深度學(xué)習(xí)技術(shù)在口腔醫(yī)學(xué)中的應(yīng)用研究

謝理哲，樊瑜波

Stomatology,2022,42(1):8-13

基于人工神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)擁有強(qiáng)大的特征提取和學(xué)習(xí)能力，能夠合理處理復(fù)雜信息，并從中學(xué)習(xí)隱含規(guī)律，在各種智能任務(wù)中表現(xiàn)出優(yōu)越性能，具備巨大的應(yīng)用潛力。作為人工智能領(lǐng)域近年來最熱的研究方向之一，深度學(xué)習(xí)的迅速發(fā)展受到了學(xué)術(shù)界和工業(yè)界的密切關(guān)注[1]，在音頻、圖像和自然語言處理等領(lǐng)域得到了廣泛應(yīng)用[1-3]。在計(jì)算機(jī)圖像領(lǐng)域，深度學(xué)習(xí)技術(shù)徹底改變了以人工視覺特征計(jì)算為基礎(chǔ)的傳統(tǒng)處理流程，在圖像分割和分類(判別模型)，圖像理解和內(nèi)容生成(生成模型)等問題上都表現(xiàn)出更高的性能和顯著的優(yōu)勢。

深度學(xué)習(xí)的概念最早由Hinton[4]在2006年提出，為學(xué)習(xí)和利用“深度”人工神經(jīng)網(wǎng)絡(luò)(隱藏層層數(shù)多于淺層層數(shù)[5])，以原始數(shù)據(jù)為輸入，以目標(biāo)任務(wù)為輸出，具備端到端學(xué)習(xí)能力的機(jī)器學(xué)習(xí)技術(shù)[2-3]。2012年Krizhevsky等[6]利用GPU實(shí)現(xiàn)了一個(gè)深度神經(jīng)網(wǎng)絡(luò), 在ImageNet的比賽中取得了突破性進(jìn)展，其在大規(guī)模圖像分類任務(wù)上Top 5分類精度達(dá)到了84.7%，比第二名使用的Fisher向量編碼算法要高約10%，而GPU的使用大大縮短了數(shù)據(jù)處理時(shí)間[7]，自此深度學(xué)習(xí)的應(yīng)用快速增長。發(fā)展至今，已有眾多基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)被提出，常用的包括多層感知器(multilayer perceptron，MLP)、卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)、Transformer模型等。深度學(xué)習(xí)模型的訓(xùn)練通常以大量的數(shù)據(jù)為基礎(chǔ)，訓(xùn)練方式可分為監(jiān)督學(xué)習(xí)、無監(jiān)督學(xué)習(xí)以及半監(jiān)督學(xué)習(xí)[8]。監(jiān)督學(xué)習(xí)利用大量帶標(biāo)簽值的訓(xùn)練數(shù)據(jù)集學(xué)習(xí)得出模型，可根據(jù)該模型預(yù)測新數(shù)據(jù)的對應(yīng)結(jié)果。無監(jiān)督學(xué)習(xí)不依賴標(biāo)簽值，樣本數(shù)據(jù)類別未知，通過挖掘數(shù)據(jù)內(nèi)在特征，找到樣本間的關(guān)系，對樣本集進(jìn)行分類。半監(jiān)督側(cè)重于在有監(jiān)督的分類算法中加入無標(biāo)簽值樣本來實(shí)現(xiàn)半監(jiān)督分類，以增強(qiáng)分類效果。

在臨床醫(yī)學(xué)的應(yīng)用中，深度學(xué)習(xí)最突出的應(yīng)用是在放射學(xué)和病理學(xué)的大型數(shù)據(jù)集中檢測異常狀況，甚至預(yù)測治療效果。在口腔醫(yī)學(xué)領(lǐng)域，國內(nèi)外學(xué)者高度關(guān)注該技術(shù)并展開了大量的研究工作，現(xiàn)階段已有的應(yīng)用研究主要為智能預(yù)處理、智能診斷與治療幾個(gè)方面。智能預(yù)處理主要指利用計(jì)算機(jī)技術(shù)對影像數(shù)據(jù)優(yōu)化、分析，以降低醫(yī)生重復(fù)工作量，提高工作效率，常見的應(yīng)用如自動(dòng)定位，自動(dòng)分割等；智能診斷與治療是指利用計(jì)算機(jī)技術(shù)有效結(jié)合影像信息和醫(yī)生經(jīng)驗(yàn)，實(shí)現(xiàn)疾病的自動(dòng)鑒別診斷、治療計(jì)劃制定、治療效果評估等功能，如腫瘤的識(shí)別和分類，生存率預(yù)測等。

