王志燕 宋濤

【提要】 人工智能是指任何能感知環(huán)境并采取行動以最大程度實現(xiàn)目標的設(shè)備。近年來，人工智能在顱頜面外科中的應(yīng)用日漸增多。人工智能已可用于輔助顱頜面相關(guān)疾病的診斷及外科治療，如預(yù)測胚胎患唇腭裂的風(fēng)險、早期診斷畸形綜合征、治療面部麻痹、預(yù)估術(shù)中出血量等。本文就以上內(nèi)容進行分析評價，同時探討人工智能在醫(yī)療行業(yè)發(fā)展的倫理、安全等問題。

人工智能（Artificial intelligence，AI）是指任何能感知環(huán)境并采取行動，以最大程度實現(xiàn)目標的設(shè)備。簡單地理解，即AI 是由人制造出來的機器，可以具有和人類一樣的智能。AI研究領(lǐng)域誕生于1956 年達特茅斯學(xué)院的一個研討會上，由John McCarthy 創(chuàng)造了“人工智能”一詞[1]。但AI 的發(fā)展并非如預(yù)想的一樣順利，由于進展緩慢、資金短缺，經(jīng)歷過兩次“寒冬”后，21 世紀初期，隨著計算機的普及、大量高性能硬件的開發(fā)，AI 技術(shù)再次成為許多國家的研究熱點。2017 年的未來圍棋峰會上，DeepMind 公司的AlphaGo 戰(zhàn)勝了圍棋世界冠軍柯潔，標志著AI 發(fā)展進入一個新的階段。目前，AI 技術(shù)已滲透到生活的方方面面，如自動駕駛、人類面部識別、搜索引擎推薦、廣告精準投放等。

機器學(xué)習(xí)（Machine learning，ML）是AI 的一個分支，是指機器可以像人一樣從數(shù)據(jù)中找到信息并從中學(xué)習(xí)規(guī)律。ML可以分為3 種類型，即無監(jiān)督學(xué)習(xí)（Unsupervised learning）、監(jiān)督學(xué)習(xí)（Supervised learning）和強化學(xué)習(xí)（Reinforcement learning）。無監(jiān)督學(xué)習(xí)是指從信息中自動找尋規(guī)律，并將其分成各種類別。監(jiān)督學(xué)習(xí)是指通過歷史數(shù)據(jù)的標簽，運用模型預(yù)測結(jié)果。強化學(xué)習(xí)是指其幫助人們作出決策和規(guī)劃，并利用獎勵回饋機制促進學(xué)習(xí)的一種方式。

深度學(xué)習(xí)（Deep learning，DL）是ML 研究中的新領(lǐng)域，但與ML 不完全相同，DL 是利用深度神經(jīng)網(wǎng)絡(luò)，將模型處理得更為復(fù)雜，從而使模型對數(shù)據(jù)的理解更加深入。同ML 方法一樣，深度ML 方法也有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)之分。例如，卷積神經(jīng)網(wǎng)絡(luò)（Convolutional neural networks，CNNs）就是 一種深度的監(jiān)督學(xué)習(xí)下的ML 模型，而深度置信網(wǎng)就是一種無監(jiān)督學(xué)習(xí)下的ML 模型（圖1、2）。

圖1 人工智能、機器學(xué)習(xí)、深度學(xué)習(xí)及卷積神經(jīng)網(wǎng)絡(luò)之間的關(guān)系Fig.1 The relationship between artificial intelligence,machine learning,deep learning and convolutional neural networks

圖2 機器學(xué)習(xí)分類Fig.2 The classification of machine learning

近些年，AI 技術(shù)在醫(yī)學(xué)領(lǐng)域也迎來了研究熱潮。AI 可輔助臨床醫(yī)生作出更準確、及時的診斷。如利用DL 技術(shù)自動篩查糖尿病腎病，并將可能有視力損害的糖尿病腎病患者轉(zhuǎn)診給眼科醫(yī)生進行進一步的評估和治療，降低視力喪失的發(fā)生率[2]；也可用于預(yù)測癌癥易感性、復(fù)發(fā)率和死亡率[3-4]。除此之外，AI 與大數(shù)據(jù)的結(jié)合對精準治療也產(chǎn)生了深遠影響，如通過DNA 圖譜的大數(shù)據(jù)可對有相同異常基因的人群提供更精確的藥物治療，同時減少藥物開發(fā)的樣本量，提供更精準的藥物開發(fā)[5]。

