專家水平接近。雖然在運用中發(fā)現(xiàn)其精度并不能達到百分百的評估預測能力，但在一定程度上表明人工智能可以對生長發(fā)育階段以及臨床表現(xiàn)做出評估，以幫助臨床醫(yī)生診斷分析。

1.4 人工智能與正畸方案設計

基于人工智能方法下的輔助診斷模型，可以有效幫助醫(yī)生制定正畸方案。Suhail等[17]率先通過人工選定特征制定拔牙或者不拔牙的計劃，運用287 例患者的數(shù)據(jù)訓練了一些機器學習模型，得到較準確的訓練結果。國內(nèi)學者[12]利用人工神經(jīng)網(wǎng)絡(ANN)構建11～15 歲患者正畸治療決策專家系統(tǒng)(ES)，以確定是否需要拔牙，并且揭示出影響拔牙與否的重要因素。結果顯示該方法的準確性達到80%，并且前牙暴露量以及下前牙唇傾度(IMPA)是貢獻最大的指標。Thanathornwong等[18]從常用指標中篩選出包括覆蓋、覆在內(nèi)的15 個變量，選擇貝葉斯網(wǎng)絡(BN)作為基礎模型，輔助評估患者是否需要正畸治療。Lee等[19]利用深度學習方法研究了正頜手術或正畸治療的必要性，消除了由標志性測量值引起的誤差，大大提升了治療診斷的精準率。Choi等[20]運用一種雙層神經(jīng)網(wǎng)絡，實現(xiàn)正頜/不正頜的決策，準確度可以達到96%，同時運用這樣的網(wǎng)絡評估手術類型與拔牙決策時，表現(xiàn)出91%的準確度。考慮到正畸方案的設計要根據(jù)錯畸形類型，非常規(guī)拔牙，患者遺傳因素等問題，另外人工智能在運用中的缺陷會影響整個正畸方案的設計，關乎患者自身的切身利益，因此人工智能的方案決策仍具有局限性，若可以納入更多的影響因素，將會大幅提升人工智能在方案決策中的作用。

2 人工智能目前面臨的主要問題

2.1 圖像識別技術中的局限性

人工智能中的圖像識別技術最顯著的優(yōu)勢在于處理圖片過程中的智能化，可以對圖片進行智能化的分析處理與選擇。人工智能圖像識別是基于信息技術基礎衍生發(fā)展而來，其融合了計算機對數(shù)據(jù)信息處理的技術，依賴于計算機輔助完成，但目前圖像處理中的分辨率受到圖像信息的影響，準確性也會隨之受到影響。

在目前正畸相關的深度學習方法研究中，二維圖像仍是主要的數(shù)據(jù)來源。二維圖像的局限性包括因透視成像過程導致原本的三維結構投射在二維圖像時的解剖結構重疊、失真，圖像間尺度差異，以及缺乏相關標志物或病變的三維信息，二維圖像無法對三維結構信息進行表達，在利用機器學習對二維圖像進行訓練時，可能會由于信息缺失影響模型的準確性[21]，將這些二維圖像轉為三維模型后更便于診斷分析，可有效降低以上誤差?？紤]到在圖像識別技術中的缺陷性，即使是三維圖像，由于其所包含的信息量較大，仍然會影響圖像識別的準確性，因此需要不斷優(yōu)化圖像識別，使基于人工智能的圖像識別技術的應用變得更加的便捷，更全面發(fā)揮其優(yōu)勢。

2.2 監(jiān)督學習的標記誤差

訓練深度學習網(wǎng)絡的方式包括監(jiān)督學習、無監(jiān)督學習和半監(jiān)督學習等，監(jiān)督學習指的是先使用標記過的訓練集進行預訓練，得到模型參數(shù)，然后將這種學習到的經(jīng)驗在驗證集上進行驗證。而無監(jiān)督學習則不對訓練集進行標記，讓深度神經(jīng)網(wǎng)絡自動學習內(nèi)在的規(guī)則[22]。目前正畸相關的深度學習研究中，常用的模型包括CNN(卷積神經(jīng)網(wǎng)絡)，RNN(循環(huán)神經(jīng)網(wǎng)絡)等往往需要進行監(jiān)督學習，但是和普通訓練數(shù)據(jù)集不同，正畸主要面對的各類非正常的畸形情況，正畸數(shù)據(jù)集并無通用標準對數(shù)據(jù)進行標注，因此標記數(shù)據(jù)的誤差也會影響深度學習模型訓練結果的準確性。另外對于三維影像資料由于其包含的信息較多，由不同的平掃層面組成，標記需要分層進行，往往費時較多，同時不同水平與認知的工作人員對于標記的把握也參差不齊，因此標記的準確性影響著正畸相關決策的制定。

2.3 黑盒特性所帶來的的可解釋性問題

基于深度神經(jīng)網(wǎng)絡的智能系統(tǒng)，由于學習和預測過程不透明，不知道其根據(jù)學到的哪部分特征進行的預測和判斷，操作者難以解釋其科學性，被稱為“黑盒特性”。深度學習的“黑盒特性”，難以用純數(shù)學理論的方法進行分析解釋，目前缺乏完備的理論和方法體系對其網(wǎng)絡架構進行解釋[23]。在眾多研究中，很多學者也給出了多種非數(shù)學上的定義，包括人類對于決策原因理解的程度、人類可以持續(xù)預測模型結果的程度、向人類做出解釋的過程等[24]。在神經(jīng)網(wǎng)絡的運行中可解釋性與決策能力呈正相關，也就是說可解釋性越高，做出決策與預測的準確性才能越高。深度神經(jīng)網(wǎng)絡的不透明性、不可解釋性和不可理解性，成為制約深度學習技術可靠和可信應用的主要瓶頸。目前大多數(shù)正畸相關的深度學習研究，都無法可視化的解釋其深度學習模型運行結果的邏輯。對于正畸醫(yī)生而言，單純依賴深度學習模型的結果做出決策就會顯得缺乏依據(jù)，尤其是預測性結果的可靠性難以確認，而這種醫(yī)療決策的不可追溯性可能會導致潛在的醫(yī)患糾紛。

