口腔診療中人工智能的運用

田而慷 向倩蓉 趙欣然 彭佳涵 舒睿

1.口腔疾病研究國家重點實驗室 國家口腔疾病臨床醫學研究中心四川大學華西口腔醫學院 成都 610041；2..口腔疾病研究國家重點實驗室 國家口腔疾病臨床醫學研究中心四川大學華西口腔醫院兒童口腔科 成都 610041

人工智能的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，以減輕人類的負擔，提高工作效率。該領域的研究包括智能機器人、語言識別、圖像識別、自然語言處理和專家系統等。

目前，人工智能在醫學領域的應用十分廣泛，具體體現為智能影像識別系統、醫療決策系統、語音智能系統等。口腔醫學作為醫學領域的重要組成部分，在口腔疾病診斷、口腔診療計劃的制定、診療過程中的輔助，以及術后的輔助康復等各個方面，人工智能都發揮著重要的作用，且其應用日益廣泛。圖1總結了人工智能在口腔診療過程中的應用。

圖 1 人工智能在口腔診療過程中的應用Fig 1 Application of artificial intelligence in oral diagnosis and treatment

1 口腔疾病診斷

診斷是從醫學角度對人們的精神和體質狀態做出的判斷，口腔疾病診斷是口腔疾病預防、治療、預后的前提，在整個診療過程中有著舉足輕重的地位[1]。影像數據通過對口腔軟硬組織的成像，是口腔疾病診斷的主要依據之一，利用人工智能的人工神經網絡能有效地改進CT圖像的重建精度。此外，人工智能能對口腔影像信息進行智能識別，以實現口腔疾病的智能化診斷，如在口腔修復中利用智能系統識別空化牙表面信號測量牙齒內部空腔直徑[2]、在口腔種植中利用人工智能模型鑒別骨質疏松患者[3]、在牙體牙髓病學中利用神經網絡算法檢測齲齒[4]、在口腔黏膜病學中利用機器學習分類器實現對不同程度口腔鱗狀細胞癌的分類[5]等。

1.1 提高CT成像效果

機器學習是計算機科學的一個分支，是建立以數據為導向的算法。其中，由節點和權值組成的神經網絡（neural network，NN）是早期發展起來的人工智能算法之一。簡單的只有幾層的網絡結構被稱為淺層學習神經網絡，而多層網絡結構被稱為深層學習神經網絡。深層學習結構被稱為卷積神經網絡（convolution neural network，CNN），它能從抽象的濾波器層中提取出許多特征，主要用于處理大而復雜的圖像[6]。Chen等[7]將反褶積網絡和捷徑連接結合到CNN模型中，稱之為剩余編解碼卷積神經網絡（residual convolutional neural network，RED-CNN），該網絡由10層組成，包括5個卷積層和5個反卷積層對稱排列。捷徑連接匹配卷積層和反卷積層，每一層后面跟著它的校正線性單位（rectified linear unit，ReLU），用于低劑量CT成像，在噪聲抑制、結構保存和損傷檢測方面得到了良好的效果，解決了傳統的圖像重建方法在保留結構細節時不能很好地消除圖像噪聲節點的問題，提高了CT圖像重建的效果；Wolterink等[8]利用CNN與對抗性CNN聯合訓練，同樣降低了CT圖像重建中的圖像噪聲，提高了重建效果。CNN在口腔領域已經得到了廣泛運用，表1[9-22]總結了不同類型的CNN在口腔領域的運用。可以發現，人工神經網絡在各種口腔疾病的檢測與定位上的準確率均較高，人工智能在該方面的運用能夠顯著提高口腔醫生診斷口腔疾病的效率，節約醫患雙方的時間，降低口腔疾病診斷的難度。