1 人工智能在顱頜面外科中的應(yīng)用

1.1 人工智能在顱頜面相關(guān)疾病診斷中的應(yīng)用

在一些發(fā)展中國家，唇腭裂手術(shù)的費用對于一個普通家庭來說是難以承擔(dān)的，并且可能需要多次手術(shù)，對于患兒本身也是一種痛苦。所以如何早期診斷唇腭裂就顯得尤為重要。目前認為伴或不伴腭裂的非綜合征性唇裂（Nonsyndromic cleft lip with or without cleft palate，NSCL±P）與多基因和基因位點的遺傳變異相關(guān)。為了預(yù)測巴西人群中非綜合征性口腔裂的風(fēng)險，Rubin 等[6]在由722 個非綜合征性口腔裂和866 個正常對照組成的病例樣本中，將隨機森林和神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于72 個單核苷酸多態(tài)性分析，結(jié)果顯示其中有13個單核苷酸多態(tài)性對于預(yù)測NSCL±P 風(fēng)險的神經(jīng)網(wǎng)絡(luò)至關(guān)重要，并且由這13 個單核苷酸多態(tài)性組成的ML 模型預(yù)測NSCL±P 風(fēng)險的總體準確性為94%。該研究可用于協(xié)助NSCL±P 遺傳咨詢。巴基斯坦的研究者從3 家不同醫(yī)院收集了1 000 份懷孕女性樣本及數(shù)據(jù)，采用各種ML 算法來預(yù)測出生前胚胎唇腭裂的可能性。結(jié)果顯示，基于多層感知器模型，測試數(shù)據(jù)可達到92.6%的準確性?；蛟S不久的將來，人們可以通過一個簡單的移動應(yīng)用程序就可以預(yù)測胚胎患唇腭裂的風(fēng)險[7]。

深層表型是基因疾病精準治療的一個新興趨勢。已知30%～40%的遺傳綜合征會影響面部容貌。Hallgrímsson 等[8]利用AI 技術(shù)對7 057 名受試者進行三維面部圖像分析，其中有3 327 名是綜合征患者，囊括396 種綜合征；727 名受試者是這些患者的親屬；剩下的3 003 名受試者既無相應(yīng)綜合征，也無類似疾病的親屬，即不相關(guān)也未受影響的受試者。結(jié)果表明，AI 對不相關(guān)也未受影響的受試者分類準確率高達96%。剔除不相關(guān)也未受影響的受試者，AI 對綜合征患者分類的平均準確率達78.1%，敏感率達56.9%?？梢钥闯龆咳S面部成像的深層表型在促進綜合征診斷方面具有相當(dāng)大的潛力。此外，值得關(guān)注的是綜合征患者的親屬常被AI 識別為綜合征患者。這或許揭示了患者親屬可能是未被發(fā)現(xiàn)的病例或者可能是半顯性遺傳的病例。

畸形綜合征患者有不同的面部畸形特征。這些面部畸形特征對于畸形綜合征的早期診斷很重要。土耳其的研究者利用AI 技術(shù)開發(fā)了僅通過簡單面部圖像數(shù)據(jù)便可以對脆性X、Hurler、Prader Willi、Down、Wolf Hirschhorn 綜合征進行分類的系統(tǒng)，準確率達86.7%，該系統(tǒng)有望被臨床專家用于畸形綜合征的預(yù)診斷[9]。

在口腔和頜面外科領(lǐng)域，DL 已被廣泛用于放射影像學(xué)中，解決復(fù)雜問題。CNNs 作為DL 方法之一，最常用于醫(yī)學(xué)影像中的器官劃分，相關(guān)疾病的識別、分類。頜骨的囊腫和腫瘤通常是無痛和無癥狀的，臨床很難早期發(fā)現(xiàn)。研究者使用深度CNNs 自動診斷全景照片上的雙側(cè)頜骨的囊腫和腫瘤，以協(xié)助口腔科醫(yī)生更有效地診斷和治療病人[10]。