1 影像預(yù)處理

影像數(shù)據(jù)的預(yù)處理作為輔助診斷和治療計(jì)劃制定的前期基礎(chǔ)，近年來愈加重要。最早深度學(xué)習(xí)技術(shù)被應(yīng)用于提升影像質(zhì)量。Xie等[9]、Gjesteby等[10]將深度學(xué)習(xí)技術(shù)引入CT影像的重建中以減少偽影的影響。Dai等[11]、Yang等[12]嘗試?yán)脤股删W(wǎng)絡(luò)等深度學(xué)習(xí)技術(shù)完成基于稀疏角度的低劑量CT/CBCT重建，重建所需的最低劑量可降到原有劑量的1/10。深度學(xué)習(xí)對影像質(zhì)量的改善降低了后續(xù)智能分析的實(shí)施難度。

深度學(xué)習(xí)技術(shù)在影像自動(dòng)分割中的實(shí)踐，使得臨床醫(yī)生不再困擾于邊界和閾值的選擇，更專注于解剖結(jié)構(gòu)的分析。Zheng[13]、Qiu等[14]研究小組將深度學(xué)習(xí)技術(shù)應(yīng)用于上下頜骨自動(dòng)分割并獲得較好效果。Li等[15]基于R-CNN對曲面體層片進(jìn)行單獨(dú)標(biāo)注以實(shí)現(xiàn)牙齒的自動(dòng)分割，精度達(dá)85.8%。Zhu等[16]利用深度學(xué)習(xí)技術(shù)在MRI影像自動(dòng)分割方面取得了一系列突破，結(jié)果表明深度學(xué)習(xí)在顱面腫瘤切除和自由皮瓣重建的3D虛擬規(guī)劃中具有潛在應(yīng)用價(jià)值。Leonardi等[17]研究了CBCT掃描中鼻腔和咽部氣道基于深度學(xué)習(xí)的自動(dòng)分割算法，以探索面部類型與生長發(fā)育之間的關(guān)系以及氣道治療改善的潛力。深度學(xué)習(xí)在分割上的良好表現(xiàn)，是實(shí)現(xiàn)智能診斷的基礎(chǔ)。

基于自動(dòng)分割結(jié)果，研究者嘗試了深度學(xué)習(xí)在自動(dòng)識(shí)別和定位中的應(yīng)用，Tian等[18]基于多層網(wǎng)絡(luò)探索三維模型上牙齒的自動(dòng)分割和分類，解決了高度相似牙齒的誤分類問題，其中高相似度牙齒的分類精度可達(dá)88.06%，分割精確度可達(dá)89.81%。Chen等[19]研究了基于深度學(xué)習(xí)的牙齒自動(dòng)檢測與編號方法，以口腔醫(yī)生手動(dòng)標(biāo)注的測試數(shù)據(jù)集為對照，結(jié)果表明該方法的精確度和召回率均超過90%，診斷性能接近初級口腔醫(yī)生水平。Tuzoff等[20]提出了根據(jù)牙齒輪廓、牙齒的空間排列規(guī)則自動(dòng)檢測曲面體層片牙齒及編號的方法，以專家評估結(jié)果為對照，發(fā)現(xiàn)該解決方案的靈敏度、精度、特異度與專家水平相當(dāng)。章一帆等[21]通過深度學(xué)習(xí)方法自動(dòng)定位根尖片拍攝區(qū)域，基于已確診患牙的2 500張根尖片數(shù)據(jù)集，口腔醫(yī)生人工判讀結(jié)果作為對照。結(jié)果表明，相較于人工判斷，深度學(xué)習(xí)具有更高的正確率和效率。以上研究顯示了深度學(xué)習(xí)技術(shù)在影像預(yù)處理方面具有降低醫(yī)生勞動(dòng)強(qiáng)度和醫(yī)療風(fēng)險(xiǎn)的潛在價(jià)值和前景，有著廣泛的使用前景和巨大探索空間。

2 牙體牙髓病學(xué)

