黃堯，饒南荃，張翔，呂聞冰，呂長海

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

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、學習等能力的技術(shù)，其子領(lǐng)域機器學習及其分支深度學習和卷積神經(jīng)網(wǎng)絡在兒童口腔醫(yī)學中已經(jīng)得到初步應用，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測，并獲得較好的效果。機器學習作為人工智能的重要技術(shù)，能夠從大量數(shù)據(jù)中自已學習規(guī)律，并利用未知數(shù)據(jù)進行預測［1］。深度學習模型具有多個隱藏層神經(jīng)網(wǎng)絡模型，能夠自動發(fā)現(xiàn)數(shù)據(jù)中的復雜模式，對復雜特征進行分類及預測，在圖像識別上展現(xiàn)出較好的效果［2］。卷積神經(jīng)網(wǎng)絡作為深度學習中最重要神經(jīng)網(wǎng)絡結(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)絡進行高級特征的學習和分類［2］。在信息技術(shù)高速發(fā)展的時代，大量醫(yī)學數(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?，F(xiàn)將AI 在兒童口腔醫(yī)學中的應用現(xiàn)狀綜述如下。

1 AI在兒童口腔影像學中的應用

兒童口腔影像學檢查包括根尖片、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)學中，深度學習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)絡模型，兩階段模型主要包括R-CNN 系列的網(wǎng)絡模型。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，比較不同深度學習模型在上頜前牙區(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%，表明深度學習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，其中該團隊設計的基于卷積神經(jīng)網(wǎng)絡構(gòu)建的Detect Net模型更適用于上頜前牙區(qū)額外牙。HA 等［8］基于深度學習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］利用兩種深度學習模型分別進行分割及分類任務，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)學圖像分割自適應框架的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，而其導致口呼吸可能導致牙頜面畸形的發(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、徑向基函數(shù)網(wǎng)絡的三個非線性模型，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習模型，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)訓練神經(jīng)網(wǎng)絡牙齡評估模型，實現(xiàn)了對特定人群的牙齡預測。

2 AI在兒童口腔疾病識別及健康評估中的應用

2.1 牙菌斑識別 牙菌斑是細菌黏附于牙面或修復體上形成的生態(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)絡牙菌斑識別模型，當口腔醫(yī)師和卷積神經(jīng)網(wǎng)絡模型同時對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)絡模型為0.724 ± 0.159，卷積神經(jīng)網(wǎng)絡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 齲病風險預測與識別 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］。機器學習在齲病預測方面應用最為廣泛。KOOPAIE等［20］通過唾液胱抑素S 水平結(jié)合機器學習實現(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)絡模型，在6個神經(jīng)網(wǎng)絡齲齒預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)，使用機器學習算法構(gòu)建齲齒風險預測模型，實現(xiàn)了對高風險齲齒患者的預測。PARK 等［23］基于4 種機器學習算法構(gòu)建齲齒風險預測模型，結(jié)果表明4 個預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，具有較好的預測效能。KARHADE 等［24］開發(fā)了一種自動機器學習算法，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)建立了基于機器學習的急性齲預測模型，獲得較好的預測效果。

鑒于深度學習在醫(yī)學圖像識別的突出優(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習模型，其中在未成洞齲的判斷上具備較大潛力。XIAO 等［27］設計了一款智能手機應用軟件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，從而及時采取相應的預防措施。

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，通過機器學習算法預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測準確性，獲得更優(yōu)模型。GAJIC等［30］利用機器學習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)計學方法對受試者性別分類與通過機器學習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、齲病預測與識別等兒童口腔醫(yī)學領(lǐng)域得到應用，但相關(guān)報道仍較少，在臨床上也未得到廣泛應用。AI 也存在諸多局限性，主要包括：①兒童配合度差、解剖發(fā)育復雜、各醫(yī)院影像采集設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 的應用。雖然AI在兒童口腔醫(yī)學中仍處于起步階段，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防、診斷、治療、預后預測等方面有更大突破。