1.2 智能診斷

除了提高CT圖像重建效果，人工智能還能實現對口腔疾病的智能化診斷。人工神經網絡能夠對口腔特征進行識別，并結合已有數據實現智能化分析，可以提高臨床診斷效率。在口腔修復中，Rahman等[2]提出了一種能夠測量牙齒表面空腔直徑的智能系統，該系統通過掃描成像、模糊邏輯特征提取和單層感知器（single layer perceptron，SLP）神經網絡對反射信號的分類這3步得到牙齒表面空腔直徑，能精確地測量直徑在0.6 mm以下的空腔，該系統可以很容易地集成到現有的口腔修復支持系統中，有利于提高牙齒修復的成功率，且使用的設備成本低、效果好，可以在不需要任何額外硬件的情況下進一步提高分辨率；在口腔種植中，已有多種人工智能模型能對正常和骨質疏松的受試者進行全景X線片分類，其準確性、敏感性和特異性均達到95%以上，可以在種植治療前輔助醫生鑒別骨質疏松患者，提高治療成功率[3]；在牙體牙髓病學中，一些學者[4,23]通過研究發現，人工智能中基于圖像識別的深層神經網絡算法能對齲齒進行精確診斷，對前磨牙和磨牙的診斷準確率分別為89.0%和88.0%，有望成為診斷齲病的有效方法之一；在口腔頜面外科中，Lee等[24]開發了一種基于深度卷積神經網絡的計算機輔助檢測系統，用于牙周損害牙（periodontally compromised teeth，PCT）的診斷以及決定是否拔牙，其中前磨牙PCT診斷準確率為81.0%，磨牙PCT診斷準確率為76.7%，決定拔牙的準確率分別為82.8%和73.4%；Lin等[25]提出了一種用于診斷牙周炎的算法，通過ABLIfBm閾值分割方法將射線照片圖像轉化為特征圖像，并利用Otsu閾值法將特征圖像分割為正常區域和骨丟失區域，從而判斷患者的牙周情況，其準確率達到了92.5%；在口腔黏膜病學中，人工智能還能實現對囊腫或腫瘤的自動分類，一些學者[26-27]介紹了2種用于牙源性囊腫的自動分類器，正確率分別為83.8%～92.3%和（90%±0.92%）～（95.4%±1.94%）；Rana等[28]介紹了一種自動識別腫瘤邊緣的程序，能實現對腫瘤的定位與腫瘤大小的評估，該程序的速度與其他方法相比分割明顯加快，而準確度無顯著差異；而Ashizawa等[29]構建的基于機器學習的頭頸部鱗狀細胞癌診斷算法能夠精確識別腫瘤邊緣，其精確性達到95.35%，有利于判斷腫瘤的切除范圍。

表 1 CNN在口腔領域中的應用Tab 1 Application of CNN in the field of stomatology

2 術前規劃

常規的診療計劃是由醫生根據專業知識及經驗制定的，但醫生的知識儲備和臨床經驗都有限，且不可避免地存在人為誤差，基于人工智能的臨床決策支持系統和計劃軟件可以很好地解決這些問題，兩者相輔相成，在臨床決策中起到重要作用。人工智能強大的數據處理能力使其能存儲大量病例并不斷對自身進行更新，從而根據患者的情況提供最完美的治療方案，并對治療效果以及疾病發展做出預測。

2.1 輔助臨床決策

臨床決策支持系統是用于輔助醫生臨床決策的計算機軟件系統。一個臨床決策支持系統包括輸入、輸出和運行機制3個方面。輸入端是信息輸入的窗口，輸入的內容通常為已經設定好的格式化詞組，格式化詞組的輸入方式有利于推理機的識別和運行；輸出端為用戶提供臨床決策意見。臨床決策支持系統可用于口腔急診、創傷及頜面部疼痛的診斷、頜面部疾病的診治、口腔影像的分析解讀、正畸學中對面部生長的分析、頭顱側位片中標志點的確定和治療計劃的制定、牙髓疾病的診斷、口腔修復中可摘局部義齒的設計等[30]。臨床決策系統可以為醫生提供最合適的治療方案，并有助于預測治療效果。

