人工智能技术在口腔正畸诊疗中的应用研究进展

2022 年 5 月 1 日 专知

近年来，人工智能技术发展迅速，已逐渐应用于临床影像资料处理、辅助诊断及预后评估等领域，研究表明，其能简化医生临床任务，快速提供分析处理结果，具有较高的准确性。在口腔正畸诊疗方面，人工智能可辅助用于二维及三维头影测量快速定点，此外，也广泛应用于三维牙模信息的高效处理与分析，并在决策正畸治疗是否需要拔牙、辅助判断生长发育阶段及正畸预后和美学评估中具有优势。尽管目前人工智能技术的应用受限于训练数据资料的数量与质量，但将其与正畸临床诊疗相结合，可提供更快更有效的分析诊断，为更准确的诊疗决策提供支持。本文就目前人工智能技术在口腔正畸诊疗中的应用进行综述，以期正畸医生在临床中理性看待和合理使用人工智能技术，让人工智能更好服务于正畸临床诊疗，以促进口腔正畸智慧化诊疗流程进一步发展。

近年来，人工智能（artificial intelligence，AI）技术的发展为实现快速、精准的医学诊疗带来希望，作为利用计算机研究、模拟、延伸和扩展人的智能的技术，AI在医学诊疗中的优势在于能够分析并处理大量临床数据以实现疾病的预测和诊断，提高临床诊疗效率并降低误差［1］。其子领域机器学习（machine learning，ML）及其分支如人工神经网络（artificial neural network，ANN）、卷积神经网络（convolutional neural network，CNN）、深度学习（deep learning，DL）、支持向量机（support vector machine，SVM）等已被广泛应用于正畸临床影像资料处理、辅助诊断等领域，协助正畸医生进行分析诊断及制定治疗计划，可显著提升医疗水平及效率［1⁃2］。本文就目前AI技术在口腔正畸临床诊疗中的应用进行阐述。

1. AI在辅助二维头影测量中的应用

二维头影测量是通过对 X 线侧位片中的点、线、角等进行标记与测量，辅助分析颅面结构特征的常规诊断过程。其中头影测量标志点的准确定位是影响分析诊断的重要因素。传统的头影测量标志点定位多受医生经验与偏好的影响，有很大个体差异［3］。而一些用于自动定点的软件准确率有待提高（约 75%），与之相比，用 ML 定位标志点的准确率可提高 5%～15%，并降低耗时，提高医生诊疗效率［3］。有研究使用 CNN 定位 23 个常用标志点，平均误差为（1.37 ± 1.79） mm，准确率达 88.43%［4］；Lee 等［5］应用 CNN 对 18 个标志点自动定位，平均误差（1.53 ± 1.74）mm，在 2、3、4 mm 误差可接受范围内，定位准确率分别为 82.11%、92.28% 和 95.95%，与 Song 等［6］的研究结果一致，而对于定位较为困难的上牙槽座点、下颌角点等的定位准确率也有显著提高［5］。也有学者利用 SVM 自动定位蝶鞍点、下牙槽座点等 5 个标志点，平均准确率达 98%［7］。上述研究表明，基于 AI 的自动化定点系统具有较高的准确度，可以作为正畸头影测量分析的辅助工具，提高头影测量定点及分析效率［6，8］。然而侧位片解剖影像重叠影及用以学习训练的侧位片数量会影响其定位准确性，因此，在训练数据量较少或变异较大的情况下达到所需准确度仍是一大挑战。

2 AI在辅助三维CT影像分析中的应用

2.1 AI与CT分牙

从计算机断层扫描（computed tomography，CT）影像分牙是重建牙齿三维模型、进行计算机辅助诊断和治疗的基本步骤。目前在 CT 影像分割牙齿具有如下难点：①正常咬合接触时，上下牙齿重叠部分由于灰度值变化不明显，导致上下牙分割不清；②牙根与周围牙槽骨密度接近，很难将两者完全分开；③高度相似邻牙相互干扰，导致牙齿识别有误［9⁃10］。传统分牙技术，如水平集法、基于模版的拟合法等，需要较多的人工交互，分牙准确性及效率都不甚理想［9，11］，与之相比，利用 AI 技术可在 CT 影像中实现自动、准确的牙齿分割。目前在分牙方面应用最多的 AI 技术是 CNN，平均准确率可达 94.17%，且能通过优化算法，解决 CT 影像强度不均［11］、周围解剖结构及牙齿边界不清［10⁃12］、解剖形态和位姿不同［9］以及修复体金属伪影［13］对分牙的影响，提高分牙的准确性和普适性，实现临床分牙操作全自动化［9⁃10，13］。用于训练的数据集是影响 AI 性能的一大因素，增大数据集虽可提高分牙准确率，但也会增加计算负荷，降低其实用性，AI 技术与传统分牙技术的结合可能会是提高分牙准确率的有效途径［12］。

