人工智能技術(shù)在兒童口腔醫(yī)學(xué)中的應(yīng)用進展

黃堯，饒南荃，張翔，呂聞冰，呂長海

1 昆明醫(yī)科大學(xué)附屬口腔醫(yī)院兒童口腔科，昆明 650106；2 昆明醫(yī)科大學(xué)附屬口腔醫(yī)院 云南省口腔醫(yī)學(xué)重點實驗室；3 云南大學(xué)信息學(xué)院

隨著社會經(jīng)濟的發(fā)展和生活水平的提高，人們對兒童口腔健康的重視程度越來越高。近年來，人工智能（AI）正在以多種形式融入我們的日常生活中，并影響著全球許多行業(yè)。AI 是指通過計算機程序模擬人類感知、推理、學(xué)習(xí)等能力的技術(shù)，其子領(lǐng)域機器學(xué)習(xí)及其分支深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)在兒童口腔醫(yī)學(xué)中已經(jīng)得到初步應(yīng)用，如對兒童口腔影像及數(shù)碼照片的智能診斷以及低齡兒童齲病的預(yù)測，并獲得較好的效果。機器學(xué)習(xí)作為人工智能的重要技術(shù)，能夠從大量數(shù)據(jù)中自已學(xué)習(xí)規(guī)律，并利用未知數(shù)據(jù)進行預(yù)測［1］。深度學(xué)習(xí)模型具有多個隱藏層神經(jīng)網(wǎng)絡(luò)模型，能夠自動發(fā)現(xiàn)數(shù)據(jù)中的復(fù)雜模式，對復(fù)雜特征進行分類及預(yù)測，在圖像識別上展現(xiàn)出較好的效果［2］。卷積神經(jīng)網(wǎng)絡(luò)作為深度學(xué)習(xí)中最重要神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，通過卷積操作提取輸入數(shù)據(jù)中的特征，再通過多層神經(jīng)網(wǎng)絡(luò)進行高級特征的學(xué)習(xí)和分類［2］。在信息技術(shù)高速發(fā)展的時代，大量醫(yī)學(xué)數(shù)據(jù)被儲存、訪問和獲取，因此可以利用這些巨大的數(shù)據(jù)庫來開展AI 的相關(guān)研究。現(xiàn)將AI 在兒童口腔醫(yī)學(xué)中的應(yīng)用現(xiàn)狀綜述如下。

1 AI在兒童口腔影像學(xué)中的應(yīng)用

兒童口腔影像學(xué)檢查包括根尖片、曲面體層片、頭影測量片、錐形束CT等，主要用于齲病、牙髓根尖周病、牙發(fā)育異常等疾病的輔助檢查。在兒童口腔醫(yī)學(xué)中，深度學(xué)習(xí)模型被用于乳恒牙檢測、分割及編號、牙齒發(fā)育異常等醫(yī)學(xué)影像。

1.1 乳恒牙檢測、分割及編號 對于兒童曲面體層片，進行牙齒檢測、分割及牙位編號是進行智能診斷的重要步驟，實現(xiàn)該任務(wù)常用單階段模型及兩階段模型等。單階段模型主要包括SSD 和YOLO 系列的網(wǎng)絡(luò)模型，兩階段模型主要包括R-CNN 系列的網(wǎng)絡(luò)模型。KILIC 等［3］基于Faster R-CNN Inception v2 對兒童曲面體層片的乳牙進行自動檢測和編號，發(fā)現(xiàn)召回率為98%，精確率為95.7%。LAíS 等［4］以曲面體層片數(shù)據(jù)為研究對象，采用實例分割模型Mask R-CNN，該模型能夠在乳恒牙檢測基礎(chǔ)上再進行分割，其中加入PointRend神經(jīng)網(wǎng)絡(luò)模塊使得均值平均精度得到顯著提高。KAYA 等［5］采用YOLO v4對兒童曲面體層片進行乳牙及恒牙的檢測與編號模型訓(xùn)練，該模型獲得了較高的精確率與召回率，同時也能以較快的速度獲得準確的結(jié)果。