在口腔修復中，已有用于可摘局部義齒設計的專家系統，該系統用Quick Basic和Turbo C混合編程，真實地模擬修復專家的臨床檢查與診斷，并給出修復前治療計劃和最終的義齒修復設計方案[31]，Wei等[32]開發了一種高精度的計算機配色系統，該系統能準確識別牙色并提供相應的瓷粉配方，其平均色差顯著低于視覺評估法的色差值，具有更高的顏色再現精度，從而指導技工更高效地制作修復體，Aliaga等[33]開發了一種能預測不同方案修復體壽命的系統，用于指導醫生選擇合適的修復材料以及最佳的修復方案，該系統關于復合修復的平均絕對誤差為0.42年，銀汞合金的平均絕對誤差為0.21年，已被證明是監測該領域新技術和指導口腔醫生使用不同修復材料的合適系統；在口腔種植中，成像軟件通過CT圖像以及三維重建的應用，向醫生提供了一個完全集成的、優化并正確的多視圖3D工作環境。憑借對骨骼結構的3D表面渲染，醫生能確定牙槽嵴方向，在3D環境中計算骨體積并識別解剖或病理界限，通過與一些輔助設計軟件以及圖像引導程序結合，醫生還可以選擇合適的種植體并模擬種植過程制作種植導板，其精度可以達到（0.283±0.073）mm的定位誤差以及（1.798°±0.496°）的定向誤差，提高了種植體植入手術的精確性、美觀性與安全性[34-36]。

在口腔正畸中，一些學者[37-38]開發了具有神經網絡機器學習能力的專家系統，該系統在正畸治療中給出的拔牙策略與正畸專家對應的準確率達到84%，Noroozi[39]開發的正畸治療計劃軟件可以接收圖形和數字形式的患者數據，通過計算機程序對一些特殊情況如牙列缺損提供治療方案；在口腔頜面外科中，申龍朵等[40]研究了用于口腔頜面部創傷診治的專家系統，該系統通過對相關數據可能性的分析，模擬專家的診斷思維，有助于對頜面部創傷的患者進行急救處理，并為醫生提供規范的救治方案。

除此之外，一些學者[41-42]設計的專家系統能分別輔助醫生進行松動牙治療以及外傷性口腔損傷的診斷和管理，醫生可以通過專家系統驗證治療計劃的有效性，并從專家系統中獲得建議。

2.2 疾病發展預測

通過將已有病例及發展情況導入軟件，建立出的疾病發展預測模型能夠實現對疾病發展的預測，從而作為醫生制定治療計劃時的重要參考。以人工智能為基礎的疾病發展預測模型可以預測拔牙后腫脹程度，正頜外科骨塊移動以及腫瘤淋巴結轉移概率，同時還可以用于種植體治療成功率的預測。疾病預測模型的應用，可以輔助口腔醫生在臨床中更好的進行治療設計與實施。

在口腔種植中，Alarifi等[43]介紹了一種預測種植體成功率的神經網絡系統，準確率達到99.25%；在口腔正畸-正頜中，Peterman等[44]開發的預測軟件可以預測治療過程中下頜骨的移動，但其精確度有待提高；在牙體牙髓病學中，Park等[45]利用人工智能神經網絡建立了牙痛預測模型以探討日均刷牙次數、刷牙時間、牙線使用、牙刷更換周期等因素對牙痛的影響，用于指導牙痛的預防，以及Pereira等[46]建立了預測下頜阻生第三磨牙拔除后腫脹程度的人工神經網絡算法，具有較高的準確性；在口腔黏膜病學中，Bur等[47]開發了一種預測口腔鱗狀細胞癌隱匿性淋巴結轉移的算法，提高了臨床上對患者病理性淋巴結轉移的預測能力，研究發現機器學習始終優于基于腫瘤侵入深度（depth of invasion，DOI）的預測模型，因此有必要進一步發展基于多數據的機器學習方法，以確保隱匿性淋巴結疾病患者得到充分治療，同時避免無病理性淋巴結疾病患者進行不必要的頸部治療。

3 輔助治療

口腔疾病手術治療過程往往需要醫生高精度的操作，然而由于醫生視野的局限性以及人為的不可控因素，導致某些手術過程難度較大。基于人工智能的手術導航系統、高精度的機器人操作系統以及提高外科醫生的視覺和動手能力的集成系統可以輔助手術的進行從而解決上述問題。

