人工智能在口腔正畸中的应用探索

Applications of Artificial Intelligence in Orthodontics

摘要: 近年来，人工智能(AI)给口腔医学领域带来了历史性的变革。本文详细阐述了人工智能模型在口腔正畸诊断、治疗计划和预测预后的应用现状，以期为该领域临床诊疗提供参考。

Abstract: In recent years, artificial intelligence (AI) has brought historic changes to the field of dentistry. This paper elaborates the application status of artificial intelligence models in orthodontic diagnosis, treatment planning and prognosis prediction, in order to provide reference for clinical diagnosis and treatment in this field.

1. 引言

过去几十年，以人工智能、计算机信息技术与新材料为代表的第四次工业革命迅猛发展，在此新科技革命背景下，人工智能(artificial intelligence, AI)作为一门模拟和扩展人智能的前沿科学与口腔正畸学深度交叉融合 [1]，逐步改变传统的以经验为基础的正畸诊疗模式，推动了口腔正畸向智能化、精准化和微创化发展，最终实现精准口腔正畸诊疗模式。

人工智能的主要目标是为机器提供拥有自己智能的能力。换句话说，人工智能的目标是让机器能够通过数据学习，自己解决问题。人工智能有许多子领域，它们主要包括机器学习(Machine learning, ML)、人工神经网络(Artificial neural network, ANN)、深度学习(Deep learning, DL)。 [2] [3] 机器学习(ML)是人工智能的主要支柱。它依靠算法根据数据集预测结果，它的目的是促进机器从数据中学习，这样就可以在不需要人工输入的情况下解决问题。其中，卷积神经网络(Convolutional neural networks, CNNs)是最常用的ML技术之一。人工神经网络(ANN)是一套通过人工神经元计算信号的算法，这些神经元试图模仿人类神经元的功能。深度学习(DL)是学习记忆的一个重要组成部分。它使用深度神经网络中具有不同计算机层的网络来分析输入数据。它的目的是建立一个可以自动识别模式的神经网络，以改进特征检测。本文详细阐述了人工智能模型在口腔正畸诊断、治疗计划和预测预后的应用现状，以期为该领域临床诊疗提供参考。

2. 拔牙与非拔牙治疗决策中的应用

ANN模型是通过模拟人的神经系统具有处理非线性关系和学习能力的神经网络。2010年Xie [4] 等人利用人工神经网络构建了11~15岁患者的正畸拔牙决策专家系统，确定正畸治疗是否需要拔牙。该研究选择200名患者(120例拔牙病例，80例非拔牙病例)。针对每位患者选择了23个指标，并将患者的指标作为输入数据，计算提取或非提取作为输出数据。建立了反向传播神经网络模型，在200名患者中，180名作为训练数据，20名作为测试数据。该研究所构建的人工神经网络在测试集上的准确率为80%。此外，“开唇露齿”和“IMPA (L1-MP)”对输出数据贡献最大，FMA (FH-MP)贡献最小。Xie等研究者建模过程中未将训练数据进一步划分为训练数据和验证数据。开发模型时需要调节模型配置，这个调节过程需要使用模型在验证数据上的性能作为反馈信号，验证数据的缺乏会影响建模的准确性。因此，我们需要在建模过程中将训练数据划分为训练数据和验证数据。

建模过程中做预测分析时，会将数据分为两大部分。一部分是训练数据，用干构建模型，一部分是测试数据，用干检验模型。但是，有时候模型的构建过程中也需要检验模型，辅助模型构建，所以会将训练数据在分为两个部分训练数据和验证数据。验证数据用干负责模型的构建。具体的是通过训练数据用于模型构建；验证数据用于辅助模型构建，可以重复使用；测试数据用于检测模型构建，此数据只在模型检验时使用，用于评估模型的准确率。绝对不允许用于模型构建过程，否则会导致过渡拟合。

