作者：顾安琪，陶宝鑫，上海交通大学口腔医学院；张晨，苏州大学苏州医学院；吴轶群，周文洁，上海交通大学医学院附属第九人民医院口腔第二门诊部

口腔遗传病是指主要病变在口腔颌面部的遗传性疾病， 以及涉及口腔颌面部损害的全身或其他系统的遗传病。口腔遗传病病种繁多，据在线人类孟德尔遗传（Online Mendelian Inheritance in Man,OMIM）数据库显示，累及头颈部的遗传性疾病共达5 000 余种，它们的临床表现和致病机制呈高度多样化。我国口腔罕见病名录纳入的139 种罕见病中，绝大多数属于遗传性疾病，患病率通常低于1/1 000。

在中国，病情罕见、病例零散、病因和临床表现复杂、诊断标准和方法欠缺、遗传咨询服务有限等因素导致口腔遗传病早期识别和确诊的可及性严重不足，加之我国医疗资源分布不均， 极易造成基层医院和边远地区口腔遗传病的误诊或漏诊。因此，如何进一步提升口腔遗传病的诊疗和预防水平，成为当前亟待解决的问题。人工智能（artificial intelligence，AI）是以计算机科学为基础，多学科融合交叉，用于模拟、延伸和扩展人的智能的一门技术科学。其中，机器学习是AI中最具智能特征、最前沿的研究领域之一。机器学习模型通过神经网络（NNs）、支持向量机（SVM）、随机森林（RF）和K-最近邻（K-NN）等算法构建，模拟或实现人类的学习行为，利用以往数据或经验，不断改善自身性能，以获取新的知识或技能。大数据环境下，机器学习可以帮助我们有效利用信息，从巨量数据中获取隐藏的、有效的、可理解的知识。

深度学习是机器学习的一个分支，由更深层的神经网络构成。这种深度神经网络（DNN）在传统神经网络的输入层和输出层之间增加多个隐藏层，从而高效、准确地分析更加抽象和复杂的数据集。目前，AI 模型的研究和应用已在口腔颌面外科学、口腔正畸学、牙体牙髓病学、牙周病学等多个领域初露头角。口腔鳞癌的早期诊断、阻生牙拔除术后的面部肿胀预测、拔牙或非拔牙正畸治疗方案选择、龋齿和根尖周病变的检查与定位、牙槽骨吸收程度的评估等常见口腔诊疗过程都可以通过AI 进行优化。

2020 年刘洪臣教授提出“人工智能口腔医学”这一新型口腔医疗模式，指出AI 在口腔医学基础研究及疾病预防、筛查、诊断和治疗等方面具有重要作用。未来，AI 将不断促进我国口腔医学的发展和口腔医疗的进步。口腔遗传病作为口腔医学的一个亚学科， 其传统诊疗和研究面临众多挑战。首先，医师必须具备充足经验，才能综合患者的口腔颌面特征和全身症状做出正确诊断。其次，影像学图像中病灶的精准识别和量化仅靠人工手段较难实现。

此外，在确定单基因遗传病的候选致病基因时，需收集、分析大量数据，研究成本高、效率较低；在分析多基因遗传病基因多态性时， 只能针对特定的单核苷酸多态性（single nucleotide polymorphisms，SNP）进行研究，不利于新位点的发现。因AI 模型在对大型复杂数据集进行特征提取、变异识别、分类分型、结果预测时准确率较高且成本较低， 将其用于口腔遗传病领域相比人工方法具有明显优势。

目前，已有文献报道了AI 在口腔遗传病中的应用，主要是通过不同的AI 模型或软件，处理患者的各种数据，从而促进疾病预防、诊断、治疗和基础研究等方面的进步。本文就人工智能在牙、牙周、口腔黏膜、口面裂相关遗传病以及其他引起颅颌面畸形的口腔遗传病中的应用进行综述。

