人工智能在口腔醫學領域的應用進展

汪瀟瀟 綜述 程興群 審校

隨著人工智能(artificial intelligence，AI)的發展，研究者們嘗試利用AI技術來輔助解決口腔醫療過程中面臨的問題，開拓口腔醫療新模式。AI是計算機科學的一個分支，企圖達到在計算機上模擬、重現人的認知過程的學科。該領域的研究包括語言識別、圖像識別、自然語言處理和專家系統等，主要目標是使機器能夠勝任一些通常需要人類智能才能完成的復雜工作。AI與醫療臨床工作的融合，有望提升疾病診斷精度、減少重復勞動、簡化工作流程。AI算法的數據分析能力在提高疾病診斷準確率與效率、提供可視化解剖指導、提供決策支持、模擬前瞻性過程和疾病的預測與預后中都顯示出較大應用前景。目前，AI在口腔疾病預測及診療、口腔教學、口腔健康管理中逐漸得到運用。

1 AI與口腔疾病預測及診療

1.1 AI與口腔疾病預測

AI具有對所有臨床癥狀相關屬性進行整合的能力，包括患者病史、人口統計、生活方式以及臨床和基因因素等。基于這些數據，機器學習與深度學習算法能預測很多重要的臨床參數，探索疾病發生與患者數據之間的關聯，實現疾病發生的預測，同時預測口腔疾病的未來發展情況。

在口腔頜面外科中，口腔癌對生活質量的影響較大，存活率僅略超一半，AI的應用現已可以預測口腔癌患者存活、復發及轉移機率，對口腔癌的發生進行早期預防和精準處理。Fujima等[1]基于深度殘差網絡ResNet-101，從軸向、冠狀、矢狀三個平面分析氟脫氧葡萄糖-正電子體層掃描圖像，實現了對口腔鱗狀細胞癌患者無病生存率的預測，并顯示出80%的正確率。Alabi等[2]基于多種算法，進行早期口腔癌復發的機率預測，其中提升樹算法具有超過80%的精度。Bur等[3]利用機器學習開發并驗證了一種算法，用于預測口腔鱗狀細胞癌的隱匿性淋巴結轉移機率，準確性高于基于腫瘤浸潤深度的模型。這些研究在指導臨床醫生采取提高生存率的治療方案或者姑息療法的決策中具有重大意義。在進行正頜、正畸、修復等治療中，往往涉及拔牙，以獲得更好的治療效果，AI可用于面部腫脹等術后不良反應的預測。骨質疏松癥患者常服用雙磷酸鹽進行治療，此類患者在拔牙后易出現雙膦酸鹽相關頜骨壞死，AI可用于預測壞死發生概率[4]。Stehrer等[5]基于隨機森林算法，進行正頜手術圍手術期失血量預測，實際失血量與預測失血量誤差具有統計學意義。

在牙體牙髓病學中，AI對于多類型信息進行整合的能力，能通過過程模擬推算出疾病的發生概率，為患者提供預防指導。AI通過對患者的人口學、營養、生活方式和臨床數據的分析，預測齲病發生，準確率達97%，靈敏度為99.6%[6]。在人工神經網絡輸入年齡、吸煙狀況、牙刷類型、刷牙次數、飲食習慣等數據，便可預測牙齒表面磨耗程度，并顯示出80%的準確度[7]。該研究優勢在于不需進行臨床檢查便可得到較高精度的預測結果，隨著算法、數據等方面的發展，此類預測模型將會在疾病的預測中顯示出更大的潛力。為確保牙髓治療的成功率，Mallishery等[8]基于機器學習，實現牙髓病例的難度水平評估，并在標準的美國牙髓學會牙髓病例難度評估表的幫助下決定是否轉診，以提高牙髓治療的成功率。

在修復學中，隨著計算機輔助設計/計算機輔助制造(CAD/CAM)技術的迅速發展，基于CAD/CAM的復合樹脂牙冠常用于磨牙區的修復，由于模具的制備不當等原因，具有極高的脫粘可能。通過卷積神經網絡(convolutional neural networks,CNN)，Yamaguchi等[9]建立了對復合樹脂脫粘概率的預測模型，Aliaga等[10]實現了對修復體壽命的預測。種植治療的成功率極大程度上與個人活動和口腔組織的健康狀況相關，Alarifi等[11]應用AI預測種植成功率，多種神經網絡算法準確率達到90%以上，其中一種優化的遞歸神經網絡(MSGSRNN)達到99.45%準確率。種植體周圍平均骨水平[12]的預測也通過AI得以實現。

1.2 AI與口腔疾病診斷

AI通過對大量放射影像、圖像、數據集進行自主分析，實現對口腔疾病的診斷。當訓練集足量且高質量時，AI的診斷精度就已能超過經驗豐富的專家。因此，集成AI到現有的口腔臨床工作流程中，將輔助醫生進行更高效、準確的診斷工作。

