作者：孙斯妤，张涵，杨军英，周鸣，曹晓，中山大学附属第一医院口腔科
人工智能(AI)定义为：在科学和工程领域，涉及对通常所谓的智能行为的计算理解，并创造显示这种行为的机器。过去的十年里，AI在牙科领域展现巨大潜力，因其具有比人更高的精确性、准确度和灵敏度，已逐渐被应用于口腔放射学、正畸学、修复学、牙体牙髓学、种植学等方面，极大提高了口腔专科疾病的诊疗水平。
1. AI基于影像学检查的龋病诊断中的应用
1.1 曲面断层片(panoramic radiography)
数字化X线技术是最常用于辅助医生进行口腔健康评估和牙科疾病诊断的方法之一。其中，曲面断层片可获得患者整个牙列及其周围的牙槽骨、颌骨结构的影像学资料，具有辐射剂量低、应用简单、拍摄时间短以及患者舒适度高的特点。但它不能给予每个牙齿的细节视图，视觉质量低，图像分析有一定困难。
识别和分割牙齿是研发龋病诊断系统所需的重要部分，借此可以提高图像质量。Haghanifar等提出了一种基于遗传算法的全景图像牙齿分割方法，实现了77.56%的总体分割准确度；其中上颌和下颌牙齿的准确度值分别为81.44%和73.67%。基于此，该研究团队进一步构建了龋病诊断模型Pa XNet，准确率达到86.05%。且Pa XNet能区分深龋与浅龋，浅龋的检出率69.44%，深龋的检出率为90.52%。
卷积神经网络(convolutional neural network,CNN)是一种神经前馈网络，它包含卷积操作、池化操作和非线性激活函数映射等，常应用于计算机视觉、图像识别等领域。Lakshmi等基于深度CNN来构建早期龋病诊断模型，使用了Sobel边缘检测方法进行牙体分割，利用1000张图像进行了模型训练、900张图像进行了测试，模型的准确率达96.08%。
据报道，第三磨牙龋坏的患病率在2.5%～86%之间，准确诊断第三磨牙的龋坏对明确第三磨牙的去留有重要意义。Vinayahalingam等基于CNN开发了Mobile Net V2系统，辅助诊断下颌和上颌第三磨牙的龋坏。该系统检测第三磨牙龋坏的准确度为87%，灵敏度为87%，特异度为86%，曲线下面积(area-under-the-curve,AUC)为0.90，结果表明Mobile Net V2对第三磨牙龋病诊断具有较高的准确率。
1.2 牙合翼片(bitewing radiographs)
牙合翼片是龋病检测常用的影像学方法，相较于全景片具有较高的诊断准确性。有研究基于CNN构建龋病诊断模型，将牙合翼片数据分为3组进行测试和交叉验证，模型的AUC为0.884，25名医生诊断的平均AUC为0.717，结果表明此模型有较好的诊断率。
L.Megalan和T.Reddy开发了一种新的混合神经网络(hybrid neural network,HNN)技术，是人工神经网络(artificial neural network,ANN)和深度神经网络(deep neural network,DNN)的混合，可用于检测龋病类型，并进一步对龋病进展程度进行分类。该模型对所输入图像，可识别龋病病变进展的区域：牙釉质区、牙本质区、牙髓区和牙根部区。模型的准确性为96%，平均耗时为0.732 s，相较于CNN在准确率和处理时间上效果较好。
1.3 电子计算机断层扫描(computed tomography,CT)
CT具有多平面重建、高准确性和低曝光时间等优点，在诊断牙科疾病上发挥着重要作用。深度学习(deep learning,DL)已广泛应用于口腔CT，如下牙槽神经分割，牙齿分割和牙髓病学，牙科种植体定位等。Esmaeilyfard等选取的CT数据集包括382颗龋坏磨牙和403颗非龋坏磨牙，每颗牙齿截取横断面、矢状面和冠状面3个图像，并使用多输入架构和数据增强等方法提高图像精度，该模型的敏感性为94.5%，特异性为91.8%，结果表明DL在使用CT图像诊断龋病方面的潜在价值。
2018年，Zakirov等基于深度CNN研发了Diagnocat系统，能在CT中识别牙体及根尖周病变，在实时临床环境中比较了辅助和非辅助组的准确性和诊断时间。结果显示，系统评估一位患者的CT影像所需的平均时间减少了1.19 min。非辅助组的特异性为93.18%～94.38%，高于辅助组的92.39%，此差异可能是由于医生对龋病诊断的标准不同。2021年，该团队对此系统进一步深化改进，辅助组和非辅助组的敏感性分别达到了85.37%和76.72%，特异性分别为96.72%和96.16%。CT辐射量较大，并不是检测和诊断龋病的首要选择，出于其他检查目的进行的
1.4 口腔照片