1.2 額外牙的分類與檢測 額外牙是指多于正常牙類、牙數(shù)以外的牙齒，常發(fā)生于上頜兩中切牙之間。額外牙可引起多種并發(fā)癥，如牙源性囊腫、鄰牙牙根吸收、恒牙萌出障礙等。AHN 等［6］以HELLMAN 咬發(fā)育階段為ⅡA、ⅢA、ⅢB 的兒童曲面體層片作為研究對象，比較不同深度學(xué)習(xí)模型在上頜前牙區(qū)額外牙檢測效果，結(jié)果發(fā)現(xiàn)多個模型準確度、精確率、召回率和F1 分數(shù)都高于90%，表明深度學(xué)習(xí)模型在額外牙篩查上具有較大潛力。KUWADA等［7］使用AlexNet、VGG16、Detect Net 三種卷積神經(jīng)網(wǎng)絡(luò)模型分別建立上頜前牙區(qū)額外牙檢測模型，其中該團隊設(shè)計的基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建的Detect Net模型更適用于上頜前牙區(qū)額外牙。HA 等［8］基于深度學(xué)習(xí)模型分別對不同年齡段曲面體層片進行上頜前牙區(qū)額外牙檢測與分類，結(jié)果發(fā)現(xiàn)內(nèi)外部數(shù)據(jù)集準確度分別為96.2%和89.8%，證明該模型可用于不同年齡段的曲面體層片。KIM 等［9］利用兩種深度學(xué)習(xí)模型分別進行分割及分類任務(wù)，結(jié)果顯示該模型能夠?qū)ι项M前牙區(qū)的額外牙識別達到完全自動化。

1.3 牛牙樣牙識別 牛牙樣牙是一種牙冠長而牙根短小，牙髓腔大而長，根分歧移向根尖處的牙齒。該種牙在治療時易導(dǎo)致意外穿髓，并在牙髓切斷術(shù)及根管治療時增加治療難度。DUMAN 等［10］以434張13歲以上患兒曲面體層片作為數(shù)據(jù)集，采用生物醫(yī)學(xué)分割常用模型U-Net，在43 張測試集中，其靈敏度、精確率和F1 值均高于80%。該模型識別牛牙樣牙能力與專家手工標注的訓(xùn)練數(shù)據(jù)接近。

1.4 乳牙下沉的檢測 乳牙下沉是指乳牙的咬合平面低于鄰牙，且長期無法達到正常咬合高度的一種低咬合狀態(tài)，導(dǎo)致鄰牙傾斜等并發(fā)癥。CALISKAN 等［11］采用兩階段模型Faster R-CNN 對乳牙下沉曲面體層片進行自動檢測，圖像檢測的總成功率為83.5%，在乳牙下沉自動檢測中展現(xiàn)出較大潛力。1.5 牙齒異位萌出分割與檢測 展牙齒異位萌出是指恒牙在萌出過程中未在牙列的正常位置萌出，其中上頜第一恒磨牙異位萌出最為常見。牙齒異位萌出可引起一些并發(fā)癥如第二乳磨牙早失、間隙喪失等，因此牙齒異位萌出的早期診斷較為重要。ZHU 等［12］利用285 張兒童曲面體層片制作數(shù)據(jù)集，訓(xùn)練基于nnU-Net 模型用于分割和檢測上頜第一恒磨牙異位萌出，其準確度與臨床醫(yī)生相當。值得注意的是，基于U-Net 醫(yī)學(xué)圖像分割自適應(yīng)框架的nnU-Net 模型可自動選擇最佳參數(shù)，而使得模型達到更好結(jié)果。LIU 等［13］基于卷積神經(jīng)網(wǎng)絡(luò)建立上頜第一恒磨牙異位萌出自動識別模型，該模型與3 位專家在測試集上的性能表現(xiàn)相似，有望應(yīng)用于上頜第一恒磨牙異位萌出的大規(guī)模篩查。

1.6 腺樣體肥大評估 腺樣體肥大常引起上呼吸道阻塞，而其導(dǎo)致口呼吸可能導(dǎo)致牙頜面畸形的發(fā)生。對于一些不合作兒童，作為診斷腺樣體肥大金標準的鼻內(nèi)鏡檢查較為痛苦，而頭顱側(cè)位片是一種簡單、經(jīng)濟的檢查，并且可靠性較高。ZHAO 等［14］根據(jù)FUJIOKA 評估方法開發(fā)了基于卷積神經(jīng)網(wǎng)絡(luò)的腺樣體肥大自動評估模型Head-Net，通過對頭顱側(cè)位片的四個關(guān)鍵點Ba、Ar、A'和PNS 自動定位以評估腺樣體—鼻咽腔比例（A/N），該模型由卷積層、注意力層等組成，并獲得較高的準確性和穩(wěn)定性。其中加入的注意力殘差模塊可以顯著提高關(guān)鍵點的檢測性能，減少A/N誤差。