在口腔頜面外科中，大量實驗研究證實了AI在識別囊腫、腫瘤、口腔癌和淋巴結轉移的能力。在級聯卷積神經網絡的基礎上，僅通過普通攝影圖像(如智能手機)便可對口腔鱗狀細胞癌進行高性能識別，甚至可以檢查出早期口腔癌病變(直徑小于2 cm)[13]；Ariji等[14]基于預先訓練過的CNN網絡，在CT圖像上實現對口腔癌淋巴結轉移的診斷。AI在囊腫與腫瘤的識別中也具有極高的精確度。通過支持向量機算法，Yilmaz等[15]在CBCT圖像上對牙源性角化囊性瘤與根尖周囊腫的區分具有94%的精確度；Liu等[16]基于轉移學習算法，實現造釉細胞瘤和牙源性角化囊腫的自動區分，具有90.36%的準確性。

在牙體牙髓病學中，卷積神經網絡的應用最為深入，能對病變區域進行分割，實現對病變的診斷。曹丹彤等[17]實現CBCT圖像上移位型牙根縱裂的診斷，訓練集準確率達94%，測試集準確率達100%。Orhan等[18]構建的AI系統，能識別CBCT影像中根尖周病變、確定病變位置、計算病變體積，病變檢測可靠性為92.8%，且病變體積測量與人工結果相似。近紅外透射光譜法(near infrared transmittance spectroscopy)成像能有效檢測早期齲病，Casalegno等[19]提出了一種深度學習模型，實現近紅外透射光譜法圖像中齲病檢測和定位，有望提高齲齒檢測的速度和準確性。

在牙周病學中，牙周病是一種復雜的炎癥性疾病，多種病因同時存在、相互作用。決策樹和支持向量機等AI算法通過整合患者的病史、臨床信息和X片，在對健康人群、牙齦炎、慢性牙周炎和侵襲性牙周炎患者的分類方面表現良好。Feres等[20]收集健康牙周人群、侵襲性牙周炎患者和慢性牙周炎患者的齦下生物膜樣本，通過支持向量機分類器分析數據，實現了患病情況的分類，且因此佐證了不同牙周疾病患者口內微生物組成存在差異。Lee等[21]基于卷積神經網絡算法，通過根尖X片實現因牙周炎受損的前磨牙和磨牙的診斷，準確率分別達81.0%和76.7%。

此外，自然語言處理是將自然人類語言轉化為結構化計算機語言的技術，是AI的一個子領域，基于自然語言處理的模型能通過分析患者主訴中的常用詞、張口大小區分真正的顳下頜關節紊亂和與顳下頜關節紊亂癥狀相似的其他疾病(TMD-mimicking)，并顯示出96.6%的準確性[22]。同時基于CBCT，神經網絡對顳下頜關節髁突形態的分析與臨床醫生具有極高的一致性[23]。AI超分辨率技術(super resolution，SR)還能用于對影像質量的提升，如提高CT[24-25]、CBCT[26]的分辨率，進行降噪處理，獲取更優質的影像，以便于醫生進行更細致的診斷；依托此類技術，適度減少放射劑量也能得到高質量的成像，從而減少對患者身體的影響。AI還能用于減少因患者頜骨形態差異和站立姿勢不當等問題，在全景片牙弓前段等位置引起的成像模糊[27]。

1.3 AI與口腔疾病治療

AI能有效區分解剖結構、模擬前瞻性結果，使其成為提供解剖指導、規劃治療和評估治療效果的有效輔助手段，輔助醫生進行更精準的治療。此外，AI可替代人類完成重復的、程序化的操作，減少醫生工作量。AI在簡化臨床操作、提高操作精度方面顯示出巨大的潛力，是精細化、微創化口腔治療發展的基石，也是治療過程中效率的保障。

在口腔頜面外科中，精細的手術規劃以及操作依賴于對面部骨骼、牙列、軟組織影像的精確測量分析。現有頭影測量系統雖能自動進行分析，但仍依賴于手動標點，而這是一項極其耗時、耗力的工作。Kunz等[28]基于卷積神經網絡深度學習算法，實現了頭影測量自動標點與分析的全自動一體化，且準確性與12 名人類專家的測量結果相當，有望減少醫生的重復工作量。AI對放射影像的分析能力以及重要解剖結構的追蹤能力，如舌肌、下頜管和腮腺等，能為醫生在手術過程中提供解剖學指導，提高手術精度，減少并發癥的發生[29]。正頜外科中使用術后圖像模擬，以便于與患者溝通，但受限于其精度，難以應用于手術規劃。Lu等[30]基于人工神經網絡，改善正頜外科手術后圖像的預測精度，輔助醫生進行正頜治療規劃，幫助患者了解手術。正頜治療對面部吸引力改變的判定多具主觀性，Patcas等[31]基于卷積神經網絡，客觀評估了正頜治療對面部吸引力(分數：0-100)和年齡外觀的影響，證實大多數患者的外觀隨著治療而改善，導致近1 歲外觀年齡的變化(0.93 歲)。

