2024人工智能在龋病诊疗中的应用.docx

《2024人工智能在龋病诊疗中的应用.docx》由会员分享，可在线阅读，更多相关《2024人工智能在龋病诊疗中的应用.docx（11页珍藏版）》请在优知文库上搜索。

1、2024人工智能在篇病诊疗中的应用摘要随着大数据时代的到来和计算机性能的提升，人工智能技术飞速发展，在口腔医学多个领域应用日益广泛。踽病是口腔医学的重要研究内容之一，人工智能技术在踽病领域的研究与探索，有望推动踽病诊疗向智能化、精准化、高效化转变。本文对人工智能在踽病诊断、治疗、风险评估等方面的应用以及面临的挑战进行系统阐述。踽病是在以细菌为主的多因素影响下，牙体硬组织发生的慢性进行性破坏性疾病，当病变向牙体深部发展可引起牙髓病、根尖周病等，亦可加重或诱发全身疾病。第四次全国口腔流行病学调查表明,5岁儿童乳牙患踽率、12岁儿童恒牙患踽率和老年人恒牙患踽率分别达到70.9%、34.5%和98.0

2、%1o通过口腔检查进行弱病的早期诊断、早期治疗、综合预防是维护天然牙健康、实现高风险人群踽病防治的重要策略。目前踽病染色剂法、光学相干断层成像技术、定量光导荧光技术、光纤透照法、电阻抗技术等作为临床决策的辅助手段已用于早期踽的检测2,3,然而临床仍以视诊、探诊结合根尖片、图片翼片等影像学检查作为踽病的主要诊断手段。因为该方法具有一定的主观性和不稳定性4,故有必要研发新方法，提高踽病检查和诊断的准确度。随着大数据时代的到来和计算机性能的提升，人工智能（artificialintelligence,AI)技术近年发展迅速。1956年以达特茅斯大学约翰麦卡锡教授为代表的科学家首次提出AI的概念，其后

3、作为应用计算机科学的分支，AI发展成为研究、开发用于模拟、延伸和扩展人类智能的理论、方法、技术及应用系统的一门新的技术科学5,6。根据2018年发表的关于在欧洲正确开发和使用人工智能的巴塞罗那宣言，Al可分为基于知识的AKknowledge-basedAI沐口数据驱动的AXdata-drivenAI),后者通常被称为机器学习(machinelearning)7o机器学习是指以自下而上的方式收集人类活动的数据、用统计机器学习算法处理数据后建立数学模型，以预测和模拟人类行为，其学习方式主要包括监督学习、无监督学习和半监督学习，三者间的差别在于是否对原始数据进行分类和标记8,9。医学领域常用的机器学

4、习算法包括向量机(supportvectormachines)、决策树(decisiontree)、随机森林(randomforest)、神经网络(neuralnetwork)等。深度学习(deeplearning)作为机器学习的子集，最近10余年来逐渐成为AI研究的主流。近年AI在口腔疾病诊疗方面得到广泛应用，涵盖口腔疾病的预防、筛查、诊断、治疗、康复、随访、预后评估等形成了AI口腔医学这一新型口腔医疗模式10踽病研究中，AI已应用于踽病诊断、治疗、风险评估和预测等。本文着重论述AI技术在上述踽病研究领域的进展，以期为拓展踽病诊断方法、提升临床治疗水平提供新思路。一、Al在踽病诊断中的应用图

5、像数据是AI在踽病诊断中的应用基石，其数据来源主要为影像学图片及口内照片。如何从海量数据中挖掘有价值的信息以辅助决策成为影像学诊断的瓶颈问题。AI通过图像识别和分割技术对踽病进行智能诊断，依靠其强大的数据处理能力，解决了人工处理图像数据工作量大和可重复性差的问题,相较于传统检查方法，AI可提供客观、准确的数据分析结果，具有重要的临床价值和良好的应用前景。1.AI影像学诊断：口腔数字化影像系统的普及使口腔影像数据量迅猛增长,实现影像学诊断的高效化、精准化是AI影像学诊断发展的主要方向。自2006年以来，深度学习成为机器学习界最活跃的研究热点之一，其中人工神经网络(artificialneural