深度學(xué)習(xí)技術(shù)在牙體牙髓病中的應(yīng)用較早，被廣泛應(yīng)用于影像鑒別、早期診斷等多個(gè)方面。Hiraiwa等[22]針對曲面體層片下頜第一磨牙遠(yuǎn)中根多根管中可能出現(xiàn)的重疊、變形等采集問題導(dǎo)致的判斷疏漏，利用Alexnet實(shí)現(xiàn)曲面體層片下頜第一磨牙牙根形態(tài)的全自動(dòng)分類。該研究以CBCT圖像為參照，分析了400例患者未經(jīng)根管治療的760顆下頜第一磨牙曲面體層片，確定遠(yuǎn)中根根管數(shù)目的診斷準(zhǔn)確度為86.9%，研究表明深度學(xué)習(xí)技術(shù)具有牙根診斷分類的潛力。

全球有約90%的人口有不同程度的齲齒，齲病亦是歷年來的研究熱點(diǎn)[22]。Lee等[23]基于三千余張根尖周X線片的數(shù)據(jù)集實(shí)現(xiàn)齲齒的自動(dòng)檢測，實(shí)驗(yàn)結(jié)果表明上頜前磨牙區(qū)域的精度為89%，上頜磨牙的精度為88%，下頜前磨牙和下頜磨牙的精度為82%。Schwendicke研究組[24]和Casalegno研究組[25]基于卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)了近紅外光透照圖像中的齲病病變，該方法采用兩百多個(gè)樣本的數(shù)據(jù)集完成訓(xùn)練。Zhang等[26]基于卷積網(wǎng)絡(luò)，實(shí)現(xiàn)了口腔照片中齲齒的自動(dòng)檢測，該方法采用的數(shù)據(jù)集包含389名志愿者的3 632張圖像，精度達(dá)90%以上。上述研究成果表明，深度學(xué)習(xí)方法有望廣泛應(yīng)用于齲齒檢測，可在學(xué)校、養(yǎng)老院等非常規(guī)牙科環(huán)境中應(yīng)用，便于對大規(guī)模人群進(jìn)行初步的、低成本的齲齒篩查。游文喆等[27]基于1 201組牙菌斑染色后乳牙照片，利用CNN建立牙菌斑智能判讀系統(tǒng)，對107組未染色的乳牙照片進(jìn)行菌斑識(shí)別，預(yù)測的菌斑區(qū)域與染色后實(shí)際菌斑區(qū)域的平均重疊率為0.73，與醫(yī)師標(biāo)注組相當(dāng)(0.75)，該應(yīng)用有望對家用設(shè)備所拍攝的口內(nèi)照片進(jìn)行菌斑量及分布區(qū)域的初步判斷，利于齲病的早期防治。

Fukuda等[28]利用卷積網(wǎng)絡(luò)在曲面體層片中診斷牙根縱裂(vertical root fracture，VRF)。采用300幅曲面體層片圖像的數(shù)據(jù)集，其中330顆患牙VRF且折裂線清晰可見。以兩名放射科醫(yī)生和一名牙體牙髓科醫(yī)師對VRF線的判讀結(jié)果作為參照，精確度93%，召回率75%，結(jié)果表明深度學(xué)習(xí)可用于檢測曲面體層片上的VRF。Ekert等[29]在曲面體層片上基于2 001個(gè)分割段的集成數(shù)據(jù)集檢測根尖病變，精度達(dá)80%以上，磨牙靈敏度明顯高于其他牙齒類型，而特異性較低。Orhan研究組[30]使用CNN篩查口腔圖像中根尖周病變，利用基于109例患者的153例根尖周病變的數(shù)據(jù)集，成功檢測出病變牙位并編號，準(zhǔn)確性為92.8%，測量的病變體積與手動(dòng)分割結(jié)果無統(tǒng)計(jì)學(xué)差異。Iizuka研究組[31]采用更大的具有3 099個(gè)樣本的數(shù)據(jù)集，以24名口腔醫(yī)生的評估為對照，發(fā)現(xiàn)深度學(xué)習(xí)的檢測性能與醫(yī)生的平均診斷性能相當(dāng)。以上研究結(jié)果顯示深度學(xué)習(xí)方法具有檢測放射圖像上的根尖周病變的潛力。

3 牙周病學(xué)