2016年Jung [5] 等人通过神经网络机器学习构建一个人工智能专家系统，用于拔牙治疗和拔牙方式的决策。共有156名患者参加了这项研究。研究选取12个头影测量变量和6个指标作为输入数据，将提取或非提取和提取模式设置为输出数据。治疗方案由一名正畸专家决定。与Xie的研究不同的是，它将训练数据进一步划分为训练数据和验证数据。迭代学习在验证集的最小误差点停止，以防止过拟合。模型对拔牙或非拔牙的诊断成功率为93%，对拔牙方式的选择成功率为84%。该文章指出适当选择输入数据、适当组织建模和适当的参数可以提高模型的性能。

ANN模型的建立的意义在于通过模仿经验丰富的专家的决策，构建人工智能专家系统，可以作为经验较少的正畸医生在诊疗中的参考。临床医生可以根据患者的主诉、实际情况选择是否遵循人工智能专家系统。此外，还可以使用各种诊断原理来制作专家系统。Jung等研究者构建的专家系统具有较高的性能。

但上述ANN模型只能简单的判定拔牙或者不拔牙，是二元决策，即一级决定。模型建立需要的参数 (拥挤或牙齿倾斜)较少且未标准化，场景简单，无法确定具体拔牙位置。并且拔牙的诊断仅限于非手术治疗，对于牙齿缺失、非常规拔牙、面部不对称等病例上述模型无法有效诊断。研究者们需要在正畸正颌联合治疗和其他错颌畸形的诊断和治疗方面进一步研究，以此建立一个涵盖所有案例的完整模型。

3. 手术中的应用

2019年Choi [6] 等研究人员开发一种新的手术/非手术决策和提取决策的人工智能模型，样本包括316名患者，其中160人计划接受手术治疗，156人计划接受非手术治疗。人工神经网络的输入值由12个头颅侧位片测量值和6个附加指标组成。机器学习的人工智能模型由一个隐含层的两层神经网络组成。学习分3个阶段进行，采用4个表现最好的模型计算了手术/非手术、拔牙/非拔牙的决策成功率。该模型对手术/非手术决策的诊断正确率为96%，对手术类型和拔牙决策的诊断正确率为91%。II类手术误诊10例，III类手术误诊3例。这反映了许多骨性II类错牙合病例可以通过非手术掩饰治疗，而对于骨性III类患者，掩饰治疗的程度是受限的。在手术类型的决策中显示了100%的成功率。这是因为骨性II类和骨性III类之间的差异非常明显。有人可能认为这一步可以省略。然而，II类手术和III类手术的拔牙决定因素有很大的不同。通过增加划分手术类型的步骤，可以使系统更加简化，具有更高的准确度和适应性。II类手术患者的拔牙决定成功率高达97%。这意味着对II类手术案件的拔牙决定相对容易判断。另一方面，III类手术患者的拔牙决定成功率最低为88%。最大的原因是，考虑宽度，不需要拔牙，但是考虑到前牙唇倾度是需要拔牙的。并且微种植体支抗的应用可以在不拔牙的情况下调整前牙的唇倾度。

Knoops [7] 等人开发了一个机器学习框架，用于整形和重建外科的自动诊断和计算机辅助规划。他们提出了大规模临床3D变形模型，这是一个由表面3D扫描构建的包括监督学习的机器学习框架。对健康志愿者和正颌外科患者的4261张人脸进行了训练。通过自动图像处理，它以95.5%的敏感度和95.2%的特异度提供是否应该转介给专家的二元结果。然后，专家可以自动生成手术后结果的3D模拟，平均精度为1.1 ± 0.3 mm，而不需要传统的耗时的计算机辅助手术模拟。然而，在本研究中仅使用表面扫描，因此需要根据软组织的移动来计算其下方的骨移动在当今仍然是一个难题。

与Knoops使用3D变形模型得出诊断结果的研究相比，Choi [6] 等人应用ANN从12个头颅侧位片测量值和6个附加指标中获得机器学习模型由一个隐含层的2层神经网络组成。样本包括316名患者，其中160人计划接受手术治疗，156人计划接受非手术治疗。该模型对患者是否需要手术治疗的成功率为96%，对手术类型和拔牙决定的详细诊断的成功率为91%。这两项研究的成功率是相当的。

