馬建斌， 薛超然， 白丁

口腔疾病研究國(guó)家重點(diǎn)實(shí)驗(yàn)室國(guó)家口腔疾病臨床醫(yī)學(xué)研究中心四川大學(xué)華西口腔醫(yī)院正畸科，四川 成都（610041）

近年來(lái)，人工智能（artificial intelligence，AI）技術(shù)的發(fā)展為實(shí)現(xiàn)快速、精準(zhǔn)的醫(yī)學(xué)診療帶來(lái)希望，作為利用計(jì)算機(jī)研究、模擬、延伸和擴(kuò)展人的智能的技術(shù)，AI 在醫(yī)學(xué)診療中的優(yōu)勢(shì)在于能夠分析并處理大量臨床數(shù)據(jù)以實(shí)現(xiàn)疾病的預(yù)測(cè)和診斷，提高臨床診療效率并降低誤差［1］。其子領(lǐng)域機(jī)器學(xué)習(xí)（machine learning，ML）及其分支如人工神經(jīng)網(wǎng)絡(luò)（artificial neural network，ANN）、卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural network，CNN）、深度學(xué)習(xí)（deep learning，DL）、支持向量機(jī)（support vector machine，SVM）等已被廣泛應(yīng)用于正畸臨床影像資料處理、輔助診斷等領(lǐng)域，協(xié)助正畸醫(yī)生進(jìn)行分析診斷及制定治療計(jì)劃，可顯著提升醫(yī)療水平及效率［1?2］。本文就目前AI 技術(shù)在口腔正畸臨床診療中的應(yīng)用進(jìn)行闡述。

1 AI 在輔助二維頭影測(cè)量中的應(yīng)用

二維頭影測(cè)量是通過(guò)對(duì)X 線側(cè)位片中的點(diǎn)、線、角等進(jìn)行標(biāo)記與測(cè)量，輔助分析顱面結(jié)構(gòu)特征的常規(guī)診斷過(guò)程。其中頭影測(cè)量標(biāo)志點(diǎn)的準(zhǔn)確定位是影響分析診斷的重要因素。傳統(tǒng)的頭影測(cè)量標(biāo)志點(diǎn)定位多受醫(yī)生經(jīng)驗(yàn)與偏好的影響，有很大個(gè)體差異［3］。而一些用于自動(dòng)定點(diǎn)的軟件準(zhǔn)確率有待提高（約75%），與之相比，用ML 定位標(biāo)志點(diǎn)的準(zhǔn)確率可提高5%～15%，并降低耗時(shí)，提高醫(yī)生診療效率［3］。有研究使用CNN 定位23 個(gè)常用標(biāo)志點(diǎn)，平均誤差為（1.37 ± 1.79）mm，準(zhǔn)確率達(dá)88.43%［4］；Lee 等［5］應(yīng)用CNN 對(duì)18 個(gè)標(biāo)志點(diǎn)自動(dòng)定位，平均誤差（1.53 ± 1.74）mm，在2、3、4 mm 誤差可接受范圍內(nèi)，定位準(zhǔn)確率分別為82.11%、92.28%和95.95%，與Song 等［6］的研究結(jié)果一致，而對(duì)于定位較為困難的上牙槽座點(diǎn)、下頜角點(diǎn)等的定位準(zhǔn)確率也有顯著提高［5］。也有學(xué)者利用SVM 自動(dòng)定位蝶鞍點(diǎn)、下牙槽座點(diǎn)等5 個(gè)標(biāo)志點(diǎn)，平均準(zhǔn)確率達(dá)98%［7］。上述研究表明，基于AI 的自動(dòng)化定點(diǎn)系統(tǒng)具有較高的準(zhǔn)確度，可以作為正畸頭影測(cè)量分析的輔助工具，提高頭影測(cè)量定點(diǎn)及分析效率［6，8］。然而側(cè)位片解剖影像重疊影及用以學(xué)習(xí)訓(xùn)練的側(cè)位片數(shù)量會(huì)影響其定位準(zhǔn)確性，因此，在訓(xùn)練數(shù)據(jù)量較少或變異較大的情況下達(dá)到所需準(zhǔn)確度仍是一大挑戰(zhàn)。