1.2 人工智能在顱頜面相關(guān)手術(shù)治療中的應(yīng)用

恢復(fù)面部對稱性是面部麻痹的主要治療目標。為了治療面部麻痹需要對面部進行定量測量，但該過程的實施并不容易，不僅耗費時間，有時還需要昂貴和復(fù)雜的儀器。Hidaka 等[11]開發(fā)的實時面部不對稱分析軟件巧妙地解決了這些問題，不僅容易操作，還可以免費使用。這款軟件利用最新開發(fā)的AI算法對整形外科手術(shù)的主要目標--嘴和眼部的變形進行實時計算，從而實時顯示口腔和眼睛不對稱，重建癱瘓側(cè)面容。大多數(shù)人選擇美容手術(shù)都是希望變得更有吸引力。研究表明，快樂積極的面部表情通常會使一個人更加有吸引力和魅力。臺灣地區(qū)的一項研究希望通過增強積極的面部特征并減少負面的面部特征，以提高面部吸引力，達到個體化的美容效果。然而僅憑人眼觀察、記錄人類的面部微表情是很困難的。Li 等[12]通過AI 輔助的面部分析系統(tǒng)分析人類面部微表情，量化靜態(tài)和動態(tài)的面部微表情，為面部除皺等面部美容治療提供了更為準確的評估。

假體可以替代顱頜面缺損的結(jié)構(gòu)，從而恢復(fù)缺損部位相關(guān)的功能和美學(xué)。傳統(tǒng)的軟組織假體制造方法耗時且昂貴，對頜面整形技術(shù)的要求也較高，尤其在顏色匹配環(huán)節(jié)需要多次與患者缺損組織附近的皮膚進行比對，過程繁瑣且患者體驗較差。隨著三維數(shù)字技術(shù)的發(fā)展，假體制造過程與傳統(tǒng)方法相比，得到了一定程度的簡化，但手工著色硅樹脂缺少精確性，最后仍無法再現(xiàn)患者原有膚色。Mine 等[13]提出了一種基于人工神經(jīng)網(wǎng)絡(luò)的DL 算法，準確地再現(xiàn)了患者的皮膚顏色。由此可見，利用深度神經(jīng)網(wǎng)絡(luò)對頜面部假體進行著色是一種很有前景的修復(fù)技術(shù)。

如果術(shù)前可以預(yù)測術(shù)中出血量，對圍手術(shù)期的準備工作，尤其是稀有血型的備血等極為有利。另外，如果術(shù)前預(yù)估術(shù)中出血量較大，可能會影響對手術(shù)方案的選擇。Stehrer 等[14]利用了一種ML 的算法（隨機森林算法）來預(yù)測術(shù)中出血量。篩選了1 472 例接受正頜手術(shù)的患者，最終納入了950 例患者。其中80%的患者資料用于生成智能預(yù)測系統(tǒng)，20%用于測試該系統(tǒng)準確性。結(jié)果顯示，系統(tǒng)預(yù)測760 例術(shù)中出血量與實際出血量平均偏差7.4 mL。因此，此方法可應(yīng)用于正頜手術(shù)失血量的分析。

唇腭裂是口腔頜面部常見的先天性畸形，其手術(shù)標記和切口的設(shè)計是決定手術(shù)成敗的重要因素。為了降低唇腭裂手術(shù)的技術(shù)門檻，四川大學(xué)開發(fā)了一種基于DL 的新型機器人手術(shù)輔助技術(shù)。他們首先建立了一個唇腭裂手術(shù)定位數(shù)據(jù)集，用來訓(xùn)練模型定位手術(shù)標記和切口。其次根據(jù)數(shù)據(jù)集的特殊性設(shè)計了新的定位方法，大大降低了算法的復(fù)雜性。該模型較其他人臉特征提取方法有較強的優(yōu)越性和適應(yīng)性[15]。

2 人工智能在顱頜面外科中應(yīng)用的問題及挑戰(zhàn)

近年來，隨著AI 在醫(yī)學(xué)領(lǐng)域的飛速發(fā)展，在實際應(yīng)用中出現(xiàn)了許多新的問題及挑戰(zhàn)。有些問題并沒有標準答案，需要今后長期的實踐與探討。

2.1 數(shù)據(jù)問題

AI 系統(tǒng)的算法和統(tǒng)計模型是建立在數(shù)據(jù)集之上的，收集大量、高質(zhì)量的數(shù)據(jù)對于AI 系統(tǒng)的發(fā)展至關(guān)重要。然而從數(shù)據(jù)的采集、整理到儲存平臺的應(yīng)用都存在著各種問題和困境。

在大型臨床試驗的數(shù)據(jù)采集過程中，有些研究采用商業(yè)軟件、電子智能穿戴設(shè)備等進行數(shù)據(jù)采集，其安全性及有效性目前還是未知的。即使醫(yī)療機構(gòu)專業(yè)的數(shù)據(jù)采集設(shè)備也會因為錯誤的校準而導(dǎo)致測量誤差。不僅如此，數(shù)據(jù)集需要具有代表性，如果在采集過程中缺乏少數(shù)民族或群體，就會導(dǎo)致對這些群體的非代表性預(yù)測。對于數(shù)據(jù)的處理，在AI 系統(tǒng)使用前需將臨床指標數(shù)據(jù)化，并且需將數(shù)據(jù)濾過為一致和可用的格式，否則將影響臨床應(yīng)用。