Zhang等基于CNN，设计了一款根据口内照片诊断低龄儿童龋(early childhood caries,ECC)的系统。系统中龋坏检测模块通过标准智能手机用户拍摄的照片中检测龋病的视觉迹象；多因素分析器模块通过交互式问答收集可能影响龋病形成的各种因素的信息，如患者的习惯，饮食和症状，并计算潜在风险；风险评估模块分析以上两个模块的结果并生成信息报告。且系统中还有一个互动教育模块，将牙科知识与小游戏结合，向家庭成员科普ECC病因及预防方法。
此系统通过患者智能手机中的牙齿图像并结合多种信息，对ECC初步诊断并提供建议，对于患者更加便捷且减少费用。Zhang等开发了一个Conv Net模型，使用口内照片，自动检测龋病，所提出的模型在高灵敏度工作点处的AUC为85.65%，定位灵敏度为64.60%。为了使模型更好地区分龋病和颜色相似的色素，在训练过程中采用了难例挖掘策略，该策略可以显著提高分类和定位性能。这些研究表明，AI可以通过使用患者手机拍摄的口腔照片，初步检测龋病，也可用于大规模人群中进行初步的龋病筛查，进一步改善公共口腔健康。
1.5 根尖片(periapical images)
根尖片是在口腔内拍摄的X线照片，仅观察局部的数颗牙齿。由于X射线的不均匀曝光、接收器传感器的灵敏度差异以及牙齿密度或厚度的不同，在健康区域中也可能会产生暗区，这些暗区称为混淆区。其他如角度，对比度、成像角度等因素都可能会增加临床中根尖片诊断鉴别的困扰。Choi等基于CNN构建了一个邻面龋诊断系统，此系统的精确度为74%，相较于CNN结果较好。有研究使用4个牙齿分割框架：U-Net、XNet、Seg Net和U-Net+Densenet 121，基于DL构建根尖片检测的模型，结果表明U-Net架构在所有指标上都优于XNet和SegNet，在训练数据集中，U-Net提供了最佳性能，而验证数据集上的整体最佳性能架构是U-Net+Densenet 121。
1.6 近红外透射技术(near-infrared light transillumination,NITI)
NITI是一种非电离成像技术，相较与X线成像技术没有产生电离辐射，而近红外光的散射和吸收的差异取决于牙齿矿化的程度，适用于儿童或较短的时间内需多次影像学检查的人群。市面上常用的NITI机器有：DIAGNOcam、Ka Vo、Biberach等。已有研究将NITI用于检测早期龋，及检测原发性和继发性龋。Schwendicke等基于CNN构建模型检测NITI图像中的龋病病变，结果发现此模型显示出相对较高的特异性(80%)，总体准确度约为70%，与使用牙合翼片进行龋病检测的特异性相当。
有研究使用DIAGNOcam检测的217个上、下磨牙和前磨牙的图像构建数据集，基于CNN构建了一个龋病诊断系统，检测和定位NITI图像中的牙齿龋坏，此模型的平均交并比(intersectionover-union ,IOU)为72.7%，其中对于邻面龋和咬合面龋的IOU分别为0.495和0.49,AUC分别为83.6%和85.6%。有研究使用226颗离体牙和1319张口内牙齿的NITI图像构成的数据集分别构建龋病诊断模型，由于离体牙样本量限制，所构建的龋病诊断模型的准确度略低于使用口内图像构建的模型。因此使用离体牙图像数据集构建模型时，除对其精确性进行评估外，还应在口内获取的NITI图像数据集上进行训练以提高精确性和敏感性。
1.7 高光谱成像技术(hyperspectral imaging,HSI)
HSI是一种检测可见光谱以外波长的光学方法，结合了光谱技术和数字成像特点。有研究已经将其应用于龋病的检查诊断，Tetschke等使用HSI及CT观察健康及龋坏牙齿的牙体硬组织微观结构变化，证明HSI可以在不同的信号下区分健康和脱矿的牙齿表面。Wang等采用HSI结合机器学习构建了一个可同时诊断龋齿和牙结石的模型。模型分析了122个牙面的荧光光谱、纹理和颜色的融合特征，结果表明该模型对龋病和牙结石的诊断准确率、敏感性和特异性分别为98.6%、98.4%和99.6%。
2. AI在龋病预测中的应用
龋病预测模型是指基于特定的统计学模型，收集患者的相关信息，分析龋病的危险因素及预测未来龋病的发生与发展趋势。最终建立的龋病预测模型可以通过特异性，灵敏性和准确度来判断其预测性能。研究者们已建立了许多龋病模型并应用于实际，如龋病图(Cariogram)、Logistic回归分析(logistic regression analysis,LRA)、Poisson回归分析(Poisson regression analysis)等。