1. AI 在口腔遗传病诊疗中的应用

1.1 AI 与牙相关遗传性疾病

釉质发育不全按临床表现和遗传特征可分为发育不全型、矿化不全型、成熟不全型和复合型。其临床表现复杂， 诊断和分类困难。人工进行该病的分型需要耗费大量时间和精力， 有时会因人为因素造成分型错误，影响后续治疗方案的制定。卷积神经网络（convolutional neural network，CNN）是一种常用的图像分类及分割网络， 将患者的临床或影像学图像数据输入模型后，经网络的预处理和特征提取、降维、全连接整合等一系列流程，输出准确的疾病诊断分类及病灶区域分割，从而辅助临床决策。

在基于图像的疾病诊断分类方面，Schonewolf 等使用开发并训练的ResNeXt-101 网络自动检测和分类釉质矿化不全患者的单个牙的口内照片， 总体准确率达95.2%，有助于医师对牙情况进行快速诊断；由于龋齿、釉质矿化不全、釉质发育不全和氟牙症可能具有相似的外观， 针对这些疾病的鉴别诊断有时很困难。Alevizakos 等比较5 种成熟的CNN 在对龋齿、釉质矿化不全、釉质发育不全和氟牙症的口内照片进行诊断分类的效果， 发现DenseNet121 获得最高的精度，为92.86%；而VGG16 网络模型的精度最低，仅为83.98%。虽然CNN 网络获得了较高的分类精度，但作者纳入的口内照片较少，仍需要增加相关临床口内照片对网络进行进一步训练。

在病灶区域分割方面， 在对釉质矿化不全牙的CT 图像进行分析时， 使用基于机器学习的Weka 分割工具相比标准阈值分割算法能更准确地分割矿化不全牙的牙釉质，医师可以先手动分割一些牙不同的结构，之后训练该分割工具，训练完成的分割工具可以自动、精确地针对新的样本进行牙结构分割。Schneider 等将U -Net、U -Net ++ 、FPN、LinkNet、PSPNet、MAnet 与ResNet、VGG、Dense Net 网络进行组合，测试总共72种组合网络对牙结构在咬翼片上的分割效果， 结果显示，VGG 网络对各种组合可以提供稳定分割表现，而U-Net++或LinkNet 结合ResNet 或DenseNet可以获得最高的分割精度。牙数目和牙形态异常相关遗传性疾病在临床也较为常见。多生牙可孤立发生，也可作为外胚层发育不全综合征的表现之一出现。

Mine 等使用AlexNet、VGG16-TL 和InceptionV3-TL 网络， 分析220张儿童混合牙列期的全景X 线片，发现VGG16-TL在多生牙检出方面具有高超的性能， 可以简化医师耗时的诊断任务， 有利于多生牙的早期检出及早期治疗。牛牙症是一种牙形态异常相关疾病，患者牙的冠根比与正常人相反，其发病可呈家族聚集性。

已有学者设计出AI 驱动的检测工具，用于快速准确地定位和分割全景片中的牙； 在此基础上，Duman等开发并评估了基于U-Net 网络的牛牙样牙分类网络，研究显示，将该算法用于识别并诊断全景片上的牛型牙可接近临床专家水平，灵敏度达87%。低磷酸酯酶症也称为低碱性磷酸酶血症（HPP），是一种由ALPL 基因突变导致的牙根过短相关罕见综合征。利用传统机器学习算法如SVM 等，研究人员开发出几种基于不同生物标志物如碱性磷酸酶（ALP）和吡哆醛5′-磷酸（PLP）的模型，比较它们在预测HPP 方面的性能后确定最佳模型，有望缩短诊断时间并实现该罕见病的早期诊断。

