作者：陈新月，杨燕，陈亮，重庆医科大学附属口腔医院牙体牙髓科；潘晓予，贾媛媛，重庆医科大学医学信息学院
卷积神经网络（convolution neural network,CNN）作为深度学习中的重要分支，本身是一种多层网络结构，常用于处理多维度的数据信息如图像、视频等，在图像检测、识别、分割、配准等各类任务中均表现良好，具有高效、准确等特点。目前应用较为广泛的CNN模型主要包括ResNet模型、R-CNN模型、U-net模型等。这些CNN模型的运算主要可以分为卷积层、池化层以及全连接层。
以ResNet模型执行图像分类任务为例，图像在输入ResNet模型后首先在卷积层进行原始数据矩阵的卷积运算。随后卷积层输出的特征图像经由池化层进行降维，该层提取特征图像中最为有效的特征，从而实现对网络结构的简化，提高模型运行速率，减少过拟合现象。输入的图像通过多次反复的卷积池化运算抉择出最能体现图像有效特征的卷积核，由该卷积核进行卷积池化运算提取的特征信息最终在全连接层进行非线性组合，输出分类结果。
在口腔医学领域中，目前已有不少学者尝试将CNN与现阶段口腔诊疗中存在的各类问题相结合。Lahoud等就开发出了一种基于U-Net模型的新型分割工具，用于在颌面部锥形束计算机断层扫描（cone-beam computed tomography,CBCT）影像中对下颌神经管进行分割，该工具经验证具有较高的精确度，且分割速率明显优于人工分割。
此外，CNN还在口腔疾病的诊断、治疗及预后预测等不同问题的解决中展现出了良好的实用性，这些研究均证实CNN在口腔医学领域中拥有极其宽广的应用前景。而在牙体牙髓病学的各个方面，CNN的应用同样已经取得了一定的成果，对牙体牙髓病学的发展起着积极的促进作用。本文就其在诊断、治疗及预测等方面的应用进行总结，以期为CNN在牙体牙髓领域的相关应用研究提供参考。
1. CNN辅助牙体牙髓疾病的诊断
在当前的口腔临床诊疗中，各类牙体牙髓疾病的诊断仍主要依赖于医生的临床工作经验。而由于临床经验水平各有不齐，不同医生在面对同种病情时的诊断有时也会存在一定的差异，由此出现的误诊、漏诊情况屡见不鲜。此外，牙体牙髓病学发展至今，临床医生及相关医疗资源依旧十分紧张，部分患者的病情常常无法得到最及时的诊治。
为解决上述问题，目前已有大量研究尝试通过大样本数据的输入来对CNN模型进行训练和测试，使其最终能够辅助临床医生进行更准确快速的疾病诊断，并取得了较为显著的成果，其中应用较多的CNN网络结构主要包括VGG模型、Resnet模型、U-Net模型等。
1.1 VGG模型
在牙髓炎及根尖周病变等多项牙体牙髓疾病的诊断分类中，目前已有多项研究尝试对VGG模型进行训练和分析，最终促进了其在牙体牙髓疾病诊断中的应用发展。Zhang等更是以VGG模型为基础开发出了相关的
1.2 Resnet模型
有研究曾收集411例深龋及433例牙髓炎患者的根尖X线影像作为不同模型的训练数据，使模型能够自动诊断根尖X线影像中的深龋及牙髓炎。随后研究对比发现，Resnet18结合临床参数的多模式CNN模型较其他模型具有更好的诊断性能，其准确率为0.86。而在辅助诊断根尖周病变、根裂等其他牙体牙髓疾病的研究当中，Resnet模型同样表现出了良好的适用性，对实现疾病的自动化诊断具有重要的促进意义。
1.3 U-Net模型
另一方面，U-Net模型在牙体牙髓疾病诊断分析中的应用也十分常见。Setzer等曾尝试将U-Net模型应用于CBCT影像中根尖周病变的诊断，其所构建的诊断模型除能检测根尖周病变外，还能对牙齿、牙槽骨等结构进行自动检测和分割。同一时期Orhan等也利用U-Net模型进行了类似的探索，该模型在完成CBCT影像中根尖周病变的检测后，还将进一步对病变所在位置进行识别编号并完成病变区域的体积测量，具有更明确的目的性。两组研究在最终的测试中均取得了较高的准确率，证明了U-Net模型在辅助疾病诊断中的可行性。
此外，还有许多学者基于不同的CNN模型开发构建出了多种不同的辅助诊断系统，从辅助医生进行影像数据的分析处理到对牙体牙髓疾病的直接检测等多方面进行了更深入的探索和研究，不仅有利于简化临床诊断中的工作流程，也为牙体牙髓医生提供了更直观有力的诊断参考。
