作者：贺楚芸，童庆华，方文静，邓婷，宜宾市第二人民医院&四川大学华西医院宜宾分院口腔科；陶天金，赖文莉，四川大学华西口腔医院口腔正畸科

在过去十年中，人工智能越来越多地用于图像分析任务，如图像分割、对象检测和医学图像恢复。人工智能的这些应用，正在改变医学图像的分析方式。尽管许多早期的人工智能方法已拥有仅次于人类的性能，但有证据表明，最近的深度学习算法在特定任务中的表现已与人类相当，甚至超过人类。随着人工智能研究的发展，研究人员预测，在未来几十年内，人工智能将应用于牙科成像中的更多场景。

在口腔临床实践中常规收集的成像数据，可以为医学发现提供极其丰富的资源，口内照片、面部照片以及X线放射片可以与临床结果相结合，因此，牙科影像相关医学研究的出现和快速发展是不可避免的。早期对牙科成像的研究主要依赖于人工，这些过程通常耗时、耗力、主观且缺乏敏感性和特异性。

最近，有关牙科成像的研究结合了AI技术，从示例图像中自动学习代表性特征，进一步增强了快速准确地提取牙科影像特征的能力。例如，AI算法可用于组织病理学图像诊断口腔鳞状细胞癌，从而减少医生的图片诊断时间，加快临床决策。尽管牙科技术的进步越来越引人注目，但与临床医学相比，它们仍然受到限制。因此，数字化和自动化牙科流程正在不断被标准化，并成为常规治疗计划的一部分，以更好地支持临床医生进行数据预测分析，以及疾病诊断和临床决策。

本文概述人工智能在牙科领域中基于图像任务的大体应用，讨论人工智能技术在临床应用中面临的挑战和局限性，并探讨了未来的人工智能方法将如何影响多种基于牙科影像的实践。

1. AI在口腔影像中的应用

1.1 牙体牙髓病

作为最常见的口腔疾病，龋病通常依赖于视诊检查和放射学检查作为检测的首选方法。检查获取的数据可以输入到AI模型中，用于龋齿的自动诊断。目前，人工智能模型旨在检测牙齿图像上的龋损，包括全景X线片、翼片、CBCT扫描和口内照。在最近的一项研究中，3686张X线片被用于基于U-Net的龋齿检测，神经网络整体显示出比牙科医生更高的准确性和灵敏度。

另一项研究进行了一项随机交叉对照试验，采用全卷积神经网络，使用140张翼片进行龋齿检测，使用AI的牙医显示出比没有使用AI模型的牙医有更高的敏感性。Li等还开发了一项经改进的深度学习模型，该模型使用4129张图像的大数据集来支持龋齿的自动检测，通过比较模型与专家的诊断结果，该模型显示出比年轻牙医更高的准确性。此外，在深度学习的协助下，还观察到专家之间的一致性有所增加。

尽管通过使用X线片获得了令人满意的诊断结果，但仍有研究尝试使用口内照进行基于AI的龋齿检测。有研究旨在开发利用口内照进行龋齿检测的深度学习方法，并比较专家与AI的诊断表现，结果显示深度学习模型与龋齿检测专家诊断的一致性超过90%。此外，AI模型使用近红外透照(near-infrared transillumination， TI)成像执行语义分割，以自动检测和定位龋齿，同样也获得了较为满意的准确度。

除开上述的疾病检测方面的应用，近来，Wang等利用多任务特点的深度学习技术自动化分割CBCT图像中的根管系统，该AI模型能够快速地获得牙齿和根管系统的3D模型，这为根管治疗手术计划提供了重要参考。未来，相信AI会作为一种辅助手段，辅助医师更好地完成治疗计划和评估。

1.2 牙周病

作为牙周健康和疾病分类的关键参数之一，牙周骨丢失可以通过X线片进行评估，先前研究已进行了利用AI技术检测牙槽骨水平的尝试。在一项使用卷积神经网络测量X线牙槽骨水平的研究中，全景X线片被分割为骨区域、牙齿和牙骨质-釉质交界处，并计算X线片中骨丢失百分比(radiographic bone loss， RBL)，以确定每颗牙齿的骨丢失阶段，结果表明，深度学习模型的辨别能力与检查者之间没有差异。

此外，最近的一项研究开发了一种生成性对抗性修复网络，以预测牙周附着水平(clinical attachment level， CAL)，该网络具有80326张翼片和根尖X线片的大数据集，其测量结果误差在临床医生确定的测量标准1 mm内。

