毛 映， 趙綠揚， 龍 潔

（口腔疾病研究國家重點實驗室，國家口腔疾病臨床醫(yī)學研究中心，四川大學華西口腔醫(yī)院創(chuàng)傷整形外科，四川 成都 610041）

人工智能（AI）指能夠模仿人類認知技能進行 自動化決策、處理問題等的任何機器或技術。 目前，AI 包括機器學習、神經(jīng)網(wǎng)絡及深度學習，其中卷積神經(jīng)網(wǎng)絡（convolutional neural network，CNN）是計算機視覺中新興的人工神經(jīng)網(wǎng)絡（artificial neural network, ANN）和深度學習的核心模型，該技術可在輸入原始像素信息后自動提取圖像特征，主要用于處理大型和復雜的圖像。 醫(yī)學圖像分割與診斷是AI圖像處理和模式識別技術應用的重要領域之一，基于圖像的自動診斷已應用在多種疾病領域[1]，包括肺癌、直腸癌、鼻咽癌等。 近年來，AI 也已被引入口腔頜面部臨床診療[2]，通過自動檢測、預測或提出治療方案， 為醫(yī)學專業(yè)人員提供有價值的輔助信息。本文就AI 在口腔頜面部X 線及CT 圖像信息分析處理中的相關應用進行綜述。

1 自動化牙齒識別與分類

牙齒的準確識別與分類不僅關乎口腔醫(yī)學的診療， 也可在法醫(yī)學鑒定中用于個體信息的甄別。目前， 已有學者將AI 應用于自動化識別并分類口腔頜面部X 線及CT 圖像中的牙齒， 以輔助和簡化上述工作。

Chen 等[3]收集了1 250 張口內(nèi)根尖X 線片圖像，基于CNN 圖像學習實現(xiàn)了模型對單個牙齒的自動識別及分類標注，其準確率超過90%。 Tuzoff 等[4]基于全景片數(shù)據(jù)集，采用更為先進的Faster R-CNN 結合VGG-16 CNN 和啟發(fā)式算法構建的模型，根據(jù)牙齒的空間排列規(guī)則進行檢測、計數(shù)和分類。 該模型平均準確度較高，相當于高年資影像學專業(yè)人員的評判水平。

在對口腔錐形束CT （cone-beam computed tomography, CBCT）的圖像處理中，Miki 等[5]使用從斷層片中提取的單個牙齒感興趣區(qū)域（region of interest, ROI）來訓練深度卷積神經(jīng)網(wǎng)絡（deep convolutional neural network, DCNN)，其平均牙齒識別及分類準確率可達88.8%。Esmaeilyfard 等[6]選擇了CBCT圖像中牙齒結構的9 個線性特征來訓練樸素貝葉斯、 隨機森林和支持向量機模型以預測患者性別，平均準確率為92.31%，其性別分類預測結果達到了可接受的水平。

上述研究結果表明，AI 具有輔助口腔醫(yī)生記錄牙齒并編號從而提高臨床工作效率的潛能，同時可以作為法醫(yī)人類學鑒定的輔助工具，豐富了鑒定手段。

2 牙體及牙周疾病的輔助診斷與評估

齲壞發(fā)生在深窩溝、鄰接區(qū)或修復體周圍等隱蔽位置時難以被早期發(fā)現(xiàn)，多依賴于醫(yī)生的經(jīng)驗性診斷，故存在一定的漏診率及誤診率。 Lee 等[7]通過根尖片中的齲齒圖像特征來訓練DCNN 診斷齲齒性能，結果顯示，受試者工作特征曲線（receiver operator characteristic curve, ROC）的曲線下面積（area under curve, AUC） 在前磨牙區(qū)和磨牙區(qū)分別為0.917 和0.890，該學者認為若擴大樣本量并納入病史、叩診等其他臨床檢查參數(shù)，其智能診斷的準確度還可進一步提升。

在牙根及根尖病變成像診斷方面，Johari 等[8]設計了概率神經(jīng)網(wǎng)絡模型（probabilistic neural network,PNN）以診斷根尖片和CBCT 圖像中離體單根前磨牙的牙根縱裂，其最大準確率分別為70.0%和96.6%。Ekert 等[9]基于全景片中根尖病變圖像訓練CNN 得到的模型AUC 為0.85。

在牙周炎診治中常借助全景片來評估全口牙周骨質(zhì)的情況。 Kim 等[10]結合DCNN、遷移學習和臨床知識設計了DeNTNet 模型以評估全景片中牙周骨質(zhì)丟失，并依據(jù)牙聯(lián)標記獲得病變區(qū)的牙齒數(shù)目，結果顯示，平均AUC 大于0.90。 Chang等[11]在分類型傳統(tǒng)計算機輔助診斷系統(tǒng)中加入改良CNN 后構建的混合框架， 實現(xiàn)了在全景片中對單顆牙齒牙周骨質(zhì)丟失的自動檢測、分類和牙周炎分期，模型準確度與經(jīng)驗豐富的放射科醫(yī)生高度相近。