2 AI 在輔助三維CT 影像分析中的應(yīng)用

2.1 AI 與CT 分牙

從計(jì)算機(jī)斷層掃描（computed tomography，CT）影像分牙是重建牙齒三維模型、進(jìn)行計(jì)算機(jī)輔助診斷和治療的基本步驟。目前在CT 影像分割牙齒具有如下難點(diǎn)：①正常咬合接觸時(shí)，上下牙齒重疊部分由于灰度值變化不明顯，導(dǎo)致上下牙分割不清；②牙根與周圍牙槽骨密度接近，很難將兩者完全分開；③高度相似鄰牙相互干擾，導(dǎo)致牙齒識(shí)別有誤［9?10］。傳統(tǒng)分牙技術(shù)，如水平集法、基于模版的擬合法等，需要較多的人工交互，分牙準(zhǔn)確性及效率都不甚理想［9，11］，與之相比，利用AI 技術(shù)可在CT 影像中實(shí)現(xiàn)自動(dòng)、準(zhǔn)確的牙齒分割。目前在分牙方面應(yīng)用最多的AI 技術(shù)是CNN，平均準(zhǔn)確率可達(dá)94.17%，且能通過(guò)優(yōu)化算法，解決CT 影像強(qiáng)度不均［11］、周圍解剖結(jié)構(gòu)及牙齒邊界不清［10?12］、解剖形態(tài)和位姿不同［9］以及修復(fù)體金屬偽影［13］對(duì)分牙的影響，提高分牙的準(zhǔn)確性和普適性，實(shí)現(xiàn)臨床分牙操作全自動(dòng)化［9?10，13］。用于訓(xùn)練的數(shù)據(jù)集是影響AI 性能的一大因素，增大數(shù)據(jù)集雖可提高分牙準(zhǔn)確率，但也會(huì)增加計(jì)算負(fù)荷，降低其實(shí)用性，AI 技術(shù)與傳統(tǒng)分牙技術(shù)的結(jié)合可能會(huì)是提高分牙準(zhǔn)確率的有效途徑［12］。

2.2 AI 與三維頭影測(cè)量定點(diǎn)

在三維頭影測(cè)量中，人工定點(diǎn)較為費(fèi)時(shí)且十分依靠醫(yī)生經(jīng)驗(yàn)，傳統(tǒng)的自動(dòng)定點(diǎn)方法［14?15］，雖較人工定點(diǎn)顯著降低操作時(shí)間，但由于個(gè)體解剖學(xué)差異而缺乏靈活性，并且容易受到數(shù)據(jù)多樣性的影響，導(dǎo)致定位偏差較大［16］。

研究表明，應(yīng)用ML 可自動(dòng)、快速地在CT 影像中定位標(biāo)志點(diǎn)，此類方法具有較高的靈活性，能兼顧多個(gè)標(biāo)志點(diǎn)的空間位置關(guān)系，降低計(jì)算負(fù)荷［17?18］。但對(duì)于定位準(zhǔn)確性，有研究應(yīng)用ML 對(duì)14個(gè)標(biāo)志點(diǎn)定位，平均偏差達(dá)3.40 mm，高于手工定點(diǎn)（1.41 mm）［15］，這與Yun 等［19］的研究結(jié)果一致；而Ma 等［18］應(yīng)用CNN 對(duì)13 個(gè)常用標(biāo)志點(diǎn)定位，平均誤差高達(dá)5.78 mm；此外Lachinov 等［17］應(yīng)用CNN定位眶下點(diǎn)及耳點(diǎn)，結(jié)果表明在4 mm 誤差范圍內(nèi)，定位準(zhǔn)確率達(dá)97%，然而在2 mm 誤差范圍內(nèi)，準(zhǔn)確率降至78%。

