張 娟，曹士盛，李宏霄

人工智能（artificial intelligence，AI）是研究、開發(fā)用于模擬、延伸和擴展人的智能的理論、方法、技術(shù)及應(yīng)用系統(tǒng)的一門新的技術(shù)科學(xué)。1956年，AI的概念首次在美國達特茅斯會議提出，AI可分為強AI和弱AI，強AI指的是制造出能自行推理并解決問題的智能機器。但由于計算機算法和數(shù)據(jù)處理的能力局限，強AI一直沒有突破性進展。當前主流研究主要集中于弱AI領(lǐng)域并取得了較大的突破。

目前絕大多數(shù)AI的進步和應(yīng)用都應(yīng)歸功為機器學(xué)習(xí)。機器學(xué)習(xí)[1]最基本的做法就是使用算法來解析數(shù)據(jù)，從中學(xué)習(xí)，然后對真實世界的事件做出決策或者預(yù)測。它是AI的核心，是使計算機具有智能的根本途徑，其應(yīng)用遍及AI的各個領(lǐng)域。AI問世至今，對很多領(lǐng)域都產(chǎn)生了變革性影響[2]。醫(yī)學(xué)領(lǐng)域的AI研究與應(yīng)用，從20世紀70年代至今一直潛移默化地影響醫(yī)學(xué)發(fā)展模式[3]。診療過程中產(chǎn)生大量的影像資料是機器學(xué)習(xí)最好的訓(xùn)練數(shù)據(jù)，大量的AI模型被開發(fā)出來，在公共健康、藥物設(shè)計、輔助診斷和精準醫(yī)學(xué)等方面取得了積極進展。在口腔醫(yī)學(xué)領(lǐng)域[4]，AI在疾病的預(yù)防、診斷、治療，預(yù)后等方面展現(xiàn)了顯著潛力。文章則就AI在口腔疾病診斷方面的發(fā)展現(xiàn)狀、存在的問題和未來展望進行綜述。

1 口腔頜面外科學(xué)領(lǐng)域

口腔頜面外科是口腔領(lǐng)域最早應(yīng)用AI技術(shù)的學(xué)科之一，在牙槽外科，下頜神經(jīng)管的定位是預(yù)防術(shù)中神經(jīng)損傷的關(guān)鍵。Fukuda M等[5]利用600幅全景片比較3種卷積神經(jīng)網(wǎng)絡(luò)評價下頜第三磨牙下頜神經(jīng)管空間關(guān)系的診斷性能和一致性，結(jié)果證明使用深度學(xué)習(xí)創(chuàng)建的診斷系統(tǒng)在全景影像中評估下頜神經(jīng)管的空間位置是可行的。Orhan K團隊[6]評價了AI與醫(yī)師相比在錐形束CT（cone beam computed tomography，CBCT）影像中對阻生第三磨牙的阻生牙數(shù)、牙根數(shù)、根管數(shù)及與下頜神經(jīng)管位置關(guān)系的診斷性能，Kappa分析表明下頜神經(jīng)管與第三磨牙位置關(guān)系與牙根數(shù)有很好的一致性。

頜骨的囊腫和腫瘤的晚期根治性手術(shù)會導(dǎo)致面部畸形，所以早發(fā)現(xiàn)、早治療至關(guān)重要。Yang H等[7]將1 602幅全景X射線圖像作為數(shù)據(jù)庫，利用“只看一次”（You only look once,YOLO）V2算法對含牙囊腫、牙源性角化囊腫、成釉細胞瘤進行檢測和分類，與臨床醫(yī)生相比較，YOLO取得了不錯的成績（精確度=0.707，召回率=0.680）。Abdolali F等[8]提出了一種新的基于表面和紋理信息的頜面囊腫檢測方法，與傳統(tǒng)檢測特征相比，分類精度提高了8.94%。Morikawa T等[9]回顧性收集成纖維細胞瘤和牙源性角化囊性瘤的500幅全景影像，遷移學(xué)習(xí)使用大樣本數(shù)據(jù)集的16層卷積神經(jīng)網(wǎng)絡(luò)，其檢測準確度與口腔頜面外科專家相當。上海交通大學(xué)團隊使用了一種基于遷移學(xué)習(xí)算法的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以顯著提高成釉細胞瘤和牙源性角化囊腫鑒別準確度[10]。Chai Z等[11]使用178幅成釉細胞瘤和172幅牙源性角化囊腫的CBCT圖像訓(xùn)練深度學(xué)習(xí)模型，結(jié)果表明與臨床外科大夫相比，深度學(xué)習(xí)模型在區(qū)分此兩種病變方面有更高的準確度。