1.2 AI 与牙周相关遗传性疾病

随着对家族聚集性特征和易感基因的关注和研究，牙周炎被证实有明显的遗传倾向。AI 技术有助于明确遗传因素在牙周炎发病机制中的作用。在牙周炎相关基因筛选方面， 采用深度学习方法构建相应模型后，针对牙周炎相关基因进行筛选，在牙周炎免疫相关性判定、牙周炎诊断方面具有良好的效果， 有助于为后期实验室验证提供有价值的线索。Peng 等通过构建人工神经网络（artificial neural network，ANN） 模型， 鉴定出4 个枢纽衰老相关基因，揭示了其与牙周炎免疫调节的相关性。Ning 等应用基于深度学习的自动编码器结合SVM 分类器，确定了3 个参与牙周炎免疫抑制机制的关键基因。Zhang 等利用机器学习算法，识别出3 种与牙周炎内质网应激相关的标志性基因，经验证，其与牙周组织免疫细胞浸润明显相关。

Xiang 等从牙周炎患者的基因表达数据库中筛选出153 个差异表达基因，通过RF 算法确定其中13 个关键基因并将其作为ANN 诊断模型的输入，该模型被证明具有优异的分类准确性。Ji 等比较多种机器学习算法后发现，逻辑回归模型是基于牙周炎关键基因的最优诊断模型。在针对牙周炎的诊断预测方面， 牙龈组织中的特征蛋白、龈沟液内抗体、颊和龈上部位的牙周炎相关细菌等都可以作为生物标志物，用于AI 模型的构建和验证，辅助疾病的早期诊断。

另有研究利用生物信息学方法分析，发现6 个非编码RNA 可用于区分牙周炎样本和牙周健康组样本， 并通过SVM 验证了这些mRNA 作为牙周炎预测模型的诊断能力。该研究也有助于进一步阐明牙周炎的表观遗传机制。牙周炎的分期与分级代表了疾病的严重程度、进展速度、全身影响及诊疗的复杂性，对制定个体化牙周治疗方案具有重要指导意义。

Ertas 等设计多种机器学习算法， 分析患者的临床数据和全景片，可快速、准确得到牙周炎分期和分级结果。另有研究测试了CNN 在分析牙周炎患者根尖片图像方面的性能，结果表明，CNN 在自动分割图像后，可以准确计算牙槽骨吸收百分比并据此做出牙周炎分期诊断。利用AI 识别患者的全景片，还可用于及时发现早期牙周病变或快速检测牙周病受损牙。

Feres等使用SVM 作为分类器，根据受试者的龈下微生物特征，准确区分了侵袭性牙周炎和慢性牙周炎，类似方法还可能用于进一步区分侵袭性牙周炎亚型（广泛性和局限性）。因此，通过生物标志物、代谢产物、临床及影像图片训练AI 模型，可以对牙周炎做出高精度定性及定量诊断，这些研究为AI 成功在临床应用于牙周炎的辅助诊断奠定了基础。累及牙周组织的口腔遗传性疾病还包括遗传性牙龈纤维瘤病和一些罕见综合征， 这些疾病的候选致病基因尚未明确，AI 的发展有利于发现这些疾病的潜在致病基因。基于AI 在基因组学应用方面的飞速发展，传统机器学习、深度学习等方法有望用于更多牙周相关遗传病的病因研究。

1.3 AI 与口腔黏膜相关遗传性疾病

白塞病又称为口-眼-生殖器综合征，其确切病因和发病机制有待阐明。目前认为， 它是一种由遗传、环境和免疫因素共同作用引起的多基因遗传病。在致病性遗传变异确定时， 机器学习可将数千个基因遗传变化分析的过程自动化， 与传统算法相比更加高效和精准，有望用于疾病风险预测。Isik 等先通过2 种特征选择方法对白塞病的全基因组关联分析（GWAS）数据集进行预处理，后采用逻辑回归（LR）、SVM、K-NN 和多种集成算法作为分类方法，将预处理后得到的优质SNP 子集作为输入、疾病表型作为输出，训练自主开发的机器学习模型。结果显示， 使用LR、SVM、投票法和极端梯度提升（XGBoost）算法作为分类方法的模型进行白塞病风险预测的准确率均高于99%。