2. CNN辅助牙体牙髓疾病的治疗
与此同时，在牙体牙髓疾病的治疗过程中，由于临床经验及判断水平差异，不同医生在治疗方案的制定上也时常存在差异。CNN在牙体牙髓疾病治疗中的辅助应用恰好可以减少这种主观因素导致的影响，使患者在诊疗过程中获得更加全面准确的治疗。因此，也有不少研究者对CNN在牙体牙髓疾病治疗中的应用进行了相关探索，其中U-Net模型的使用更是尤为广泛。
Lin等便通过对U-Net模型的训练实现了CBCT影像中髓腔的精细识别分割。而Duan等也在同期将U-Net模型应用于髓腔的分割任务中。与前者相比，后者所训练的模型除了能对髓腔进行分割外，还能同时完成CBCT影像中牙齿的分割，但其分割性能在Dice相似系数上稍弱于前者。
这些研究均证明CNN能够在一定程度上帮助医生快速制定治疗计划，提高临床治疗效率。同时它还能够减少传统方案制定过程中可能存在的主观误差，弥补部分年轻医生临床经验不足的问题，辅助其准确评估髓腔的形状位置，从而降低并发症的发生风险。而除髓腔的形态位置外，根管的工作长度、结构等也是影响牙体牙髓疾病治疗成功率的关键因素。
在此基础上，有研究对比了Xception U-Net、Residual U-Net以及U-Net三种U-Net模型对下颌第二磨牙C型根管的识别和分割性能。该研究最终评估发现，Xception U-Net模型的表现明显优于其余两者，能够为医生治疗下颌第二磨牙的C型根管提供一定的参考。但该模型在敏感度和阳性预测值上的表现仍然有限，或许需要研究者们进行更进一步的探索。
而除U-Net模型外，AlexNet、GoogleNet、EfficientNet等CNN模型在辅助牙齿及根管形态分析等方面也取得了不小的进展。这些基于CNN网络的研究均从不同程度上佐证了其在辅助牙体牙髓疾病治疗中的作用，为实现牙体牙髓疾病治疗的标准化、精确化提供了重要的探索和推进方向。
3. CNN辅助牙体牙髓疾病发展预后的预测
口腔医学发展至今，疾病的发展及预后一直是医生及患者所关注的首要内容。为了实现对种植术后效果的预测，曾有研究以患者的根尖周及全景影像为训练数据构建出了相关的CNN预测系统。该系统能够对种植术后术区的骨质流失情况进行预测，且具有较高的预测准确率，对于辅助医生及时调整治疗方案、进行早期干预具有重要意义。
而在牙体牙髓病学领域，迄今为止大多相关的疾病预测研究仍然使用传统的机器学习算法或人工神经网络，CNN在这方面的应用仍处于早期阶段。不过也有一些研究对此进行了相关的探索。Ngnamsie等就在一项研究中利用患者的年龄、口腔病史、牙齿图像等多模态数据，基于包括CNN在内的混合算法对年轻人龋齿的发生风险进行了预测。该算法最终的准确率、召回率和F1分数分别为0.9、0.9和0.89，有利于帮助医生针对龋病高风险患者制定合理的预防治疗计划，同时提升患者自身保健意识，促进口腔健康维护，从而尽可能减少龋病对高风险患者的负面影响。
此外，还有研究为了实现对龋病等口腔疾病发展演化过程的预测，利用CNN网络建立了相关的智能预防及诊断平台。但该研究目前尚未对所建立的平台进行有效的性能评价，可能需要进一步的探索分析。而对于龋病在治疗过程中可能出现的不良并发症，王丽等则尝试以深龋近髓患者的根尖周影像作为训练内容，使计算机模型能够自动预测患者在去龋操作结束后是否会出现髓腔暴露的情况。研究最终分析发现，DenseNet模型和ResNet模型的预测性能可以类比甚至略优于高年资临床医生，有助于帮助医生及时调整治疗方案，降低不良并发症的发生风险。
基于上述研究，CNN网络在疾病预测中的潜力得到了初步印证，对于推动牙体牙髓病学临床发展有着重要的意义。不过目前这方面的研究还较有限，仍需大量实验的探索和发展。
来源：陈新月,潘晓予,杨燕,等.卷积神经网络在牙体牙髓病学中的应用进展[J].国际口腔医学杂志,2024,51(04):483-488.
(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。)