由于口腔癌發(fā)病初期不易確診，許多新興診斷手段被引入AI診斷口腔癌系統(tǒng)中。Zlotogorski-Hurvitz A等[12]利用機器學(xué)習(xí)技術(shù)對外泌體光密度數(shù)據(jù)建立分類模型，可以準確區(qū)分患者和健康人唾液外泌體的紅外光譜特征。Aubreville M等[13]則通過機器學(xué)習(xí)利用口腔鱗狀細胞癌患者的口腔激光窺鏡圖像自動化診斷口腔鱗癌，Quang T等[14]驗證了AI輔助下多模式光學(xué)成像技術(shù)在口腔癌早期診斷的可行性。

2 口腔內(nèi)科學(xué)領(lǐng)域

近年來，AI在口腔內(nèi)科的研究主要集中于齲齒的自動化診斷。Cantu AG等[15]使用深度神經(jīng)網(wǎng)絡(luò)在咬合片上檢測齲損，研究表明深度神經(jīng)網(wǎng)絡(luò)比牙科醫(yī)生的診斷更準確。Valizadeh S等[16]開發(fā)并評估了后牙鄰面齲的AI診斷系統(tǒng)，該系統(tǒng)對牙本質(zhì)齲的診斷率可達97%，但對釉質(zhì)缺損的檢測能力有限。Hung M等[17]開發(fā)了識別根面齲的機器學(xué)習(xí)算法，其中支持向量機識別根面齲的準確度為97.1%，靈敏度為99.6%，特異度為94.3%。

Berdouses ED等[18]提出了一種完全自動化的齲損檢測方法，不僅可以利用患者數(shù)碼相機拍攝的牙齒圖片對齲齒檢測，還可以對齲齒進行分類。數(shù)碼相機拍攝照片檢測齲齒，相比于X射線檢查有利于在人群中進行大量的齲齒篩查[19]。隨著智能手機的普及，Duong DL等[20]開發(fā)了一種基于支持向量機可以自動識別智能手機圖像中咬合面齲的算法，將診斷成本進一步降低。此外，智能算法不僅可以根據(jù)手機照片判斷氟中毒引起的牙齒白色改變[21]，還可以在數(shù)碼照片上檢測乳牙菌斑，幫助改善兒童口腔健康[22]。

此外，深度卷積神經(jīng)網(wǎng)絡(luò)還可以使用全景X射線影像、CBCT影像數(shù)據(jù)對根尖周病變進行診斷。Lee JH等[23]基于深度卷積神經(jīng)網(wǎng)絡(luò)研發(fā)了一種牙周病診斷系統(tǒng)，前磨牙牙周病診斷準確度為81.0%，磨牙診斷準確度為76.7%。Feres M等[24]使用支持向量機分類器對齦下40種細菌進行測試，結(jié)果發(fā)現(xiàn)牙周健康患者的細菌組成較牙周病患者均一，并能夠區(qū)分年輕患者的廣泛性侵襲性牙周炎和廣泛性的慢性牙周炎。Li S等[25]使用4 129幅根尖片開發(fā)了一種用于自動檢測齲齒和根尖周炎的深度學(xué)習(xí)模型，其檢測準確度明顯高于青年牙醫(yī)，而且在該模型的幫助下，青年醫(yī)生的診斷準確度明顯提高。