此外，研究人员还通过特征选择方法， 成功识别出数据集中最具诊断意义的SNP，进一步分析得出与之相关的6 个不同的基因，这对白塞病的分子机制探索和早期诊断具有重要价值。在研究免疫因素的过程中，机器学习同样可以发挥作用。Liu 等利用邻位延伸分析技术（PEA）测定出白塞病患者和健康受试者血浆中的43 种免疫反应相关差异表达蛋白（DEPs），通过RF 算法选出其中6 个DEP 作为关键特征；并以此为基础，使用不同机器学习算法构建白塞病预测模型，其中NNs 具有最佳的预测性能，而选出的6 个DEP 也被确认为白塞病的潜在免疫生物标志物。

白塞病的主要临床表现包括口腔溃疡、阴部溃疡、眼部炎症等，并伴有不同程度的单侧或双侧葡萄膜炎。葡萄膜炎命名标准化工作组收集了194 例白塞病伴葡萄膜炎患者的病历， 将其用作机器学习模型的训练集和验证集， 从而确定白塞病伴葡萄膜炎的分类标准并进行验证。结果显示，该标准在训练集和验证集中的误分类率极低，仅为0.6%和0%，因此能将不同类型白塞病伴葡萄膜炎患者和其他葡萄膜炎患者进行有效区分， 便于未来的临床诊疗和研究。

AI 还可用于有视力下降风险的白塞病（VTBD）患者的识别， Hammam 等通过比较，证实XGBoost是预测VTBD 时表现最佳的机器学习模型； 进一步分析模型中的变量可知，较高的疾病活动度、血小板增多症、吸烟和每天类固醇剂量是与VTBD 相关的主要因素， 该研究有助于疾病的早期个体化干预和预后改善。当白塞病伴有胃肠道症状和消化道溃疡时，易与克罗恩病和肠结核混淆。

Kim 等开发并评估一种深度学习模型， 经内镜专家注释后的结肠镜图像被用作训练集、另2 组图像分别作为验证集和测试集，经验证，该CNN 模型具有优异的鉴别诊断能力。在此基础上，未来可进一步开发能合并分析结肠镜图像、CT 图像和临床数据的深度学习集合模型， 强化其鉴别诊断的性能。白塞病患者还经常存在疲劳和睡眠障碍问题，Senusi 等运用一种建立在计算语言学和数学图论的基础上的AI 工具，识别并分析相关生物标志物， 发现白塞病组相比对照组的血清α 黑素细胞刺激素、血管活性肠肽和白细胞介素6 浓度显著升高， 且这些标志物的浓度及其相互作用对受试者的疲劳评分和睡眠质量有明显影响。该结果为白塞病治疗靶点的选择提供了新的思路。

此外，交界型大疱性表皮松懈症（EBJ）和营养不良型大疱性表皮松懈症（DEB）的多数亚型有口腔黏膜病损，为常染色体显性或隐性遗传。单细胞转录组测序（scRNA-seq）在单细胞水平观测基因表达，将其与聚类算法相结合， 能用于细胞异质性分析，有助于EB 发病机制和治疗方法的研究。Enzo 等使用无监督聚类算法和scRNA-seq， 对体外培养的EBJ角质形成细胞进行基因表达分析， 明确了区分全克隆细胞和部分克隆细胞的基因，为EBJ 患者的表皮培养物移植治疗奠定了基础。

Zhang 等在对隐性遗传型DEB 的scRNA-seq 数据进行分析时， 为克服生物学变异和技术来源变异等不利因素对聚类质量的影响，使用专门设计的多任务聚类方法（scVDMC）聚类细胞并识别特异基因， 成功揭示了几种新的细胞类型和差异化表达基因。另有研究使用CNN 检测皮肤活检标本的直接免疫荧光图像， 成功辅助了获得型EB（非遗传型）的诊断。