由此可見AI 在CT 定位標(biāo)志點(diǎn)的準(zhǔn)確性不足以達(dá)到臨床需求［16］。這可能與如下因素有關(guān)：①一些標(biāo)志點(diǎn)本身影像結(jié)構(gòu)重疊不清或無(wú)明顯圖形特征；②用于訓(xùn)練的數(shù)據(jù)集有限。因此僅推薦將現(xiàn)有的AI 技術(shù)用于標(biāo)志點(diǎn)的初步定位，在進(jìn)行進(jìn)一步測(cè)量分析之前，須手動(dòng)校準(zhǔn)。

3 AI 在輔助三維數(shù)字化牙模分析中的應(yīng)用

三維數(shù)字化牙頜模型可通過(guò)口內(nèi)掃描儀或牙科模型掃描儀獲取，其通過(guò)對(duì)掃描數(shù)據(jù)處理及曲面重建，再現(xiàn)牙列三維信息，具有高精確性、可重復(fù)性的特征。對(duì)三維數(shù)字化牙模進(jìn)行分牙是利用正畸CAD 軟件進(jìn)一步加工與設(shè)計(jì)，輔助醫(yī)生診斷及制定治療方案的基礎(chǔ)環(huán)節(jié)，如測(cè)量牙齒參數(shù)、模擬牙齒運(yùn)動(dòng)以及排牙實(shí)驗(yàn)等。以往的CAD/CAM 軟件，如3Shape、Implant3D 和OrthoCAD 等，雖然在一定程度上實(shí)現(xiàn)了自動(dòng)化牙齒分割，但由于正畸CAD 系統(tǒng)中交互操作的復(fù)雜性和高度的人工干預(yù)導(dǎo)致其分牙效率較低［20］；同時(shí)對(duì)于牙列擁擠、牙齒缺失和邊界重疊等問(wèn)題缺乏魯棒性［21］，分牙效果不理想［1］。

AI 技術(shù)在醫(yī)學(xué)診療中具有降低時(shí)間成本和人工交互方面的優(yōu)勢(shì)，可以顯著提高準(zhǔn)確性和效率。Tian 等［20］研究表明，應(yīng)用CNN 在數(shù)字化牙模分牙準(zhǔn)確率達(dá)89.81%，具有較好的穩(wěn)健性；Xu等［21］在CNN 基礎(chǔ)之上，采用模糊聚類法細(xì)化牙齒邊界，分牙準(zhǔn)確率高達(dá)99.06%。而Hao 等［22］基于DL 的分牙模型，僅需24 s 即可完成分牙操作，顯著低于手工分牙（約15 min），且準(zhǔn)確率達(dá)96.9%。

由此可見，AI 在數(shù)字化牙模分牙具有高精度、高魯棒性、較少的人工干預(yù)等優(yōu)勢(shì)，能顯著提高分牙效率，對(duì)提高正畸CAD 系統(tǒng)的智能水平具有重要意義。但目前應(yīng)用也有一定局限性，如對(duì)于形態(tài)極復(fù)雜牙齒、高度相似牙齒等分牙水平有限。

4 AI 在輔助判斷骨性分類與生長(zhǎng)發(fā)育階段的應(yīng)用

有學(xué)者應(yīng)用CNN 輔助診斷垂直向和矢狀向骨性分類，平均準(zhǔn)確率分別達(dá)96.40%和95.70%［23］，這種高性能表現(xiàn)說(shuō)明AI 在此領(lǐng)域具有很大應(yīng)用潛力。此外，由于SVM 在解決分類及回歸問(wèn)題上的優(yōu)越性，其在輔助診斷骨性分類方面也具有應(yīng)用價(jià)值，準(zhǔn)確率可達(dá)74.51%［24］。對(duì)于生長(zhǎng)發(fā)育階段，有研究應(yīng)用ANN 在側(cè)位片分析頸椎生長(zhǎng)發(fā)育階段，平均準(zhǔn)確率為77.02%［25］，與Makaremi 等［26］應(yīng)用CNN 對(duì)頸椎發(fā)育的研究結(jié)果相似，準(zhǔn)確率雖有待提高，但也在一定程度上表明AI 可以輔助正畸醫(yī)生對(duì)生長(zhǎng)發(fā)育階段做出準(zhǔn)確評(píng)估［25］。