此外，有研究通过分析口内照评估了AI技术在检测牙菌斑以及牙龈炎中的应用。而研究发现AI已应用于基于625名患者的口内照中牙龈炎的自动筛查和定位，以及检测牙结石和软垢。该模型可以定位口内照上的牙结石、软垢以及牙龈炎。此外，该学者也强调了促进公共口腔健康的潜在优势，特别是对于医疗资源有限的地区和低收入人群。

1.3 口腔肿瘤

口腔癌包括一系列异质性的癌症，拥有很高的死亡率，是世界上存活率最低的癌症之一。近年来，人工智能技术被发现有希望改善口腔癌患者的诊断进程和治疗结果预测。利用拍摄的图像，一些研究探讨了用于口腔癌早期检测的深度学习方法，研究表明，AI有较好的检测口腔癌的潜力。此外，组织病理学图像常用于口腔癌患者的评估和诊断。

Das等提出了一种基于活检图像的口腔鳞状细胞癌(oral squamous cell carcinoma， OSCC)细胞分类的AI模型，其分类准确率为92.15%。类似地，Rahman等开发了一个转移学习模型，从OSCC活检图像中使用AlexNet网络提取等级特征，其分类准确率超过90%。最近有研究开发了一个定制的深度学习模型，使用2025个组织病理学图像的大数据集检测OSCC，该模型帮助临床医生提高了OSCC诊断的速度和准确性。尽管最终的病理诊断结果需要病理学家确认，但AI能够减少耗时和重复的任务，口腔病理学家可能会从中受益。

此外，人工智能技术还应用于腮腺肿瘤的分类、舌肿瘤的检测、口腔癌患者颈部淋巴结转移的评估以及白斑病变中癌症风险的预测。尽管这些领域基于人工智能的研究数量相对较少，但即将进行的研究可能会增强人工智能的潜在应用。

1.4 颞下颌关节病

作为一个全球性的健康问题，颞下颌关节紊乱(temporomandibular disorders， TMD)被定义为影响咀嚼肌、颞下颌关节(temporomandibular joint， TMJ)和相关结构的一组疾病的总称，大约5%～12%的普通人群受到TMD的影响，而一些研究报告TMD的发病率更高，为25%～40%。髁突和关节盘的形状、大小以及表面信息对TMD的诊断和治疗至关重要。因此，颞下颌关节的自动分割是人工智能辅助诊断TMD相关疾病的前提。研究使用了206例来自低剂量CT的图像来测试基于U-Net+跟踪的TMJ分割算法，该算法对关节窝、髁突和背景的分割效率相对较高，平均Dice系数得分超过0.90。

在另一项研究中，提出了一种全自动关节盘检测和分割系统，使用217张磁共振图像来评估3种基于深度学习的语义分割方法，该方法可用于临床实践中评估TMD。在其他研究中，人工智能已应用于磁共振成像中检测颞下颌关节关节盘移位和关节盘穿孔，结果表明，与人类专家和传统方法相比，人工智能在预测颞下颌关节关节盘移位和关节盘穿孔方面具有更好的表现。

近年来，一些研究人员致力于用人工智能诊断颞下颌关节骨性关节炎(temporomandibular joint osteoarthritis， TMJOA)。Choi等开发了一个人工智能模型，并将其TMJOA诊断性能与口腔颌面放射学专家的诊断结果进行了比较，结果显示出与专家相当的灵敏度。Jung等提出了一种将TMJ全景图像分类为正常和TMJOA病例的诊断工具，分类准确率接近88%。总之，研究表明用AI对TMJOA进行初步诊断是可行的。

1.5 正畸

头影测量分析是正畸和颅面手术中诊断、治疗计划和治疗结果评估的重要任务。头影测量解剖标志的准确识别是头影测量分析的第一步，然而，人工标记标记点是一个繁琐且耗时的过程，鉴于此，现有研究探索了基于AI技术的自动头影测量标志点识别和分析的可能性，自动标记定位的平均误差在一般临床实践的可接受范围内(2 mm)。此外，由于正畸治疗前常常需要患者拍摄CBCT，一些研究已经评估了人工智能技术在从CBCT图像中检测解剖标记点的应用，这些提出的自动化检测方法均实现了可接受的精准度。

颈椎成熟(cervical vertebral maturation， CVM)分期被正畸医生广泛用于评估生长潜力。在最近的一项研究中，Zhou等提出了一种用于评估颈椎成熟状态的卷积神经网络，其数据集为1080张头颅侧位片，AI模型和专家的辨别能力之间没有差异。在其他研究中，类似的方法被用于确定颈椎成熟状态，在大多数研究中，深度学习模型所达到的平均准确度是可靠的，因此，在临床实践中使用这些深度学习模型将有助于正畸医生制定治疗计划和准确诊断。