Udod等对73名分别为6～7岁、12～15岁和35～44岁年龄组人群进行了口腔检查，收集患者的年龄、龋失补牙面数、口腔卫生指数(OHI-S)、牙釉质结构-功能耐酸性(structural-functional acid resistance of tooth enamel,SFARE)，基于神经网络的构建了“Caries Pro”软件。
于1年后对人群进行回访，检测预测模型的准确率为83.56%。一研究选取2015～2016年美国全国健康与营养检查调查数据，应用了支持向量机(support vector machine,SVM)、极端梯度增强(extreme gradient boosting,XG-Boost)、随机森林回归(random forest regression,RF)、K-邻近算法(k-nearest neighbours,K-NN)和LRA的方法来筛选根面龋危险因素，并分别构建根面龋风险预测模型，结果表明其中SVM预测性能最佳，准确率为97.1%，精确度为95.1%，灵敏度为99.6%，特异性为94.3%，并筛选出年龄是根面龋最密切相关的特征，此项研究中的模型能通过输入医疗条件或生活方式，确定根龋的发生风险，可用于非牙科专业人员对高风险的患者进行分类及早期干预和预防。
Sadegh-Zadeh等通过使用机器学习分类技术，建立一个0～5岁儿童的ECC风险预测模型，使用了决策树(decision tree,DT)、极致梯度提升(extreme gradient boosting,XGBoost)、K-NN、LRA、多层感知器(multilayer perceptron,MLP)、RF、SVM的方法建立预测模型，并使用K-折交叉验证和留一法进行评估。其中MLP和RF的准确率最高，为97.4%。最终筛选出：龋失补牙面数、含糖食品的摄入量、定期牙科检查、家庭的社会经济水平、氟暴露程度是影响ECC风险的主要因素。
龋病是一种细菌感染性疾病，口腔微生物之间的相互作用，也将促进龋坏的发展。唾液冲刷口腔内颊黏膜、舌黏膜及牙龈表面，因此唾液细菌的组成差异反映了口腔黏膜的细菌丰度差异。
近年来也有研究用生态建模技术预测龋病发生发展，Grier等收集1～3岁儿童的唾液菌群进行16S rRNA测序分析，24个月后36名儿童出现ECC，基于RF和XGBoost构建龋病预测模型，取基线时和龋病发生前一次的复诊时的唾液菌群进行模拟和测试，AUC分别为0.71、0.89，两模型都具有显著的龋病预测能力。两模型中筛选出ECC发病风险的生物标志物为黏液罗氏菌(Rothia mucilaginosa)、
3. AI在龋病治疗中的应用
Bouchahma等基于ANN和DL构建了一种提供龋病治疗方案的模型，通过识别根尖片中龋病特点，输出以下4种治疗建议：涂氟治疗、去龋后充填治疗、根管治疗或无需治疗。由120张根尖片的训练数据和116张全景片的测试数据构成数据集，结果表明模型预测4种治疗的总准确性达86%，而预测涂氟治疗的准确性最高达98%，预测充填治疗的准确性最低为72%。此模型可为医生提供患牙的诊断及治疗建议，有利于提高工作效率，可通过增加训练数据集的图片进一步提高模型的准确性。
临床去除龋坏牙本质的方法主要有手动挖匙去龋和车针机械去龋。去龋的效率取决于术者的经验和
Javed等纳入45例儿童乳磨牙牙合面牙本质龋患者，进行树脂充填治疗，随机分为3组使用不同方法去除龋坏：硬质合金材质车针去龋、聚合物材质车针去龋和金属挖匙去龋，培养基接种的去龋前后窝洞中的变异链球菌并分析数量，将数据输入基于ANN模型开发的App中，预测术后变形链球菌残留的准确率为99%，测试样本的均方误差和平均绝对误差分别为0.2341和4.967。结果表明可用该模型基于治疗前的窝洞中的变形链球菌数量，预测治疗后变形链球菌数量，有助于辅助医生选择恰当的去龋器械。
4. 结语
口腔科医生和放射科医生可以使用AI作为辅助工具，对患者进行龋病风险评估，提高诊断的准确性，帮助制定治疗计划并预测治疗结果。未来，可以通过结合研究开发的机器学习算法来制作真实的实时在线临床决策支持工具，以促进口腔治疗中的精准医学。也可以设计有关的应用软件用于常规医疗、牙科诊所、社会服务中心，也可设计研发在线的软件，筛选出高风险的患龋人群，并提供牙科检查及就诊建议。AI在实际应用中也存在一定风险，如：难以识别诊断罕见病，且涉及患者检查资料的伦理、隐私和安全问题。因此在实际运用中，医生应正确认识AI的利弊，推动AI在口腔诊疗中合理应用。
来源：孙斯妤,张涵,杨军英,等.人工智能在龋病诊疗中应用的研究进展[J].临床口腔医学杂志,2024,40(06):379-382.
(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。)