AI 在遗传型EB 诊断方面的应用有待进一步探索。还有很多口腔黏膜相关遗传性疾病存在一些共性特征，例如，先天性角化不良和先天性甲肥厚症患者都会出现口腔黏膜白斑， 应注意鉴别诊断且监测病变是否有癌变倾向。除组织学检查这一金标准外，先用已有的深度学习模型U-Net 对口腔黏膜白斑图像进行提取和分割，再将分割后的图像、白斑的临床类型及其在口腔中的位置输入基于CNN 的一种单输出模型和2 种多任务分类模型， 分别预测白斑癌变和异型增生的风险， 并通过可视化工具热图解释模型输出。研究表明，这种低成本、非侵入性方法可行且具有良好的应用前景。

1.4 AI 与口面裂相关遗传性疾病

唇腭裂是一种常见的先天畸形， 分为综合征型唇腭裂和非综合征型唇腭裂（非综合征型唇裂伴或不伴腭裂，NSCL/P）。综合征型唇腭裂多由单基因突变引起，如van der Woude 综合征，是最常见的口面裂综合征之一。NSCL/P 的发病机制复杂，被认为是多基因遗传病。唇腭裂会损害新生儿颅面的正常形态和功能，严重影响患儿及家庭的生活质量。因此，遗传风险评估和产前筛查至关重要。

Shafi 等的研究分别招募了500 名唇腭裂患儿的母亲和500 名健康儿童的母亲，通过问卷了解母亲和父亲36 项相关因素，例如是否存在近亲结婚、父母是否吸烟、父母是否接种疫苗等，并将其中具有统计学意义的30 项因素分别输入决策树、RF、SVM、K-NN 和多层感知器（机器学习P）5 个算法模型，结果发现，孕期药物使用、吸烟、父母关系、家族史和性别5 个参数在运用AI 预测胎儿唇腭裂发生过程中起着关键作用。根据准确率最高的机器学习P 模型，研究还建议孕妇需在医师指导下用药，尤其是抗焦虑药物。此外，对于有唇腭裂家族史的妇女，怀孕期间需要严格遵守复诊要求。

从基因层面，全基因组关联研究(GWAS)已经在不同的民族人群中发现了数十个单核苷酸多态性(SNP)位点与唇腭裂相关。Zhang 等通过Python Scikit-learn包中的7 个常用机器学习模型构建NSCL/P 风险评估模型， 并分别使用逐个移除策略和逐个添加策略测试模型性能。研究结果显示，汉族群体采用逻辑回归（LR） 获得了最佳效果，而对于维吾尔族人群，各模型表现较汉族人群差，最佳方法为SVM，并且研究发现与叶酸和维生素A 相关的3 个基因中的前4个SNPs 与汉族和维吾尔族人群唇腭裂发病密切相关。Machado 等开发出由13 个SNP 组成的机器学习模型，有效预测了巴西人群中NSCL/P 的发生。在超声诊断方面，Jurek 等创建的图像处理方法被证实可以提高孕早期胎儿腭裂的检出率， 并可由获得的回声直方图对腭裂进行分级分型。

另有研究通过AI 识别和分类超声标准平面，相比人工方法更为客观、高效，有望用于产前唇腭裂畸形的筛查。AI 还可辅助唇腭裂患者影像学检查结果的分析。Kuwada 等开发的深度学习系统，有助于全景片中牙槽突裂伴或不伴腭裂的检出和分类。Alam等使用基于人工智能的头影测量软件，比较不同类型唇腭裂个体和非唇腭裂个体的牙特征和颌骨矢状关系，发现两者的8 种牙特征有显著差异，且唇腭裂个体的上颌骨发育明显不良。