1.6 修复

人工智能在口腔修复学中的最新发展证明了其在自动诊断、识别或分类以及预测测量中的应用。通过检查X线片，几项研究探索了开发人工智能模型，用于检测义齿和修复体、识别种植系统和预测种植体脱落风险。这些研究表明人工智能技术是口腔修复临床实践中非常有前途的辅助工具。然而，一些研究人员表示，需要更全面、更多样的X线片数据库，以提高人工智能模型的深度学习性能，从而将这些系统应用于临床实践。

2. 局限和挑战

尽管人工智能技术有着巨大的潜力，但在牙科领域高效、有效地应用人工智能技术之前，仍有一些巨大的限制或要求需要解决。

人工智能已经获得了极大的关注，并有望成为一种颠覆性和创新性的技术，然而，人工智能在牙科领域的最新发展引发了关于道德和法律挑战的争论。患者健康数据可能有被私营公司不道德地利用的重大风险，例如，当患者数据被出售给公司进行健康保险或定向广告时，可能会在保费方面做出不公正的决定。

尽管临床医生制定的明确指南落后于人工智能的发展速度，但已经出现了一些指导人工智能道德使用的指南，例如新加坡的人工智能治理框架和《人类生物医学研究条例2017》。人工智能最合乎道德的可行方案是增强人类研究人员和医生的能力，并接管标准化和常规化的任务，而不是取代他们，这是因为人工智能系统无法再现人类研究人员或医生能够做到的关怀、同情和共情等。此外，为了防止数据泄露，需要对与数据安全、隐私和控制相关的问题实施强有力的数据匿名化和安全措施。

总之，拥抱人工智能技术的热情不应取代道德和法律责任，这需要有关部门谨慎关注和制定相关的标准。

不平等是当今医疗保健中最重要的问题之一，“富人”过度使用人工智能技术可能会扩大目前医疗保健结果的差距。此外，由于缺乏代表性数据集，某些算法中可能存在偏见，因此，需要进一步的工作来最小化这些偏见。此外，人工智能应用的区域不平衡也导致了不平等。Mörch等最近进行的一项范围界定审查显示，7个国家参与了61.2%的牙科人工智能应用研究。另一方面，一些专家主张医疗人工智能是解决低收入和中等收入国家长期存在的医疗保健获取和治疗不平等问题的潜在手段。因此，人工智能在牙科中的应用是否会加剧或减少医疗资源的不平衡仍然存在争议。

3. 展望

尽管人工智能的技术进步和应用在牙科领域越来越引人注目，但与临床医学相比，人工智能仍然受到限制。分割是自动诊断、计算机和机器人辅助干预的先决条件。尽管已经提出了大量用于医学图像分割的方法，但大多数方法仅限于静态图像。

基于动态分割的视频预测方法已经创新性地成功应用于多个领域，包括自动驾驶、动作预测和机器人。研究提出了利用内镜图像实时检测早期癌症的人工智能方法，对内窥镜图像上的上消化道癌症自动语义分割，结肠镜视频中的息肉自动分割，口腔和口咽鳞状细胞癌的语义分割等。

在机器人领域，视频预测促进了基于视觉的机器人控制中的运动规划和决策，并提供了精确的世界模型。未来的研究可以使用这些方法和机器人来指导基于病变区域和周围正常组织的视频预测分割的口腔颌面部手术，根据根管的视频预测分割来指导牙科手术显微镜辅助根管治疗，以及基于视频预测的牙冠分割来指导托槽定位等。

人工智能提高了现有医疗条件下诊断、决策和治疗过程中医学成像的可能性。在可预见的未来，人工智能将作为临床从业者和研究人员的重要辅助工具，但不能取代人类专家。最后，人工智能在牙科领域的未来研究和使用应具有适当的行业规范，如数据透明度、合法性、道德和法律要求以及评估指标的标准化。

来源：陶天金,贺楚芸,童庆华,等.人工智能在口腔影像应用的研究进展[J].临床口腔医学杂志,2024,40(09):570-573.

(本网站所有内容，凡注明来源为“医脉通”，版权均归医脉通所有，未经授权，任何媒体、网站或个人不得转载，否则将追究法律责任，授权转载时须注明“来源：医脉通”。本网注明来源为其他媒体的内容为转载，转载仅作观点分享，版权归原作者所有，如有侵犯版权，请及时联系我们。)