Krois等[32]將CNN應(yīng)用于曲面體層片智能診斷牙周疾病導(dǎo)致的牙周骨吸收，以6位口腔醫(yī)生的評估結(jié)果作為對照，平均準(zhǔn)確度可達(dá)81%，且評估水平無統(tǒng)計(jì)學(xué)差異，該方法甚至比人工評估具有更低的敏感度。Chang等[33]使用深度學(xué)習(xí)方法在曲面體層片上自動(dòng)檢測到每顆牙齒的牙槽骨吸收，并對牙周炎進(jìn)行自動(dòng)分期，以放射科醫(yī)師診斷結(jié)果為參照，其在牙槽骨吸收的自動(dòng)診斷和牙周炎分期中表現(xiàn)出高精度和出色的魯棒性。Lee等[34]基于CNN診斷和預(yù)測牙周炎，采用1 740個(gè)樣本的數(shù)據(jù)集，結(jié)合預(yù)訓(xùn)練的CNN模型和自訓(xùn)練網(wǎng)絡(luò)，診斷前磨牙和磨牙牙周炎的準(zhǔn)確性分別為81.0%和76.7%；然后使用臨床確診為重度牙周炎的64顆前磨牙和64顆磨牙數(shù)據(jù)集預(yù)測前磨牙和磨牙需拔除的準(zhǔn)確度分別為 82.8%和73.4%。深度學(xué)習(xí)有望診斷和預(yù)測牙周炎，輔助治療計(jì)劃的制定。

4 口腔外科學(xué)

近年來，深度學(xué)習(xí)技術(shù)在口腔外科領(lǐng)域的研究發(fā)展迅速，已在多個(gè)方向開展應(yīng)用。Vinayahalingam等[35]利用深度學(xué)習(xí)技術(shù)基于下頜阻生牙的牙根與下牙槽神經(jīng)的接近程度智能評估風(fēng)險(xiǎn)，以避免阻生牙拔除后發(fā)生神經(jīng)損傷，優(yōu)化治療計(jì)劃，但算法需進(jìn)一步改進(jìn)以提高準(zhǔn)確性。Kuwada等[36]驗(yàn)證和比較了3種深度學(xué)習(xí)算法在曲面體層片上頜埋伏多生牙分類中的有效性。Fukuda研究組[37]和Liu研究組[38]比較不同網(wǎng)絡(luò)在評估下頜第三磨牙和下頜管之間關(guān)系發(fā)現(xiàn)不同網(wǎng)絡(luò)的診斷性能及其計(jì)算時(shí)間和存儲(chǔ)空間具有一致性。De Tobel等[39]利用CNN基于曲面體層片評估下頜阻生第三磨牙發(fā)育程度，研究者以20張不同年齡段、不同性別的曲面體層片作為自動(dòng)分期的訓(xùn)練數(shù)據(jù)，結(jié)果與醫(yī)生判定的結(jié)果相當(dāng)，進(jìn)一步優(yōu)化后，有望實(shí)現(xiàn)阻生牙年齡的自動(dòng)測算。

Ariji等[40]、Lee等[41]利用深度學(xué)習(xí)實(shí)現(xiàn)了曲面體層片中下頜骨病變的自動(dòng)診斷和分類，包括成釉細(xì)胞瘤、牙源性角化囊性瘤、含牙囊腫、根尖周囊腫以及單純頜骨囊腫，其中含牙囊腫的診斷和分類敏感性最高[40]。研究同時(shí)發(fā)現(xiàn)同曲面體層片相比，基于CBCT的診斷模型具有更多的細(xì)節(jié)，性能更好[41]。但相比于組織學(xué)檢查，影像學(xué)檢查的診斷準(zhǔn)確性仍然較低，基于影像學(xué)的異常檢測仍具有較大的改進(jìn)和發(fā)展空間。

Kuwana等[42]探索了健康上頜竇、炎癥上頜竇、上頜竇區(qū)域囊腫的影像學(xué)分類，其準(zhǔn)確率可達(dá)90%以上。Murata等[43]將深度學(xué)習(xí)應(yīng)用于曲面體層片中上頜竇炎的診斷，通過460例健康上頜竇和460例上頜竇炎數(shù)據(jù)集訓(xùn)練，結(jié)果表明該方法對上頜竇炎的診斷準(zhǔn)確度(87.5%)、敏感性、特異性與放射科醫(yī)生相比無顯著差異且高于口腔醫(yī)生，其結(jié)果有望為經(jīng)驗(yàn)不足的口腔醫(yī)生提供診斷支持。