6、network,ANN)和卷积神经网络(convolutionalneuralnetworkszCNN)在牖病诊断领域应用最广泛。ANN是一类由节点(又称神经元)相互连结组成的计算模型，每一节点通过简单的运算完成对输入的计算，计算结果通过连接传导至其他节点，对输入信号进行类似大脑的反应和处理，具有高度非线性化、巨量并行性、分布式存储、高度容错性和自适应学习能力等特点11。简言之，ANN可部分模拟人脑，具有联想存储、自学习以及高速寻找复杂问题的优化解的能力。运用ANN分类器分析口腔数字化影像诊断踽齿的相关研究显示，基于口腔曲面体层图像的头颈癌患者放射性踽的诊断灵敏度为98.8%,预测灵敏度为99

7、.2%12;基于根尖片的踽齿诊断准确率达97.1%,假阳性率为2.8%13,均展现出优异的诊断和预测效能。CNN是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一，具有局部连接、权值共享、池化操作的特点，相较于ANN,CNN可降低网络模型复杂度，减少过拟合的风险，连接和参数更少，更易于训练，是目前完成识别和检测任务的主导方法11,14,15o近年来，大量研究采用GoogLeNetInceptionv3xCariesnetsU-Net等对根尖片、曲面体层X线片、翼片、近红外透照等影像进行弱病病变的分割、识别及分类4,16,17,18,19。纵观现有文献，各项研究中效果评价指

8、标有所不同，总体而言，基于CNN的诊断模型显著提高了踽病诊断的准确性、灵敏性、特异性和研究者之间的一致性。既往研究中，口腔医师的不同经验导致传统影像学检查结合临床视诊、探诊对口面牖及邻面踽诊断的准确性和灵敏性存在较大差异，分别为19%92%和39%94%20,曲面体层X线片检测的准确率、灵敏性和特异性显著低于翼片及根尖片，亦有部分研究认为其在后牙区域的踽齿检测能力与翼片差异无统计学意义21。Al辅助的医学影像诊断可自曲面体层图像中分割出踽病病灶,克服了曲面体层X线片检测踽齿面临的图片尺寸较大、目标区域较小、难以准确识别并勾勒出目标区域的难题，使牖病诊断准确率达93.61%4,有助于踽病的早期筛

9、查与诊断。德国及英国学者分别建立U-Net及开发软件ASSiStDent,以口翼片为数据源分析其对浅、中、深踽的诊断效能,前者发现应用U-Net诊断正确率、灵敏度和特异度分别为80%、75%和83%,正确率和灵敏度均显著高于有经验的口腔医师19；后者应用ASSitDent可将邻面浅踽的检出率由44.3%提高至75.8%22oSchwendicke等23以牙存留年限为健康结局，构建马尔可夫模型进行成本效益分析，发现相较于无AI辅助的传统评估方法（牙存留平均62年，成本322欧元），AI辅助诊断能更有效地保留患牙并改善成本效益（牙存留平均64年，成本298欧元）,提示使用AI辅助有助于早期邻面踽的

10、及时诊断及非修复性治疗，降低医疗成本。以上研究表明，CNN等深度神经网络的开发应用促进了踽病诊断性能的飞跃，有助于实现踽病诊断的精准、高效与智能化。随着深度学习技术的进一步发展，学者们尝试使用一个网络模型对包含踽齿在内的多个病灶目标进行检测定位，包括建立基于CNN架构的深度学习模型，通过对根尖片的分析同时识别踽壁口根尖周炎24,25,其识别踽齿的准确率显著高于年轻口腔医师，资深专家可在其协助下提高踽齿诊断的一致性；帕克扎提色依提等26构建常见疾病智能影像诊断模型PanoNet,利用6个子网络模型分割及识别不同口腔疾病，该模型对踽病识别的准确率、敏感度和特异度均高于85%o这种多任务算法借助对不

11、同任务的学习使模型更具通用性特征，显著提升了各项任务的泛化性能，提高了检测效率，为机器学习开启了加速引擎。需要注意的是，由于根尖片、曲面体层X线片等反映踽病病变进展的清晰度和准确性尚有待提高，许多以监督学习模式进行的AI模型训练需在医师手工标注的基础上完成，因此AI影像学诊断可能产生诊断误差。2.AI口内数码照片诊断:智能手机或专业数码相机拍摄的口内数码照片作为踽齿视觉检查的替代方式可再现临床真实特征，避免根尖片、翼片等影像学检查的放射线暴露，克服了医疗环境限制的缺点。Al与口内数码照片结合进行踽病的数字图像处理与识别，旨在部分或全部代替专业医师,减轻欠发达地区的诊疗压力，助力远程医疗，实现龈