3 顱頜面部骨性標志的頭影測量及正畸與正頜的治療方案預測

頭影測量是正畸及正頜外科中必不可缺的常規(guī)診療手段。 Arik 等[12]首次將DCNN 應用于識別頭顱側位片，在選中的19 個標志點中，2 mm 內(nèi)誤差的檢測成功率為76%。 Park 等[13]將標志點增加到80 個，并運用基于CNN 的YOLOv3 方法檢測，其中19 個主要標志點2 mm 內(nèi)誤差范圍的檢測成功率為80.4%，與專業(yè)人員檢測的平均誤檢差小于0.9 mm，且重復性明顯高于人工標注。

在自動化標注基礎上， 許多學者運用AI 進行后續(xù)的測量分析。 Jung 等[14]建立的決策系統(tǒng)根據(jù)頭顱側位片中12 個特征來預測正畸拔牙方案， 總決策準確率為93%。 Choi 等[15]設計的機器學習模型可通過側位片對骨性錯頜進行簡單分類并決策是否需要介入手術，總分類和決策成功率分別為91%和96%。 以上智能模型雖準確度較高，但均沒有納入骨性不對稱或頜面畸形的患者， 因此仍需進一步優(yōu)化。

4 頜骨疾病的診斷

在骨質(zhì)疏松的診斷中通常以骨密度儀測量的骨密度值作為參考標準， 但由于數(shù)據(jù)干擾因素較多，其結果存在一定偏差。 Lee 等[16]構建了單列DCNN、 數(shù)據(jù)增強的單列DCNN 和多列DCNN 3 種模型，其根據(jù)全景片診斷骨質(zhì)疏松的AUC 為0.976 3～0.999 1， 模型準確度相當于經(jīng)驗豐富的放射科醫(yī)生。 因此，對大樣本人群老年患者骨質(zhì)疏松的診斷可借助AI 經(jīng)全景片進行有效篩查。

上頜竇炎在全景片中的表現(xiàn)易被臨床醫(yī)師忽視。Kim 等[17]運用華氏位X 線圖像訓練CNN 檢測上頜竇炎，AUC 約為0.9。 Murata 等[18]基于全景片數(shù)據(jù)集訓練的CNN 模型對上頜竇炎檢測的準確率為87.5%。 這些智能模型的準確度較高，可為缺乏經(jīng)驗的醫(yī)師提供診斷支持。

5 腫瘤及區(qū)域淋巴結轉(zhuǎn)移的診斷

口腔癌是臨床治療的難點和重點，晚期癌癥的治療效果差且費用高，公眾的認知缺乏和衛(wèi)生人員的臨床經(jīng)驗有限，常導致腫瘤延遲診斷。 常規(guī)篩查手段結合AI 自動檢測系統(tǒng)有望為臨床提供低成本但高效的診斷方法。 使用自適應中值濾波器和Gabor 濾波器預處理CT 二維圖像并提取特征后，采用支持向量機分類器構建健康預警系統(tǒng)模型對圖像進行良、惡性分類可獲得較高的準確率。 Xu 等[19]在二維圖像識別的基礎上嘗試提取腫瘤的三維空間信息， 同時結合腫瘤在動態(tài)增強CT 檢查中的表現(xiàn)，構建了包含空間特征和空間動力學特征的三維CNN診斷模型以識別早期惡性腫瘤，結果顯示，在層次結構相同的情況下，三維CNN 模型的診斷準確性顯著高于二維CNN 模型。上述研究表明，在衛(wèi)生資源有限的情況下，AI 的應用有助于遠程醫(yī)療的積極推廣。

在頜面部惡性腫瘤的治療過程中，是否存在區(qū)域淋巴結轉(zhuǎn)移可直接影響治療方案的選擇和預后情況。Ariji 等[20]使用AlexNet 模型及Caffe 框架學習口腔癌患者頸部淋巴結的增強CT 圖像， 分析淋巴結轉(zhuǎn)移和淋巴結結外侵犯的診斷準確率分別為78.2%和84.0%， 類似的智能模型可作為輔助工具指導頭頸部癌癥患者的臨床決策。

綜上所述， 近年來，AI 技術已經(jīng)越來越多地應用于包括診斷成像在內(nèi)的各醫(yī)學領域。 本文檢索的大多數(shù)研究都集中于基于CNN 和ANN 構建的AI模型， 這些模型通過對口腔頜面部X 線及CT 影像圖像的分析有效地幫助了臨床診斷和決策，所采用的AI 自動化系統(tǒng)表現(xiàn)出了穩(wěn)定有效的性能。 AI 技術模仿受過嚴格訓練的專業(yè)人員，在疾病的診斷中表現(xiàn)出了近似于甚至高于專業(yè)人員的準確度。 需要關注的是，AI 模型的準確率與納入數(shù)據(jù)的數(shù)量密切相關， 目前報道的相關研究數(shù)據(jù)量都有限，海量數(shù)據(jù)庫的出現(xiàn)是降低AI 計算錯誤的有效手段。假以時日， 通過數(shù)據(jù)的不斷擴大及軟件算法的進一步完善，AI 技術在臨床診斷和治療中將會有更廣泛的應用， 從而減少臨床實踐差異并提高數(shù)字診療的高效性與精準性。