在牙體牙髓病學中，Deniz等[32]利用卷積神經網絡研究了發光二極管和石英鹵鎢光固化單元(light curing unit，LCU)對不同色度復合樹脂材料底部和頂部維氏硬度比(vickers hardness number，VHN)的影響，確定了色度、光固化單元和復合參數對復合樹脂材料底部和頂部維氏硬度比的最顯著影響。下頜第一磨牙常出現多根狀況，Hiraiwa等[33]基于深度學習，在全景片上實現了對多根的自動診斷，具有86.9%精度，能減少牙髓手術的失敗率。對根管曲率的測量在牙髓治療中很重要，但現存手段并不能達到較高精度，通過AI的應用，Christodoulou 等[34]對根管曲率實現了更精準的測量。

在正畸治療中，對于正畸必要性的評估、正畸方案規劃、治療效果評估是AI的主要應用。貝葉斯網絡被用于搭建正畸/不正畸決策支持系統，且兩位正畸專家與系統對正畸治療的必要性的判斷高度一致(卡帕值=0.894)[35]。當正畸治療難以達到預期效果時，正頜治療常常被納入考慮，Choi等[36]基于具有一層隱藏層的雙層神經網絡，實現正頜/不正頜的決策，顯示96%精確度，并在手術類型和拔牙決策等進一步詳細決策中具有91%的成功率。也可通過AI對正畸后面部吸引力進行評估[31]。AI已被嘗試應用于正畸方案的規劃，隨著算法的更迭，在未來或許可以開發出可靠的正畸方案生成系統，輔助進行更科學的正畸治療。

在修復學中，AI得到較廣泛的應用。將AI與CAD/CAM集成，極大促進了修復學的自動化、智能化、精細化發展。AI的應用實現了3D掃描上牙尖的自動分類[37]。基于全景X線片[38]、根尖X線片[39]、CBCT[40]和牙科表面三維掃描[41]的人工神經網絡已被探索用于牙齒分割和分類，而這些的實現，將打破數據獲取與CAD/CAM之間的壁壘，為更智能化、自動化的修復治療夯實基礎，同時圖像分割也是智能診斷系統的基石。陶瓷修復體與自然牙齒顏色的匹配是美學修復中極具挑戰性的工作，基于反向傳播神經網絡與遺傳算法，色彩匹配的精度得到提升[42]。Cheng等[43-44]進行了多次全口義齒修復后的面部改變的預測嘗試，并通過多次改進，最終能夠準確、快速地對治療后面部形變的預測，并支持交互式的操作，為全口義齒的設計提供依據。

可摘局部義齒的設計歷來被認為是較為復雜的口腔醫學問題。學者們從1985 年便開始研究用于可摘局部義齒設計的試驗性專家系統[45-46]。我國呂培軍教授設計的專家系統囊括了病例登記、義齒設計、力學分析等11個功能模塊，將檢查內容輸入系統，系統利用知識庫提出最優化方案[47]。早期專家系統中的口腔模型、修復體部件模型均為二維圖像，不能直視、立體的顯示修復設計效果。隨著AI技術的迅速發展，可摘局部義齒設計三維可視化專家系統逐漸建立并得到臨床應用。蔡玉惠課題組開發了一套基于CT的二維斷面序列重建牙列三維模型的立體可視化專家系統；該系統用Visual C++ 6.0與OpenGL編程實現，并賦予簡明易用的人機交互界面，可動態生成以適應不同患者實際情況，并立體顯示修復效果，利于醫患合作[48]。Chen等[49]運用多次逐級專家系統，建立了基于病例庫的臨床決策支持模型，能夠推薦個性化可摘局部義齒的設計。

1.4 機器人與口腔醫學

機器人是一種可編程和多功能的，用來搬運材料、零件、工具的操作機；或是為了執行不同的任務而具有可改變和可編程動作的專門系統[50]。機器人具有高精確性，能精準定位進行工作；高穩定性，可長時間固定手術姿勢，而人工操作會因體力消耗而降低穩定性。在口腔醫學中，機器人已經應用于修復、種植、正畸、牙體牙髓以及口腔頜面外科等各個領域中。