雖然深度學(xué)習(xí)在腫瘤病理學(xué)領(lǐng)域取得了眾多進(jìn)展，但其在口腔腫瘤學(xué)方面的應(yīng)用仍處于初期階段。近年來，眾多研究組[44-49]探索了多種深度學(xué)習(xí)算法在基于影像數(shù)據(jù)的口腔癌早期診斷和腫瘤分類中的應(yīng)用，最高精度可達(dá)94%以上，提高了復(fù)雜的口腔癌的診斷質(zhì)量。Lin等[48]研究表明以病癥為中心采集影像比隨機(jī)定位采集的訓(xùn)練模型結(jié)果高出8%左右的精度。Shamim等[44]應(yīng)用Resent、CNN多種網(wǎng)絡(luò)模型嘗試自動(dòng)篩查照片中的舌癌前病變，分類精度為90%～98%，可達(dá)到“近似醫(yī)生”的分類性能，該方法具有診斷原發(fā)性口腔癌的良好潛力，可用于口腔癌的早期篩查。Fu等[49]使用深度學(xué)習(xí)技術(shù)基于44 409張口內(nèi)照片的數(shù)據(jù)集識(shí)別口腔鱗狀細(xì)胞癌患者，最終準(zhǔn)確度達(dá)92.3%，優(yōu)于醫(yī)學(xué)生的準(zhǔn)確度(87.0%)。Jeyaraj等[50]基于高光譜圖像利用SVM等多種算法區(qū)分口腔鱗狀細(xì)胞癌與良性組織，準(zhǔn)確率達(dá)到 95%?；谏疃葘W(xué)習(xí)的口腔鱗狀細(xì)胞癌自動(dòng)檢測方法便捷、無創(chuàng)、低成本且高效，具有較好的診斷性能，有望作為快速篩查、早期檢測和治療效果評估的臨床工具。Tomita[51]針對口腔鱗狀細(xì)胞癌患者轉(zhuǎn)移性頸淋巴結(jié)的增強(qiáng)CT進(jìn)行術(shù)前診斷、癌癥分類、輔助治療方案的制定，其診斷性能優(yōu)于普通放射科醫(yī)生的評估。Sultan等[52]嘗試量化口腔鱗狀細(xì)胞癌的浸潤淋巴細(xì)胞 (tumor infiltrating lymphocyte，TIL)，并達(dá)到了96%的準(zhǔn)確率，證明TIL是重要預(yù)后指標(biāo)。Kim研究組[53]采用深度學(xué)習(xí)技術(shù)基于臨床病理學(xué)數(shù)據(jù)和基因組數(shù)據(jù)構(gòu)建口腔癌患者的預(yù)后模型，預(yù)測患者生存期，準(zhǔn)確率能達(dá)80%以上，該模型的診斷性能優(yōu)于經(jīng)典統(tǒng)計(jì)模型。研究者建議基于深度學(xué)習(xí)的生存預(yù)測方法可用于指導(dǎo)口腔癌患者治療方案的選擇，以減少不必要的治療干預(yù)。這些研究結(jié)果顯示深度學(xué)習(xí)技術(shù)在治療口腔惡性疾病改善治療方案上的巨大潛力和前景。

5 口腔修復(fù)學(xué)

深度學(xué)習(xí)在口腔修復(fù)中的應(yīng)用報(bào)道相比其他領(lǐng)域較少，Yamaguchi等[54]探索了基于CNN預(yù)測復(fù)合樹脂冠的脫落率，研究者掃描了患者的3D立體光刻模型獲得8 640張圖像，該模型對于冠脫落率的預(yù)測準(zhǔn)確度、精度、召回率分別為98.5%、97.0%、100.0%，具有較好的預(yù)測效果。該類技術(shù)模型可應(yīng)用于修復(fù)治療及其他復(fù)雜病例中(如根折根裂)。

6 口腔正畸學(xué)