另有学者通过AI 软件分析证实，唇腭裂组检测出蝶鞍桥接的概率相比非唇腭裂组更高， 且常伴有骨性Ⅲ类错牙合畸形和牙发育异常。为了定量分析上颌骨和裂隙处的三维结构特点，Wang 等将基于深度学习的自动分割技术和手动细化相结合， 实现了单侧唇腭裂患者锥形束CT 图像的精准分割，结果表明，裂隙侧的上颌骨发育不良主要位于梨状孔和牙槽嵴区域。Zhang等则通过类似方法发现，牙槽骨移植术后裂隙两侧上颌骨呈不对称生长。序列治疗是一种涉及多学科合作的动态疗法，在唇腭裂治疗中的应用较为广泛， 主要包括手术治疗、正畸治疗、语音治疗、心理治疗等。

已有较多研究成功将AI 应用于唇腭裂序列治疗的各个阶段。术前鼻-牙槽塑形（NAM）有助于降低患儿的手术难度、提升手术效果；然而，传统NAM 矫治器治疗耗时且成本高，Bauer 等提出自动化RapidNAM 的概念，通过智能算法，用近似椭圆描述牙槽弓，以预测患儿上颌骨生长，从而对数字化模型进行虚拟修改，实现全套NAM 矫治器的自动化设计和制造， 避免频繁复诊对装置进行手动调整，有助于提高患者依从性，使治疗更加精确、简单和个性化。进一步研究分别证明该方法在单侧和双侧唇腭裂术前治疗中的应用效果。外科整复是唇腭裂治疗的主要手段，AI 可以辅助手术策略的选择和效果评估。

由Li 等开发的CNN 软件可用于唇腭裂修复术的手术标志物确定和切口设计。通过多种机器学习方法，可以早期预测唇腭裂患者未来对正颌手术或牵张成骨术的需求。针对需要进行正颌手术的患者，Lim 等利用AI 确定影响正颌手术预后的因素主要有裂隙数量、腭修复方法、性别、缺牙数量等。此外，AI 自动识别技术还被用于正颌术后面部软组织变化的评估。在序列治疗中，观察患儿牙列、咬合及生长发育并适时采取恰当的正畸治疗同样重要。

Li 等利用ANN 准确预测了正畸拔牙需求和拔牙模式， 输出推荐的正畸方案供医师选择。在语音治疗方面，AI 最有效的应用是对鼻音亢进的评估， 智能分析的方法能够减少由于语音治疗师主观因素造成的误差。多项研究使用CNN、DNN、SVM 等分类器提取语音特征作为输入，成功检测出唇腭裂患者的鼻音亢进并根据严重程度对其进行分类。此外，AI 还可以通过多种途径，减轻唇腭裂患儿看护人员的焦虑和负担， 包括术前教育材料生成、聊天机器人的支持性对话、复杂医疗信息的个性化翻译等。

1.5 AI 与其他引起颅颌面畸形的遗传性疾病

许多口腔遗传病常以综合征的形式出现， 其临床特征是包括颅颌面畸形在内的多系统发育异常。将AI 技术用于患者特殊面容的识别和分析，从而辅助这些综合征的早期筛查、诊断和分类是目前的研究热点之一。Down 综合征是一种常染色体病，患者表现为眼距宽、鼻梁低平、硬腭窄小、舌伸出口外等特殊面容。因缺乏有效治疗手段， 需要通过产前诊断等方式指导控制Down 综合征患儿的出生。

He 等建立了基于RF 的机器学习模型， 分析孕妇孕中期三联筛查所得的血清生化标志物游离β 人绒毛膜促性腺激素（β-hCG）、非结合雌三醇（uE3）和甲胎蛋白（AFP）数据， 从而对妊娠中期胎儿患有DS 的风险进行预测。根据算法分析结果， uE3 和β-hCG 是预测Down 综合征时最重要的2 个指标，且在假阳性率相同的前提下， 该模型与中国目前使用的筛查软件LifeCycle 对Down 综合征的检出率相当。