在口腔修復中機器人主要用來進行牙體預備以及局部義齒和全口義齒的牙齒排列。Otani等[51]設計了機器人自動牙體預備系統，用于瓷貼面修復的牙體預備，并于體外與傳統人工備牙精確度進行比較，發現二者精密度上沒有顯著差異，在未來結合跟蹤系統，也許將實現口內全自動備牙。在種植學中，2017年趙銥民教授及其團隊設計了世界首臺自主式種植牙手術機器人，根據預先設定指令，基于機械式空間融合定位技術實現配準，成功為一名女性完成了兩顆缺牙的種植即刻修復。正畸領域的機器人主要用來進行臨床診斷、擬定治療計劃、定制矯正設備，尤其是弓絲彎制。Toosi等[52]研制了一種觸覺虛擬現實模擬器，促使醫生可利用觸覺機器人對牙釉質和牙本質進行鉆孔直至髓腔，然后使用模擬K銼清潔根管內壁。在頜面外科領域，Chao和Woo等[53-54]開發了一種用于正頜手術的機器人輔助系統，用于游離皮瓣重建、頜骨定位等手術，克服了部分術者的人體局限性。此外，牙科患者機器人、體外刷牙機器人、仿生咀嚼機器人和口腔康復機器人等均有研發。機器人技術可提高口腔診療精確性和安全性，提升護理質量和治療速度，口腔醫學中有巨大應用前景。

2 AI與口腔醫學教學

醫學生的培養也是口腔醫學發展中重要的一環，AI的大量興起，勢必影響傳統教學模式，發展出更加符合未來口腔領域要求的人才培養模式。AI在疾病診斷、解剖結構區分等方面上都能表現出與人類專家相當的精度，因此其在為學生提供個性化指導上具有極大前景。AI輸出智能診斷結果，能輔助醫學生更好地理解疾病及其特征，幫助其形成一套成熟的診斷邏輯，成長為專業的醫生。在未來，AI勢必影響現有的口腔診療模式，因此讓口腔醫學生學習AI知識，培養使用AI的思維，了解最新AI研究進展有益于其未來的職業生涯，同時醫學生在接觸AI中，可培養對前沿科技的吸納能力，更好的適應瞬息萬變的世界[55]。融合AI技術到教學中，豐富教學的內容和方法，讓知識的講解更深刻、更透徹，將AI技術融合到虛擬仿真技術中，實現低成本、批量化、規模化、規范化的操作教學；AI的發展使虛擬助手成為可能，為醫學生配備專門的虛擬指導助手，通過對其學業成績、操作數據等進行數據挖掘，針對性找出其薄弱點，并個性化提供進階指導[56]。

3 AI與口腔健康管理

口腔疾病多屬于慢性病，在早期無特別明顯的癥狀，較難被發現，一旦出現了明顯的癥狀，如牙齦腫脹、疼痛等，往往病情已比較嚴重，因此口腔疾病的早發現早治療十分必要。深度學習等算法的發展讓公眾可以自主化管理自己的醫療保健，并基于公眾對自身健康的主觀能動性，實現早發現早治療。通過智能手機圖像便可診斷口腔癌發生情況以及跟蹤治療情況[15]，齲病風險的預測[6]等自動診斷技術的成熟可以滿足公眾對自身健康進行實時監控；智能的建議系統將針對患者口腔狀況提出智能化建議，引導患者盡早干預治療，并在必要時推薦就醫。

4 總結及展望

AI對醫學圖像的識別能力、對大數據進行整合分析的能力在大量研究中得到證實，雖然AI在口腔醫學的應用仍處于起步階段，但其巨大潛力有目共睹。AI對醫療數據(尤其是醫學成像)的病灶識別能力、識別效率；提供實時解剖指導，讓醫生實現更精細化的操作，減少并發癥的發生；整合大量疾病關聯數據，挖掘數據與疾病之間的關聯，進行疾病發生的預測以及疾病發展的預后；簡化不同類型圖像配準、解剖標記等重復性勞動過程等方面的研究都足以說明其對未來口腔醫療的發展具有重要影響力。

AI在口腔醫學中進一步發展還存在許多障礙：(1)現階段存在的自動診斷等系統顯示出較高精度，但其精度仍未達到適于臨床應用的階段，有缺陷的算法可能會給患者造成重大傷害，導致醫療事故的發生；(2)基于AI的臨床輔助系統須具有穩定性，否則其故障的發生將會造成大規模的醫療事故；(3)越高性能的AI系統需要越多的數據集來進行訓練，但當前口腔醫療數據系統仍未達到標準化、互通化，并且醫療數據相較于其他種類數據具有更高的隱私性，因此難以獲取足夠量的高質量數據進行訓練；(4)數據的來源偏差問題仍難以解決，使其普適性大大降低。

雖然障礙存在，但AI仍是一個理想的的輔助工具，在未來克服障礙，經過縝密的設計和嚴密的臨床驗證，AI將成為成熟的醫療手段，減輕口腔從業人員繁重的日常工作，以較低的成本服務更廣泛的人群。