深度學(xué)習(xí)技術(shù)最早在口腔正畸學(xué)頭影測量中應(yīng)用較為廣泛。傳統(tǒng)人工標(biāo)點(diǎn)方式耗時(shí)且對操作者經(jīng)驗(yàn)依賴較強(qiáng)，自動(dòng)測量分析和智能計(jì)劃制定的潛在需求巨大。Leonardi等[55-58]眾多研究組結(jié)合計(jì)算機(jī)視覺和深度學(xué)習(xí)技術(shù)探索了基于2D、3D放射影像頭影測量標(biāo)記點(diǎn)的自動(dòng)定位，能夠?qū)崿F(xiàn)1 s內(nèi)分析和自動(dòng)標(biāo)注多個(gè)頭影測量標(biāo)志點(diǎn)，精度最高可達(dá)95%以上，與有經(jīng)驗(yàn)臨床醫(yī)生相當(dāng)。但部分研究者質(zhì)疑基于3D數(shù)據(jù)的頭影測量的有效性[58]，故而近年來3D方向的應(yīng)用研究已放緩。Bazina等[59]提出的頭影疊加方法更準(zhǔn)確可靠，成為新的研究方向。Yu等[60]將CNN應(yīng)用于側(cè)位片的骨性問題診斷中，基于5 890張頭影測量圖和相應(yīng)的人口統(tǒng)計(jì)學(xué)數(shù)據(jù)，在垂直向和矢狀向的骨骼診斷方面靈敏度高于90.00%，其中垂直分類的準(zhǔn)確度可達(dá)96.40%。

Asiri等[61]將深度學(xué)習(xí)用于預(yù)測Ⅱ類和Ⅲ類患者采用拔牙/不拔牙的治療方案后唇曲率的變化。Lux等[62]利用深度學(xué)習(xí)技術(shù)根據(jù)矢狀關(guān)系的變化預(yù)測生長模式，有效性達(dá)64%。深度學(xué)習(xí)技術(shù)在正畸領(lǐng)域的進(jìn)入較晚，發(fā)展需求迫切，近年的正畸科學(xué)技術(shù)進(jìn)步聯(lián)盟研討會(huì)上，提出了一系列與深度學(xué)習(xí)相關(guān)的“個(gè)性化精準(zhǔn)正畸治療”議題[62]，亦是未來口腔正畸研究的新熱點(diǎn)。

7 結(jié) 語

深度學(xué)習(xí)技術(shù)的引入將帶來具有前瞻性、預(yù)防性、個(gè)性化和參與性的未來醫(yī)學(xué)。深度學(xué)習(xí)的引入可減少臨床工作者的重復(fù)勞動(dòng)，使他們能夠?qū)Ｗ⒂诟呒墑e的診斷任務(wù)，幫助臨床醫(yī)生更好地做出治療決策，有效提高工作效率，降低醫(yī)療風(fēng)險(xiǎn)；在簡化醫(yī)療流程，實(shí)現(xiàn)個(gè)性化診療方向有著無限可能性，甚至可能徹底改變原有的臨床流程?，F(xiàn)階段的深度學(xué)習(xí)應(yīng)用研究中主要采用卷積模型，且以有監(jiān)督學(xué)習(xí)為主，研究進(jìn)程多為方法學(xué)研究，與臨床實(shí)施尚有一定距離。盡管在影像預(yù)處理方面有著廣泛的應(yīng)用場景和較好的使用效果；在智能診療方面，已有的大多數(shù)研究結(jié)果的準(zhǔn)確性仍低于臨床預(yù)期(98%～99%)。后續(xù)研究中，仍需不斷優(yōu)化模型，嘗試結(jié)合跨模態(tài)混合數(shù)據(jù)集與專家經(jīng)驗(yàn)庫，建立大規(guī)模的口腔公共數(shù)據(jù)集等多種途徑推動(dòng)深度學(xué)習(xí)在診斷和預(yù)測口腔頜面部疾病中的應(yīng)用發(fā)展。

口腔臨床醫(yī)學(xué)與計(jì)算機(jī)科學(xué)的深度合作具有巨大潛力和戰(zhàn)略意義，未來深度學(xué)習(xí)技術(shù)將通過在線優(yōu)化學(xué)習(xí)以及多模態(tài)數(shù)據(jù)融合的發(fā)展，突破可解釋性、跨模態(tài)多樣性和可重復(fù)可擴(kuò)展性等挑戰(zhàn)。通過經(jīng)驗(yàn)與算法的協(xié)同工作，為實(shí)現(xiàn)更精準(zhǔn)的醫(yī)學(xué)診療方法提供新的研究方向，在口腔臨床醫(yī)學(xué)的多個(gè)細(xì)分領(lǐng)域引入新的浪潮。