3.1 主動導航系統

在進行手術時，外科醫生經常面臨著因皮膚遮擋或滲出的血液導致視野受限的難題。在一定程度上加大了手術的難度。為了輔助手術進行，一些用于增強外科醫生視覺能力的主動導航系統被開發出來。這些系統分為2類：第1類是商業化系統，如STN導航系統（Stryker-Leibinger，Freiburg公司，德國）[48]、Brain Lab導航系統（Brain Lab AG，Munich公司，德國）[49]、和Vo Xim（IVS Technology，Chemnitz公司，德國）[50]；第2類是由學術研究人員[51-52]自行開發的主動導航系統，如Accu Navi（上海交通大學研制，中國）[53-55]。這些主動導航系統有效地解決了醫生視野受限的問題，而且與不使用圖像導航的傳統技術相比，手術時間大大縮短。對于穿透性損傷的患者。在術前利用計算機斷層掃描和數字減影血管造影創建受傷區域的三維視圖，啟用導航系統可以使醫生在面部穿透性手術過程中在屏幕上清楚看到異物和手術器械，從而解決了視野受限的問題。

3.2 機器人系統

近年來，人工智能機器人的研究如火如荼，應用越來越廣，在醫療領域的應用更是取得了極大突破。牙科機器人作為醫療機器人的一個分支，在口腔醫療的各個領域都發揮著舉足輕重的作用。

3.2.1 在口腔正畸中的應用 在口腔正畸與修復方面，機器人系統主要運用于正畸弓絲彎制與全口義齒排牙等方面。Zhang等[56]于2001年提出了一種基于工業機器人的全口義齒排牙系統，該系統能自動生成與患者匹配的牙弓，用于制作全口義齒和彎制正畸弓絲，避免了傳統人工排牙中的人為誤差，同時極大地提高生產效率及產品的質量，降低生產成本。所以，全口義齒機器人制作系統的研制具有重要的實際應用價值；還有一種采用全新設計結構的多機械臂排牙機器人系統，該系統能根據患者牙齒的前板和后板實現牙弓生成器的實驗控制和初步排牙[57]。

3.2.2 在頜面外科中的應用 機器人參與手術可以提供高清的三維放大圖像，同時在手術中經微創切口進入體內，能夠顯著提高手術的精準性、安全性和治療效果[58]。機器人在頜面外科手術的應用主要是通過機械臂進行正頜模擬手術和唇腭裂手術[59-63]，例如上頜骨截骨前移術與軟腭肌肉重建術，主要用于醫學生的操作訓練與口腔機器人腭裂手術的可行性分析。目前，使用最多的機器人系統為Da Vinci，其是一款新穎、靈活的單臂機器人手術系統，擁有6 mm的機械臂和雙目立體內窺鏡，可以從0°～30°的漸變角度提供定制的手術解剖視野，與常規手術技術相比，在舌底腺樣囊性癌的經口機器人手術中，它展現的先進技術包括：改進的可視化、良好止血功能等，使特殊病變可視化、短期住院、優質術后生活成為可能[64]。機器人在頜面腫瘤外科中也得到了成功運用，Da Vinci機器人手術系統在沒有進行下頜骨切除的情況下完成了口咽腫瘤手術治療[65]。

3.2.3 在口腔種植中的運用 在種植治療中，機器人系統能夠實現手術區域解剖結構的判讀重現、術前種植精確設計、手術自動精準實施、手術實時導航校準和即刻種植修復等功能，達到了精準、高效、微創、舒適的手術要求[66]。2013年，第四軍醫大學口腔醫院與北京航空航天大學機器人研究所[67]設計出了自主式種植牙手術機器人與口腔種植規劃-手術導航-機器人控制軟件系統，實現了個性化種植方案精準規劃、術中全程導航與機器人自主控制。在治療過程中，種植牙手術機器人的機械臂能按照規劃路徑自主精準運動到預定位置，并依據醫生設計的種植體位置、角度和深度進行基托預備，并將種植體擰入基托中。圖2展示了該系統的具體工作流程。