Niño-Sandoval [8] 等人尝试利用人工神经网络对基于上颌骨形态的下颌骨形态进行预测。299例哥伦比亚患者的头颅侧位片在X和Y坐标上有19个标志点。

结果表明，所选模型具有较高的可预测性。

Patcas [9] 等人通过人工智能技术评估正颌治疗对面部吸引力和估计年龄的影响。为了估计年龄，CNN模型用从互联网电影数据库和维基百科获得大于50万张带有年龄标签的面部图像进行训练。对于吸引力预测，美国有线电视新闻网的模型是根据一家约会网站的数据进行训练的，该网站拥有大于13000张面孔图片和大于1700万分的吸引力评分。这项研究收集了146名正颌患者的手术前和手术后的照片。根据算法，66.4%的患者在治疗后有所改善，外观年轻了近1年。研究表明，人工智能可能是从审美改善的角度来评估治疗结果的客观方法。

4. 在头影测量中的应用

Arik [10] 首次将CNN应用于自动头颅侧位片的测量指标的识别。Park [11] 和Hwang [12] 使用深度学习法训练了1028张头颅侧位片，80个标志点。人工智能与人类平均检测误差为1.46 ± 2.97 mm。KUNZ [13] 采用开源CNN深度学习算法对12种常用的正畸参数进行自动识别，对50张头影测量X线片进行了分析。AI与人类黄金标准之间的平均差异在角度参数上小于0.37˚，在测量参数上小于0.20 mm，在比例参数面部高度上小于0.25%。Nishimoto [14] 在个人电脑和通过互联网收集的侧位头影测量X光片上使用CNN，仍然得到了人工智能和手绘头影测量标志物之间没有显著差异的结果。

5. 在生长预测中的应用

Spampinato [15] 使用深度学习方法通过手腕X光片评估骨骼年龄。数据集包含1391张18岁以下儿童的X射线左手扫描照片，骨龄值由两名专业放射科医生提供。结果显示，手动和自动评估之间的平均偏差约为0.8年。Kok [16] 等人比较了不同的人工智能算法在颈椎分期中的应用。对29种K近邻、朴素贝叶斯、决策树、人工神经网络、支持向量机、随机森林和Logistic回归算法进行了精度测试。人工神经网络的结果最稳定，是判定颈椎分期的首选方法。

6. 颞下颌关节的分型

Shoukri [17] 等人应用神经网络对颞下颌关节骨关节炎(TMJOA)患者的髁突形态进行分期。对259个髁突进行神经网络训练，然后对TMJOA分期进行检测和分类，并与临床专家分类进行比较。根据CBCT图像将髁状突形态分为6组。与重复的临床医生共识相比，人工智能对TMJOA分期的预测分析显示出73.5%和91.2%的准确率。结果表明，人工智能可以较全面地对TMJOA的形态进行分类。

7. 总结

目前应用于正畸中的人工智能模型大多是基于人工神经网络(ANN)或卷积神经网络(CNN)的模型。人工智能技术已广泛应用于头影测量标志识别、正畸拔牙的决策、颈椎成熟程度判定、正畸手术后面部形态的预测、正畸治疗方案设计等方面。人工智能技术已越来越多地应用于正畸治疗领域。实践证明，它是一种可靠、省时的工具。未来可以在创建基于云的数据集成和共享平台方面做出努力。考虑到数据是构建良好模型的基础，具有高质量和高数量的数据，通过机器学习过程可以获得更高的预测结果和图像解释的精度。在正畸研究方面，一个训练有素的AI模型不仅可以帮助诊断，还可以帮助进行各种线性和角度测量以及体积测量。人工智能技术还可以提高正畸治疗的诊断准确性，从而帮助正畸医生更准确、更高效地工作。