未来可进一步研究机器学习模型在其他筛查策略如孕早期筛查中的应用价值。出生后，由于染色体检测等筛查和诊断资源在世界很多欠发达地区非常有限，基于AI的面部识别技术在为Down 综合征患者提供低成本、准确的早期诊断方面具有很大应用潜力。刚果是世界上出生缺陷率最高的国家之一，Porras 等收集了132 名当地受试者的面部照片， 通过标志点和度量指标量化面部表型， 并利用递归特征消除选出Down 综合征患者和健康受试者之间最具区分性的3 个几何面部特征，包括内眦间距、鼻长度和人中长度，再将SVM 作为分类器，这种面部分析技术识别Down 综合征患儿的准确率为91.67%， 与医师仅根据体格检查结果诊断相比有显著提高。

Qin 等利用DNN 实现大规模面部图像数据中Down 综合征患者的全自动识别，与染色体检测法的昂贵、复杂和耗时不同，该算法能够简化识别程序并获得95.87%的准确率；且相比SVM 和KNN，DNN 被证实在Down 综合征的识别中性能最优。Face2Gene 是一款针对高加索人研发的用于面部畸形评估的AI 软件，研究表明，其可借助DNN 算法，有效辅助医师识别泰国人群中的Down 综合征患儿。

另有研究将临床医师和Face2Gene 根据新生儿面部照片识别Down 综合征患者的结果进行比较，一方面，训练有素的医师在识别真正需要接受进一步核型分析等检查的Down综合征人群时准确度更高；另一方面，医师识别的灵敏度仅为86%，而该应用可达100%，说明其在减少漏诊方面更具优势，进一步证明AI 在颌面畸形综合征患者的识别和诊断中可以发挥辅助作用。其他导致颅颌面畸形的染色体病包括Turner综合征、Patau 综合征、Edwards 综合征等。

Pan 等建立了基于CNN 的面部识别系统， 用于Turner 综合征诊断。为测试其实际临床应用效果， 设计并进行前瞻性研究， 使用的样本包括2 例经核型分析确诊为Turner 综合征患者和35 例临床诊断为其他疾病的患者的面部照片，发现其平均灵敏度、特异度和准确率分别为96.7%、97.0%和96.9%，表明该系统在Turner 综合征筛查中是可行的， 有望成为一种低成本、高精度的早期诊断工具。

ANN 在疾病分类方面已有广泛应用， 为开发染色体病的分类工具，Catic等将2 500 名孕妇的年龄、妊娠早期血清学筛查结果、超声检查结果中胎儿颈项透明层厚度和鼻骨是否可见作为输入参数，借助2 种ANN，对5 种非整倍体综合征进行分类，包括Turner、Patau、Klinefelter、Edwards 和Down 综合征。通过核型或已知的妊娠结果对系统输出进行验证后发现， 反馈神经网络相比简单的前馈神经网络在5 种疾病的分类中性能更佳，灵敏度为99.00%、准确度为98.8%。

预计该ANN系统还可扩展用于其他综合征的分类。另有研究开发出基于分层决策树的分类器， 将其与常用的神经网络分类器进行对比。在对包括3 种染色体病在内的5 种畸形综合征患者的面部照片进行预处理和参考点标记后， 使用训练后的新型分类系统识别并分类，测试结果表明，与K-NN 和ANN 分类器以及临床专家分类的准确度相比， 新开发的决策树分类器效果最佳。

除了各种染色体病会引起颅颌面畸形外，Muenke、Apert 和Crouzon 综合征这一组以颅缝早闭为共同特征的罕见综合征也可能导致前额突出、面中部发育不良等异常表现，O' Sullivan 等提出一个基于CNN 自动编码器的颅面分析模型，与常见的基于AI 的面部分析技术不同，该模型不依赖对二维图像的纹理、颜色等特征的识别，而是将患者和健康人的头面部CT 图像作为训练和测试数据， 重在利用三维扫描结果中丰富的几何信息完成分类。结果表明，将其用于3 种综合征的诊断和鉴别，表现出极高的灵敏度和特异性。