5 AI 在輔助制定正畸拔牙方案的應(yīng)用

制定拔牙方案是正畸臨床常見難題之一，不僅取決于客觀測(cè)量分析，更與醫(yī)生臨床經(jīng)驗(yàn)、專業(yè)知識(shí)等緊密相關(guān)，因此不同醫(yī)生所做的拔牙診斷有所差異，對(duì)于沒(méi)有經(jīng)驗(yàn)的年輕醫(yī)生，制定拔牙方案更具一定難度。

研究表明可利用AI 技術(shù)建立輔助診斷模型，幫助醫(yī)生制定拔牙方案。有學(xué)者應(yīng)用ANN 建立專家系統(tǒng)，通過(guò)對(duì)23 項(xiàng)分析指標(biāo)計(jì)算，判斷11～15歲青少年患者是否需要拔牙矯治，準(zhǔn)確率達(dá)80%［27］；Jung 等［28］基于ML 的診斷模型準(zhǔn)確率可達(dá)93%。此外，利用ML 診斷Ⅱ、Ⅲ類錯(cuò)畸形手術(shù)患者是否需要拔牙，準(zhǔn)確率分別為97%、88%［29］。準(zhǔn)確率的提升一方面源于AI 性能的不斷優(yōu)化，另一方面則源于訓(xùn)練集的數(shù)量大小、分析指標(biāo)的選擇等不同。對(duì)于拔牙方案的選擇，目前研究?jī)H限于常規(guī)拔牙模式，即第一、二前磨牙對(duì)稱拔除與否，準(zhǔn)確率達(dá)84%［28，30］。

上述研究表明AI 在制定拔牙方案方面具有良好的輔助診斷能力，可降低醫(yī)生治療決策的主觀性，在正畸臨床具有較大的應(yīng)用價(jià)值。但是AI 輔助制定拔牙方案也有局限性，如病例類型、拔牙方案選擇有限等。納入更多的影響因素，如患者主訴、錯(cuò)類型、非常規(guī)拔牙等，能綜合提升AI 在此領(lǐng)域的性能，更好的服務(wù)于正畸臨床。

6 AI 在輔助預(yù)后及顏面部美學(xué)評(píng)估中的應(yīng)用

6.1 AI 與正畸治療預(yù)后評(píng)估

AI 在正畸治療預(yù)后評(píng)估方面的主要應(yīng)用之一是對(duì)軟組織治療結(jié)果的預(yù)測(cè)。有研究利用ANN 預(yù)測(cè)拔牙與非拔牙矯治后上下唇曲度的變化，對(duì)上唇和下唇的預(yù)測(cè)值和實(shí)際值的差異分別為29.6%和7%，均優(yōu)于傳統(tǒng)的基于線性回歸的預(yù)測(cè)方法［31］。而利用ANN 對(duì)Ⅱ類患者治療后正畸療效評(píng)價(jià)標(biāo)準(zhǔn)（peer assessment rating index，PAR）指數(shù)進(jìn)行預(yù)測(cè)，其準(zhǔn)確率可達(dá)94%，也優(yōu)于傳統(tǒng)的線性回歸預(yù)測(cè)模型（82%）［32］。