1.7 牙齡評估 牙齡是確定生物體成熟度最可靠的方法之一，也是兒童正畸及牙體疾病治療方案及預(yù)后的重要依據(jù)。ZABOROWICZ 等［15］使用4～15歲曲面體層片建立數(shù)據(jù)集，并基于計算機圖像分析、卷積神經(jīng)網(wǎng)絡(luò)、徑向基函數(shù)網(wǎng)絡(luò)的三個非線性模型，得出了一套評估實際年齡所需的21個原始指標，其準確度為96%～99%；并在后期研究中建立端到端的深度學(xué)習(xí)模型，能夠更快速、更準確獲得結(jié)果，其中模型的平均絕對誤差為2.34～4.61 個月，均方根誤差為5.58～7.49 個月［16］。BUNYARIT 等［17］依據(jù)馬來西亞華人特點對CHAILLET 牙齡評估分數(shù)進行改編，并基于該分數(shù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)牙齡評估模型，實現(xiàn)了對特定人群的牙齡預(yù)測。

2 AI在兒童口腔疾病識別及健康評估中的應(yīng)用

2.1 牙菌斑識別 牙菌斑是細菌黏附于牙面或修復(fù)體上形成的生態(tài)環(huán)境，其代謝產(chǎn)物可對牙體或牙周組織造成破壞。牙菌斑的識別和控制對兒童的口腔健康極為重要，牙菌斑通常由醫(yī)生使用探針或菌斑指示劑進行識別，通過牙菌斑的覆蓋面積或牙菌斑的厚度進行評估，該方法耗時、受人為影響大。YOU 等［18］開發(fā)了以乳牙數(shù)碼照片為數(shù)據(jù)的卷積神經(jīng)網(wǎng)絡(luò)牙菌斑識別模型，當口腔醫(yī)師和卷積神經(jīng)網(wǎng)絡(luò)模型同時對102 張數(shù)碼照片進行評估時，口腔醫(yī)師的平均交并比為0.652 ± 0.195，卷積神經(jīng)網(wǎng)絡(luò)模型為0.724 ± 0.159，卷積神經(jīng)網(wǎng)絡(luò)模型顯示出更高的平均交并比，表明AI模型的牙菌斑識別能力與口腔醫(yī)師接近。

2.2 齲病風(fēng)險預(yù)測與識別 齲病是兒童口腔科常見疾病，發(fā)生于6 歲以下兒童的齲病稱為低齡兒童齲，可引起疼痛、牙齒脫落、牙髓病，并影響恒牙發(fā)育。低齡兒童齲受到患兒唾液的個體特征、致齲微生物、全身免疫、家庭經(jīng)濟情況等多種因素影響［19］。機器學(xué)習(xí)在齲病預(yù)測方面應(yīng)用最為廣泛。KOOPAIE等［20］通過唾液胱抑素S 水平結(jié)合機器學(xué)習(xí)實現(xiàn)了對低齡兒童齲高危兒童的早期診斷。ZAORSKA 等［21］使用與低齡兒童齲相關(guān)的遺傳因素單核苷酸多態(tài)性（SNP）建立神經(jīng)網(wǎng)絡(luò)模型，在6個神經(jīng)網(wǎng)絡(luò)齲齒預(yù)測模型中均取得較高的準確度（98.4%）。PANG 等［22］基于1 055 例青少年的問卷調(diào)查、口腔檢查、唾液測試、SNP測序分析數(shù)據(jù)，使用機器學(xué)習(xí)算法構(gòu)建齲齒風(fēng)險預(yù)測模型，實現(xiàn)了對高風(fēng)險齲齒患者的預(yù)測。PARK 等［23］基于4 種機器學(xué)習(xí)算法構(gòu)建齲齒風(fēng)險預(yù)測模型，結(jié)果表明4 個預(yù)測模型的受試者工作特征曲線下面積都在0.774和0.785之間，具有較好的預(yù)測效能。KARHADE 等［24］開發(fā)了一種自動機器學(xué)習(xí)算法，可根據(jù)患兒局部、全身、社會等多種因素篩選低齡兒童齲高危患兒。RAMOS-GOMEZ 等［25］使用由父母填寫的問卷數(shù)據(jù)建立了基于機器學(xué)習(xí)的急性齲預(yù)測模型，獲得較好的預(yù)測效果。