2.4 數(shù)據(jù)量以及數(shù)據(jù)異構性

正畸患者治療的長周期，決定了正畸醫(yī)生難以獲取大樣本量的數(shù)據(jù)集用于深度學習的研究。在目前正畸相關的深度學習文獻中，所使用的樣本量通常在1 000 例以下，少數(shù)研究的樣本量達到了幾千例。對于數(shù)據(jù)驅動的深度神經(jīng)網(wǎng)絡而言，數(shù)據(jù)量對于模型的性能有著顯著的影響，通常訓練良好的深度學習模型所需要的數(shù)據(jù)量在十萬以上，過小的樣本量容易導致過擬合的問題[25]。除此之外，正畸樣本的可標記數(shù)據(jù)獲取困難，標簽數(shù)據(jù)的獲取需要大量專業(yè)醫(yī)師進行數(shù)據(jù)標注，這為正畸數(shù)據(jù)用于機器學習訓練產(chǎn)生了巨大的挑戰(zhàn)。

大多數(shù)正畸相關的深度學習模型，都是使用同一機構在一段規(guī)定的時間內(nèi)收集的少量圖像開發(fā)的。此外，用于開發(fā)算法的圖像很可能是使用相同的設備和成像協(xié)議捕獲的。因此不同時間不同設備采集的數(shù)據(jù)缺乏數(shù)據(jù)異構性。在模型推廣應用時，面對各種異構數(shù)據(jù)往往魯棒性和泛化能力欠佳，這可能會導致模型缺乏通用性和可靠性，并可能由于變量(包括設備、成像方案和患者群體)的不同而導致在廣泛的臨床實踐中的表現(xiàn)不盡如人意[26]。

2.5 隱私保護性弱

機器學習作為人工智能的核心技術，其性能和隱私受到在近年來廣泛關注，傳統(tǒng)的機器學習需要有服務商收集用戶的數(shù)據(jù)后集中訓練, 但是用戶的數(shù)據(jù)與用戶個體緊密相關, 其中不乏一些敏感信息，而這些信息若被挪作他用，則可能威脅用戶的人身安全、個人名譽和財產(chǎn)安全。另外集中訓練后發(fā)布的模型也可能因為受到攻擊而泄露隱私[27]。但是人工智能技術卻需要對大量數(shù)據(jù)進行收集和融合, 如果不能獲取完整豐富的信息來訓練模型人工智能這門技術將會受到嚴重的制約。正畸學科中的隱私保護同樣是人工智能正畸領域發(fā)展的制約因素，很多隱形矯治器公司，需要大數(shù)據(jù)才能確保治療方案的可靠性，但大量資料的獲得與存儲就使得患者的隱私受到威脅，若資料數(shù)據(jù)量不足，則嚴重制約隱形矯治技術的發(fā)展。目前大數(shù)據(jù)的個人隱私保護仍處于起步階段，在生態(tài)環(huán)境和研究的各個層面上都提出了挑戰(zhàn)性研究問題。

3 正畸學科人工智能未來的發(fā)展

基于人工智能在正畸學科中的運用現(xiàn)狀，其在未來仍有較大的發(fā)展空間，若未來可以將深度學習的訓練方法圍繞著半監(jiān)督學習方法展開[28]，從原來需要大量的數(shù)據(jù)以及大規(guī)模數(shù)據(jù)任務的監(jiān)督學習現(xiàn)狀轉變?yōu)檩^少數(shù)據(jù)需求以及較少標注工作的轉變，則在有效降低工作量的同時，不斷增加輔助診療的精準度，這樣就使得人工智能這門技術實現(xiàn)低門檻，高收益，更好的服務于臨床。

在隱私保護方面，聯(lián)邦學習在數(shù)據(jù)孤島現(xiàn)象與數(shù)據(jù)融合需求的矛盾背景下,應運而生。它通過多個數(shù)據(jù)持有方協(xié)同訓練模型而不分享數(shù)據(jù)，這樣在保證足夠的訓練集的前提下，患者仍可對自己的資料進行控制[29]。

從應用層面上來說，人工智能技術可以將優(yōu)質化的正畸醫(yī)療資源加以智能化分析，通過數(shù)字化技術的分析存儲以及分享，更快更精準實現(xiàn)正畸方案的確定，資源共享，可以短時間解決優(yōu)質醫(yī)療資源分布不均衡問題。目前人工智能針對正畸數(shù)字化技術正逐步實現(xiàn)從單模態(tài)到多模態(tài)，單一因素到多因素的分類分析。未來將有效解決正畸資源分布不均的問題，讓更多的患者享受到規(guī)范化的正畸診療。

總之，借助于人工智能技術，發(fā)揮其在正畸診斷治療中的優(yōu)勢，形成三維化、智能化正畸輔助診斷和治療計劃、并使相關數(shù)據(jù)可存可訪，對于提高基層和邊緣地區(qū)正畸方案設計的精準性與高效性，提升正畸醫(yī)生的專業(yè)水平，有著重要的社會意義。但在人工智能迅速發(fā)展的當下，需要認清其僅可作為輔助診療的手段，人工智能本身所存在的問題以及醫(yī)療本身的個體差異性與復雜性，意味著醫(yī)生仍是治療的主體，切不可過分依賴于人工智能。