圖 2 口腔種植規劃-手術導航-機器人控制軟件系統的工作流程Fig 2 Workflow of the dental implant planning-surgical navigation-surgical navigation-robot control software system

3.3 集成系統

集成系統綜合了導航系統和機器人系統的優點，為外科醫生進行復雜的手術提供了一個有前景和實用的方法。在集成系統中，外科醫生是導航系統和機器人之間的連接點，外科醫生負責觀察導航系統的顯示，并使用機械手控制機器人。與傳統的口腔頜面外科手術（oral and maxillofacial surgery，OMS）相比，雖然在一體化系統中人機協同工作提高了外科醫生的手術能力，但手術效果仍高度依賴于外科醫生的個人知識和經驗[68]。

4 術后輔助

人工智能在術后仍能發揮重要作用。術后護理不僅可以幫助患者更好地康復，還能幫助醫生及時了解患者術后的情況。隨著精準醫學的發展，精準護理得以提出。精準護理是以大數據為基礎，應用現代信息技術，契合患者的環境和臨床數據，擬訂針對性的護理方案，為患者提供最有效、最安全、最經濟的護理服務[69]。針對術后護理問題，已有WhiteTeeth、Beam Brush、AVORI等應用程序。WhiteTeeth可以通過接收并識別患者拍攝的口腔照片檢測患者口腔健康狀況，并以推送通知的形式向使用者提出建議，使得戴有固定正畸矯治器的患者保持良好的口腔護理行為，從而減少牙菌斑和牙齦出血現象[70]。與應用程序連接的牙刷Beam Brush可將患者清潔前的數據發送給醫生，以便醫生在制定治療計劃時充分考慮患者的口腔護理習慣。中國開發的AVORI口腔健康護理軟件能隨時隨地檢測牙齒健康狀況，患者通過該軟件能將刷牙數據實時上傳到云端并與私人牙醫在線對接，從而定制患者專屬清潔模式。

下頜骨切開術等手術方式以及化學療法和放射療法會導致患者術后出現語言功能障礙及其他問題，對患者的生活質量產生嚴重的負面影響，而人工智能的自然語言處理能提高患者的語音清晰度，解決患者術后語言功能障礙的問題，例如機器語言轉換技術（voice conversion，VC）[71]能對患者失真的語音進行轉換，使患者語音更加清晰易懂。隨著電子健康檔案的建立，利用自然語言處理（natural language processing，NLP）從非結構化的臨床數據中提取口腔表型術語變得尤為重要。利用NLP能獲取顱面和口腔表型特征，評估現有的口腔表型并擴充現有的生物醫學數據庫，以確保及時有效地收納新的術語[72]。

5 總結與展望

人工智能在口腔醫學中的應用已經十分廣泛，包括口腔疾病診斷中人工神經網絡的應用及智能診斷、提供診療計劃時臨床決策系統與計劃軟件的參與、治療過程中導航系統、機器人系統與集成系統的輔助，術后康復中智能軟件與自然語言處理系統的參與等。人工智能的應用解決了許多難以用傳統診療手段解決的問題，提高了口腔診療的質量與效率。人工智能的發展方興未艾，目前人工智能的挑戰包括需要具有存儲、挖掘和分析能力的可靠、安全的基于web的系統，進一步提高人工智能系統的精確性，實現對患者的個性化治療，提高機器人系統的精密操作及微創手術能力等，且目前人工智能在口腔領域的應用較為分散，開發出集診斷、決策、輔助治療等多個功能為一體的智能系統也是人工智能的努力方向，人工智能的研發和應用范圍將進一步擴大。相信在不久的將來，人工智能會在口腔診療領域發揮更重要的作用——改變醫療手段甚至醫療模式、并將推動口腔醫學的發展。筆者有理由相信，人工智能是未來醫學創新和改革的強大動力，將給未來口腔醫療技術帶來深刻的變化。

利益沖突聲明：作者聲明本文無利益沖突。