12、病早发现、早诊断、早治疗。继Berdouses等27,28提出基于彩色图像的单颗牙面踽自动诊断分类方法后，目前包含CNN和预训练图像分类器的架构模型已用于检测多颗牙及多个牙面的踽坏，准确率可达82.8%29o而对未成洞的窝沟踽、边缘靖未破坏的邻面踽的识别灵敏度可达95.8%和88.1%,特异度可达99%和97.1%30。Ding等31和Jiang等32先后采用基于CNN的目标检测模型YOLO(youOnlylookonce)(v3)及YOLO(v5s)算法分析智能手机、数码相机采集的数字图像，引入Transformer架构提高踽病检测的准确性，同时使用新的视觉激活函数FReLU激活视觉-空间信

13、息，不仅对原发踽及继发踽的诊断准确率达到93.3%和100%,而且实现了踽齿的快速检测。以AI及口内照片为基础的移动终端应用软件已被设计为客户端和牙医端，具有口腔疾病预检、咨询、预约、评估等功能，初步实现患者需求与医疗资源服务的对接，提高了患者的参与度33,有利于实现智能化医疗，打造医患互动新模式。需要注意的是，为提高检测和诊断的准确性，现阶段应使用高质量、标准化的照片，不同分辨率、压缩率或不同格式的图像可能影响诊断效果，同时应排除唾液、菌斑、牙结石的影响34。目前，机器学习在口腔医学领域的应用多遵循监督学习模式。监督学习是目前应用最广泛的一种机器学习方法，通过对已标记数据集和鉴定标签的训练，

14、得到最优模型后预测未知数据。在此模式下，对口腔影像数据进行专家注释是关键步骤之一，其过程繁琐、耗时且可能泄露患者隐私，成为深度学习架构应用于临床的瓶颈35。为此，学者们开发半监督学习和自监督学习方法以降低标注成本。自监督学习可被视为一种特殊的无监督学习，主要是对无标签数据通过设计辅助任务（pretext）挖掘数据自身特征作为监督信号，从而获得对下游任务有价值的表征。其优势在于可在无标签的数据上完成训练，无需人工标注。半监督学习则是监督学习和无监督学习的结合，可分析大量的未标记数据，同时以少量标记的数据增强其模式识别能力9（图1）。Taleb等36使用3种自监督方法对由38094张口翼片组成的未

15、标记牙图像语言资料库进行训练,发现使用自监督算法预训练模型可提高弱病分类器的诊断性能，达到专家级诊断水平。QayyUm等37在自我训练的基础上提出半监督学习模型，认为与监督学习和自监督学习模型相比，半监督模型在计算和性能方面有明显提升。因此，在半监督、自监督领域进行更多创新、有效的算法设计将为提高AI辅助的踽病诊断效能提供新驱动力。迄今，AI辅助踽病诊断均依赖影像数据，缺乏多源信息融合。未来随着新型牖病诊断技术的发展，联合患者症状体征、临床指标、电子病历及其他新型诊断结果（如生理传感器数据），采用数据模型、自然语言处理程序和深度学习技术等，有望建立结构化、标准化、多模态的医疗大数据，为踽病的智

16、能诊断开辟全新前景。二、Al在踽病治疗方面的应用AI在踽病治疗领域的应用主要集中于基于影像学的修复体识别以及修复失败相关因素的预测。通过采用CNN的U-Net模型和语义分割等技术,AI可从曲面体层X线片、翼片等数字影像中鉴别各种类型的修复体38,39,为减少银汞合金修复体和冠修复体之间可能产生的分割失误，Gardiyanogiu等39建议使用单独的标签对银汞合金修复体进行分割。在修复体失败的相关因素预测方面，Aliaga等40提出一种基于案例推理的学习模型，该模型可收集患牙牙体及患者个体的特征数据，通过神经网络将贝叶斯网络和多层感知器进行数据组合，从而监测和预测复合树脂和银汞合金修复体的使用寿命，并确定最适合患者的修复类型。该模型亦被用于预测复合树脂修复失败的相关影响因素，结果显示患者年龄、口腔卫生习惯、治疗中使用橡皮障隔离、使用踽齿检测剂以及调整咬合等均与修