Keishi-Bukuryo-Gan 综合征（KBG 综合征）是一种常染色体显性遗传病，主要表现为特殊面容、体格和智力发育迟缓及神经行为异常。Guo 等收集25 例确诊为KBG 综合征患者的面部照片， 经基于CNN 算法的工具GestaltMatcher 和DeepGestalt 分析发现，多数患者具有相似的面部表型，决定性特征包括眉毛浓密伴连眉、睫毛突出、鼻宽大、上唇珠薄和过大牙，且在将面部照片、临床特征和外显子组测序数据共同输入PEDIA 模型后，输出结果显示KBG 综合征被列为72%的受试者最有可能的诊断。

下颌面骨发育不全又称为Treacher-Collins 综合征（TCS），该病患者呈特征性鸟面容，基于面部照片的机器学习模型在诊断和分类TCS 方面有良好应用前景， 然而处理大量照片时手动注释标志点十分费时且取决于操作者， 现有的自动注释工具主要针对成年人开发， 可能不适用于儿童。Hennocq 等利用手动注释后的TCS 患儿面部照片训练和验证了3 种自动注释模型， 评估并比较其性能后选出最佳模型，有望进一步优化TCS 的诊断和分类。

2. 总结与展望

如前所述，根据家族史、基因数据等参数构建的AI 模型有助于口腔遗传病的风险预测。使用AI 识别和分析患者的影像学检查结果， 可以改善疾病的筛查和诊断效率。AI 系统还能帮助口腔遗传病治疗策略的研发、选择以及治疗效果的评估，将生物信息学分析方法和AI 技术相结合，在遗传病的发病机制相关研究中也可起到辅助作用。特别在开发基于生物标志物的疾病预测模型、利用影像学图像或面部照片进行疾病诊断和分类分级以及寻找新的治疗靶点等方面，AI 模型验证时的准确率和灵敏度普遍高于80%，在个别场景中远超临床专家水平。

此外，已有研究通过研发基于AI 的聊天机器人，提高疾病病史采集的效率和准确性， 该技术在口腔遗传病领域的应用值得期待。总之，AI 在口腔遗传病的预防预测、诊断、治疗和基础研究等方面有望成为一种可靠的工具， 辅助临床医师和科研人员提高工作效率。

然而， 目前大多数网络模型都是将成熟模型应用于口腔领域， 缺乏专门针对口腔遗传疾病设计的网络模型。此外，对网络模型在医学上的可解释性仍需进一步增强。在口腔遗传病的实际临床诊疗过程中，目前AI 仅能起辅助作用，很难完全取代医师，且大多数模型尚处于开发阶段，这与其仍然存在的各种缺陷有关。例如，高质量数据输入后的训练和严格验证，是机器学习模型应用前所必需的；而口腔遗传病复杂的病因和表征以及较低的发病率，往往导致纳入数据的质量和数量不足， 因而模型应用于临床的可信度有限。

大多数深度学习算法都依赖带注释的数据，受监督的深度学习需要转变为无监督或半监督，或者采用基于小样本的网络，从而减少应用成本、拓展适用范围。此外，隐私保护、防止数据滥用等伦理和监管问题也是AI 在运用时面临的挑战之一。随着疾病数据库的不断完善和对数字化技术的不断探索，AI 在口腔遗传病领域将得到更加广泛的应用，获得更多医师和患者的信任。

来源：顾安琪,张晨,陶宝鑫,等.人工智能在口腔遗传病诊疗中的应用进展[J].中国口腔颌面外科杂志,2025,23(04):406-415.DOI:10.19438/j.cjoms.2025.04.015.