口腔白斑是最常見的口腔潛在惡性疾病，Jurczyszyn K等[26]拍攝正?？谇火つず桶装叩目趦?nèi)照片并通過人工神經(jīng)網(wǎng)絡(luò)進行紋理分析和分類，神經(jīng)網(wǎng)絡(luò)識別白斑的靈敏度為100%，特異度為97%。此外，Banerjee S等[27]將傅里葉變換紅外光譜與AI相結(jié)合，可以有效區(qū)分健康黏膜、白斑和口腔鱗狀細胞癌，總體準確度為89.7%。

3 口腔修復(fù)學(xué)領(lǐng)域

近年來，人們致力于開發(fā)基于AI檢測醫(yī)療影像的技術(shù)。Prados-Privado M等[28]收集8 000幅口腔全景影像，使用卷積神經(jīng)網(wǎng)絡(luò)檢測牙齒的缺失，準確度超過95%。準確判斷患者牙弓狀況，是口腔修復(fù)決策支持系統(tǒng)的關(guān)鍵一步，Takahashi T等[29]利用卷積神經(jīng)網(wǎng)絡(luò)對牙弓進行分類為無牙列、完整牙列、后牙缺失牙列和前牙缺失牙列。Gerhardt MDN等[30]開發(fā)一種AI模型能夠快速地檢測、分割和標記牙列缺損或牙列缺失患者的CBCT圖像。對缺失牙齒的檢測和標記的總體準確度可達99%。

種植體周圍炎治療前需了解種植體的種類，因此需要一種用于從有限的數(shù)據(jù)中辨別患者種植體系統(tǒng)的算法，Takahashi T等[31]用1 282幅帶有種植體的全景X射線圖像進行深度學(xué)習(xí)，該算法可以從全景放射圖像中識別6類種植體。Kim J等[32]使用801例患者的根尖周X射線圖像數(shù)據(jù)進行深度學(xué)習(xí)，對4類種植體進行檢測，測試準確度超過了90%，而且輕量級神經(jīng)網(wǎng)絡(luò)即使在圖像數(shù)量較少、網(wǎng)絡(luò)相對較小的情況下也能對4類種植體進行高精度地分類。Lee J等[33]驗證了深度卷積神經(jīng)網(wǎng)絡(luò)在牙種植體系統(tǒng)識別和分類中的準確度，該團隊將3種形狀相似、內(nèi)部錐形連接的種植體系統(tǒng)的5 390幅全景X射線圖像和5 380幅根尖周片作為測試數(shù)據(jù)集，結(jié)果表明深層卷積神經(jīng)網(wǎng)絡(luò)的分類準確度高于高年資牙周醫(yī)生。上述研究的應(yīng)用會減少由于缺乏對植入體確切類型的了解而帶來的不必要診療費用。

Abdalla-Aslan R等[34]嘗試開發(fā)一種基于機器學(xué)習(xí)自動檢測和分類X射線圖像中的各種牙科修復(fù)體的計算機視覺算法，通過測試83幅全景圖像中的738個牙齒修復(fù)體，該算法檢測到94.6%的修復(fù)體，在區(qū)分修復(fù)體類別時，分類總體準確度為93.6%。

4 口腔正畸學(xué)領(lǐng)域

使用標準化的頭影測量片、解剖標志點被準確標記是正畸診療過程中必不可少的，但由于測量過程中醫(yī)師的個體差異及疲勞導(dǎo)致的人工標記錯誤會影響診療結(jié)果。此外，手動繪制頭影測量地標耗時費力，因此人們一直嘗試建立一個能夠快速標記和分析頭影測量標志的自動化正畸分析系統(tǒng)。Lee JH等[35]利用貝葉斯卷積神經(jīng)網(wǎng)絡(luò)來定位具有可信度區(qū)域的頭影測量標記點，在2 mm、3 mm和4 mm范圍內(nèi)，該系統(tǒng)的平均標志性誤差為（1.53±1.74）mm，檢測成功率分別為82.11%、92.28%、95.95%，可以作為計算機輔助正畸診斷工具。Hwang HW等[36]應(yīng)用一種深度學(xué)習(xí)算法——YOLO-V3算法檢測200幅頭影測量的17個標記點，其檢測準確度與正畸醫(yī)師不相上下，甚至在某些頭影測量分析指標上表現(xiàn)出更高的分類成功率。Yu HJ等[37]根據(jù)5 890幅頭顱側(cè)位片構(gòu)建了一個深卷積神經(jīng)網(wǎng)絡(luò)模型，并利用遷移學(xué)習(xí)和數(shù)據(jù)增強技術(shù)改良，通過測試，該模型在對垂直位、矢狀位骨骼類型的診斷靈敏度、特異度和準確度均大于90%，其中垂直分類的準確度高達96.4%。該研究還通過一個頭顱熱圖直觀表示在骨骼分類方面信息最豐富的區(qū)域。