6.2 AI 與顏面部美學(xué)評(píng)估

在顏面部美學(xué)評(píng)估方面，傳統(tǒng)的顏面部美觀根據(jù)患者或正畸醫(yī)生的主觀評(píng)分來(lái)衡量。首先，顏面部協(xié)調(diào)美觀的標(biāo)準(zhǔn)并不能反映人們對(duì)美觀的具體感知力；其次，美觀評(píng)估所涉及的主觀性太強(qiáng)，影響因素眾多，難以做到協(xié)調(diào)統(tǒng)一。

研究表明AI 可以通過(guò)表征特定面部特征及其組合，對(duì)顏面部美學(xué)進(jìn)行客觀、可重復(fù)的評(píng)估［42］。有學(xué)者利用CNN 對(duì)正頜手術(shù)前后患者的顏面美觀變化進(jìn)行量化評(píng)分，結(jié)果表明術(shù)后美觀評(píng)分提升74.7%，與術(shù)前有顯著性差異［33］。此外，應(yīng)用SVM在顏面美學(xué)評(píng)估的一致性與69 名正畸專家相比可達(dá)71.8%，具有一定的可靠性，是一種有前景的面部美學(xué)評(píng)估方法［34］。由于對(duì)顏面部美觀的判斷與評(píng)估本質(zhì)上是主觀的，可靠的美學(xué)標(biāo)準(zhǔn)需要大量的評(píng)分?jǐn)?shù)據(jù)，因此基于AI 的美學(xué)評(píng)分系統(tǒng)需要進(jìn)一步完善和細(xì)化。

7 其 他

隨著無(wú)托槽隱形矯治技術(shù)的不斷發(fā)展，上述AI 技術(shù)在正畸診療中的應(yīng)用也得以綜合體現(xiàn)。結(jié)合數(shù)字化口腔大數(shù)據(jù)，如X 線側(cè)位片、CT 影像、三維數(shù)字化模型等，AI 技術(shù)可綜合應(yīng)用于二維及三維影像分析、數(shù)字化模型處理、輔助診斷、排牙設(shè)計(jì)、醫(yī)生交互等整個(gè)無(wú)托槽隱形矯治流程，提高診療效率及信息交互的有效性、準(zhǔn)確性。

如時(shí)代天使A?Tree 系統(tǒng)，應(yīng)用ML 收集標(biāo)準(zhǔn)牙齒形態(tài)信息，建立標(biāo)準(zhǔn)牙齒模型庫(kù)，然后用實(shí)際模型與牙齒庫(kù)模型的配準(zhǔn)關(guān)系自動(dòng)識(shí)別咬合特征點(diǎn)，實(shí)現(xiàn)精準(zhǔn)的診斷排牙，而不受醫(yī)生技術(shù)條件限制。又如masterEngine 人工智能多模態(tài)生物數(shù)據(jù)平臺(tái)、智能根骨系統(tǒng)等更高智能化的平臺(tái)，能夠幫助醫(yī)生更方便、更準(zhǔn)確地完成矯治前期診斷、矯治目標(biāo)設(shè)計(jì)、矯治過(guò)程監(jiān)控等高技能工作。

8 總結(jié)與展望

將快速發(fā)展的AI 技術(shù)與正畸臨床診療相結(jié)合，可提供更快更有效的分析診斷，為更準(zhǔn)確的診療決策提供支持。數(shù)據(jù)資料的豐富性仍是AI 應(yīng)用中的一大限制因素，有待拓展和完善，以不斷提高AI 系統(tǒng)的準(zhǔn)確度。ML 基于人類開發(fā)的知識(shí)進(jìn)行運(yùn)作，故AI 并不能代替人類，人類須在分析、診斷、規(guī)劃中發(fā)揮主導(dǎo)作用。對(duì)AI 引導(dǎo)的正畸診療模式進(jìn)行大樣本臨床研究，以期建立一套規(guī)范、完整的口腔正畸智慧化診療流程，是未來(lái)研究的主要方向。

【Author contributions】Ma JB wrote the article. Xue CR, Bai D revised the article. All authors read and approved the final manuscript as submitted.