鑒于深度學(xué)習(xí)在醫(yī)學(xué)圖像識別的突出優(yōu)勢，李若竹等［26］建立了對患兒口內(nèi)照片進行齲齒識別的深度學(xué)習(xí)模型，其中在未成洞齲的判斷上具備較大潛力。XIAO 等［27］設(shè)計了一款智能手機應(yīng)用軟件AICaries，父母及相關(guān)監(jiān)護人使用智能手機拍攝兒童牙齒照片對齲齒自動評估，有望實現(xiàn)低齡兒童齲的遠程智能診斷。

窩溝封閉劑是預(yù)防齲病尤其是窩溝齲的材料。SCHLICKENRIEDER 等［28］通過卷積神經(jīng)網(wǎng)絡(luò)模型檢測數(shù)碼照片上完整、不完整、不存在窩溝封閉劑的后牙，其準確率達到90%以上。該方法在在窩溝封閉劑識別上具有一定潛力，能夠及時識別出不存在、不完整窩溝封閉劑的患牙，從而及時采取相應(yīng)的預(yù)防措施。

2.3 口腔健康評估 對于大面積的兒童及青少年口腔健康狀況及治療需求評估，需要耗費大量人力物力。WANG 等［29］收集了12 個不同診所的兒童及監(jiān)護人簡短的問卷調(diào)查結(jié)果，通過機器學(xué)習(xí)算法預(yù)測兒童口腔健康狀況指數(shù)得分和口腔健康的治療需求轉(zhuǎn)診，該模型簡單的輸出結(jié)果對于非牙科專業(yè)人員更容易理解，并可篩選出不需要去牙科診所的兒童。同時作者在數(shù)據(jù)集中引入人工噪聲及調(diào)整噪聲分布來提高預(yù)測準確性，獲得更優(yōu)模型。GAJIC等［30］利用機器學(xué)習(xí)算法測量口腔健康對青少年生活質(zhì)量的影響，發(fā)現(xiàn)人類測量與人工智能模型得出相同結(jié)論；通過統(tǒng)計學(xué)方法對受試者性別分類與通過機器學(xué)習(xí)算法將不同受試者分為不同群體相比，后者獲得了更多口腔相關(guān)健康信息與細節(jié)。

目前AI已在乳恒牙檢測與編號、牙齒發(fā)育異常疾病的識別、齲病預(yù)測與識別等兒童口腔醫(yī)學(xué)領(lǐng)域得到應(yīng)用，但相關(guān)報道仍較少，在臨床上也未得到廣泛應(yīng)用。AI 也存在諸多局限性，主要包括：①兒童配合度差、解剖發(fā)育復(fù)雜、各醫(yī)院影像采集設(shè)備不同等因素造成影像數(shù)據(jù)質(zhì)量差及難以標準化，患者隱私及各醫(yī)院相關(guān)數(shù)據(jù)互通性較低，缺少相關(guān)公開大型數(shù)據(jù)集，對于兒童口腔影像數(shù)據(jù)，據(jù)統(tǒng)計目前僅有一個小型公開數(shù)據(jù)集［31］；②現(xiàn)階段的AI算法均在特定數(shù)據(jù)集上進行訓(xùn)練，當面對不同機構(gòu)、不同年齡段、不同群體、不同種族等的數(shù)據(jù)集時，AI 性能可能會下降；③在醫(yī)學(xué)決策中，醫(yī)生和家長更愿意了解決策的過程和依據(jù)，而AI 缺乏解釋性，可能限制其在臨床中的應(yīng)用；④AI 診斷只能針對單一疾病進行分析，且無法對該疾病所有類別進行智能診斷；⑤隱私和數(shù)據(jù)安全、人工智能系統(tǒng)的決策公正和可信度等涉及一系列道德和倫理問題也限制了AI 的應(yīng)用。雖然AI在兒童口腔醫(yī)學(xué)中仍處于起步階段，但隨著時間及相關(guān)理論和法律的完善，通過周到的設(shè)計和長期的臨床驗證，未來有望對兒童顱面部生長發(fā)育、行為管理、牙髓病及根尖周病、牙外傷、牙周及黏膜疾病、早期矯治、兒童口腔外科、兒童口腔罕見病等在預(yù)防、診斷、治療、預(yù)后預(yù)測等方面有更大突破。