CBCT的影像數(shù)據(jù)被逐漸引入AI，Wang H等[38]訓(xùn)練多尺度密集卷積神經(jīng)網(wǎng)絡(luò)，能夠完成CBCT影像中的頜骨、牙齒和背景的多類分割，Zhang J等[39]使用大量的CBCT圖像生成顱頜面結(jié)構(gòu)的三維（three dimensions，3D）模型并完成骨骼分割和解剖標志數(shù)字化。Kim I團隊[40]則嘗試對CBCT影像3D增強后用兩種不同的深度學(xué)習(xí)模型構(gòu)建多通道模型實現(xiàn)對錯頜畸形的自動識別和分類，結(jié)果證明多通道模型的診斷性能優(yōu)于單通道深度學(xué)習(xí)模型，可以輔助正畸醫(yī)生對患者做出更準確診斷，有助于最佳診療方式的確定。

患者骨齡對正畸矯治效果有一定的影響，臨床骨齡測定的黃金標準是通過觀察手腕骨X射線圖像來實現(xiàn)的[41]，但口腔醫(yī)療機構(gòu)普遍不具有拍攝腕骨X射線的條件。研究表明骨骼發(fā)育狀態(tài)可以從頸椎骨發(fā)育程度推斷出來，K?k H和他的團隊[42]使用AI分類器尋找可以明確生長發(fā)育階段的頸椎，從而使患者僅需拍攝頭顱側(cè)位片就可以確定發(fā)育程度，降低了患者的醫(yī)療費用和受輻射量。

5 總結(jié)與展望

雖然AI在口腔醫(yī)學(xué)診斷領(lǐng)域的發(fā)展十分迅速，但仍然存在頗多亟待解決的問題。

AI輔助診斷的基石是龐大的醫(yī)療信息數(shù)據(jù)庫，包括放射影像、電子健康記錄、醫(yī)院電子病歷等。數(shù)據(jù)的質(zhì)與量決定診斷結(jié)果的準確度和可信度。目前口腔醫(yī)療健康數(shù)據(jù)主要存在以下問題：其一，缺乏高質(zhì)量數(shù)據(jù)；其二，數(shù)據(jù)分散沒有統(tǒng)一的評價標準；其三，數(shù)據(jù)安全性面臨巨大挑戰(zhàn)。

雖然口腔疾病AI診斷的研究和應(yīng)用存在問題。但不可否認AI會給口腔疾病的診斷工作帶來翻天覆地的變化。

綜上所述，現(xiàn)在仍然處于AI輔助診斷發(fā)展的初級階段。在未來，隨著臨床診療數(shù)字化技術(shù)和便攜式實驗室診斷儀器的研發(fā)，將擴大AI學(xué)習(xí)的數(shù)據(jù)來源，使得數(shù)據(jù)不僅僅局限于傳統(tǒng)的影像資料，還包括疾病生物標志物、各類光譜信號、大數(shù)據(jù)文本資料等，甚至是打破數(shù)據(jù)之間的壁壘，利用各類數(shù)據(jù)整合出混合數(shù)據(jù)庫，建立臨床大數(shù)據(jù)疾病預(yù)警系統(tǒng)，診病于未病之時。