其次，構(gòu)建大型高質(zhì)量的數(shù)據(jù)庫對于任何一個研究機構(gòu)而言，都意味著大量的人力、時間和資金投入。比較高效的解決辦法就是數(shù)據(jù)庫平臺共享，然而由于研究機構(gòu)采集數(shù)據(jù)時缺乏統(tǒng)一標準、各大數(shù)據(jù)庫的管理缺乏一致性，最后導(dǎo)致實際可用的數(shù)據(jù)庫是有限的，而且這些可用的數(shù)據(jù)庫的用途也是有限的。

2.2 安全問題

目前處于信息高度發(fā)達的年代，個人信息及隱私很難保證安全性。提供給算法公司的數(shù)據(jù)是否合法、是否安全、是否具有保密性，目前我國并沒有相應(yīng)的法律規(guī)定。為了防止個人數(shù)據(jù)在未經(jīng)同意的情況下被公司或者社會組織用于營利，歐盟、新西蘭、澳大利亞等國家已紛紛頒發(fā)相應(yīng)法律、法規(guī)捍衛(wèi)各自的數(shù)據(jù)主權(quán)[16]。

ML 數(shù)據(jù)輸入到輸出的過程被認為是“黑箱”，也就是說ML 無法提供其輸出的基本原理，這就使預(yù)防或者發(fā)現(xiàn)算法的缺陷和漏洞變得困難，也就無法保證其最終應(yīng)用于臨床的安全性。

AI 用于整形美容行業(yè)的同時，催生了一系列社會安全問題。有不法人員為了不受法律約束，有意將面部整形為其他人的模樣，竊取他人身份；或者有些愛美人士整容后，國家的面部識別庫無法識別其身份，為出關(guān)、辦理公務(wù)等帶來了不便[17]。

2.3 倫理道德問題

在臨床診療過程中，人文因素是必不可少的。有觀點認為機器人最終會代替人類，而醫(yī)生會面臨著失業(yè)的問題。在診療活動中醫(yī)患溝通是否可以被機器人取代，承擔(dān)法律責(zé)任的主體是機器人還是人，這些問題都需亟待解決。

在整形美容外科中，研究者將數(shù)據(jù)輸入，讓機器人建立美的標準，協(xié)助手術(shù)方案設(shè)計。這一行為可能存在種族、性別歧視的可能。不僅如此，還可能被認為傳播偏見和削弱人類形象多樣性[18]。

2.4 缺乏醫(yī)學(xué)與AI 交叉領(lǐng)域的人才

目前，我國對于醫(yī)學(xué)人才的培養(yǎng)并未涉及AI 知識的學(xué)習(xí)，導(dǎo)致醫(yī)學(xué)研究者無法評估算法輸出結(jié)果是否有意義；而工程技術(shù)人員欠缺醫(yī)學(xué)知識，無法確保AI 算法適用于臨床。所以，該領(lǐng)域的發(fā)展需要多學(xué)科合作及相關(guān)人才的培養(yǎng)。

3 總結(jié)

從20 世紀70 年代，AI 技術(shù)進入醫(yī)療領(lǐng)域至今，幾十年的發(fā)展使AI 技術(shù)已深入疾病的預(yù)防、診斷、治療、預(yù)后等方面，這既是挑戰(zhàn)也是機遇。AI 提供了一種解決問題的新路徑。在面對復(fù)雜的臨床問題時，除了傳統(tǒng)方法，我們還可以借助科技手段，更高效、準確地完成臨床工作。同時，對于臨床工作者也提出了更高的要求，在完善自身醫(yī)學(xué)專業(yè)知識和技能的基礎(chǔ)上，我們還需要與時俱進，不斷更新自身對跨學(xué)科領(lǐng)域新知識的儲備。

AI 技術(shù)目前還處于萌芽階段，還有很多發(fā)展瓶頸和亟待解決的問題。如何建立更有效的管理平臺，如何處理數(shù)據(jù)的安全問題，如何解決“人”與“機”的倫理問題，還有很長的路要走，只有解決好這些問題，AI 才能更好地服務(wù)于患者。