2.2 AI与三维头影测量定点

在三维头影测量中，人工定点较为费时且十分依靠医生经验，传统的自动定点方法［14⁃15］，虽较人工定点显著降低操作时间，但由于个体解剖学差异而缺乏灵活性，并且容易受到数据多样性的影响，导致定位偏差较大［16］。研究表明，应用 ML 可自动、快速地在 CT 影像中定位标志点，此类方法具有较高的灵活性，能兼顾多个标志点的空间位置关系，降低计算负荷［17⁃18］。但对于定位准确性，有研究应用 ML 对 14 个标志点定位，平均偏差达 3.40 mm，高于手工定点（1.41 mm）［15］，这与 Yun 等［19］的研究结果一致；而 Ma 等［18］应用 CNN 对 13 个常用标志点定位，平均误差高达 5.78 mm；此外 Lachinov 等［17］应用 CNN 定位眶下点及耳点，结果表明在 4 mm 误差范围内，定位准确率达 97%，然而在 2 mm 误差范围内，准确率降至78%。由此可见 AI 在 CT 定位标志点的准确性不足以达到临床需求［16］。这可能与如下因素有关：① 一些标志点本身影像结构重叠不清或无明显图形特征；②用于训练的数据集有限。因此仅推荐将现有的 AI 技术用于标志点的初步定位，在进行进一步测量分析之前，须手动校准。

3 AI在辅助三维数字化牙模分析中的应用

三维数字化牙颌模型可通过口内扫描仪或牙科模型扫描仪获取，其通过对扫描数据处理及曲面重建，再现牙列三维信息，具有高精确性、可重复性的特征。对三维数字化牙模进行分牙是利用正畸 CAD 软件进一步加工与设计，辅助医生诊断及制定治疗方案的基础环节，如测量牙齿参数、模拟牙齿运动以及排牙实验等。以往的CAD/CAM 软件，如 3Shape、Implant3D 和 OrthoCAD 等，虽然在一定程度上实现了自动化牙齿分割，但由于正畸 CAD 系统中交互操作的复杂性和高度的人工干预导致其分牙效率较低［20］；同时对于牙列拥挤、牙齿缺失和边界重叠等问题缺乏鲁棒性［21］，分牙效果不理想［1］。AI 技术在医学诊疗中具有降低时间成本和人工交互方面的优势，可以显著提高准确性和效率。Tian 等［20］研究表明，应用 CNN 在数字化牙模分牙准确率达 89.81%，具有较好的稳健性；Xu 等［21］在 CNN 基础之上，采用模糊聚类法细化牙齿边界，分牙准确率高达 99.06%。而 Hao 等［22］基于 DL 的分牙模型，仅需 24 s 即可完成分牙操作，显著低于手工分牙（约15 min），且准确率达96.9%。由此可见，AI 在数字化牙模分牙具有高精度、高鲁棒性、较少的人工干预等优势，能显著提高分牙效率，对提高正畸 CAD 系统的智能水平具有重要意义。但目前应用也有一定局限性，如对于形态极复杂牙齿、高度相似牙齿等分牙水平有限。

4 AI 在辅助判断骨性分类与生长发育阶段的应用

在正畸临床中，准确诊断患者错畸形类型及明确其所处于的生长发育阶段，对于确定矫治时机、判断畸形程度、选择合适的治疗方案及判断预后具有重要意义。有学者应用 CNN 辅助诊断垂直向和矢状向骨性分类，平均准确率分别达96.40%和95.70%［23］，这种高性能表现说明 AI 在此领域具有很大应用潜力。此外，由于 SVM 在解决分类及回归问题上的优越性，其在辅助诊断骨性分类方面也具有应用价值，准确率可达 74.51%［24］。对于生长发育阶段，有研究应用 ANN 在侧位片分析颈椎生长发育阶段，平均准确率为77.02%［25］，与Makaremi 等［26］应用 CNN 对颈椎发育的研究结果相似，准确率虽有待提高，但也在一定程度上表明 AI 可以辅助正畸医生对生长发育阶段做出准确评估［25］。

5 AI在辅助制定正畸拔牙方案的应用

制定拔牙方案是正畸临床常见难题之一，不仅取决于客观测量分析，更与医生临床经验、专业知识等紧密相关，因此不同医生所做的拔牙诊断有所差异，对于没有经验的年轻医生，制定拔牙方案更具一定难度。研究表明可利用 AI 技术建立辅助诊断模型，帮助医生制定拔牙方案。有学者应用 ANN 建立专家系统，通过对 23 项分析指标计算，判断 11～15 岁青少年患者是否需要拔牙矫治，准确率达 80%［27］；Jung 等［28］基于 ML 的诊断模型准确率可达 93%。此外，利用 ML 诊断Ⅱ、Ⅲ类错畸形手术患者是否需要拔牙，准确率分别为 97%、88%［29］。准确率的提升一方面源于 AI 性能的不断优化，另一方面则源于训练集的数量大小、分析指标的选择等不同。对于拔牙方案的选择，目前研究仅限于常规拔牙模式，即第一、二前磨牙对称拔除与否，准确率达84%［28，30］。上述研究表明 AI 在制定拔牙方案方面具有良好的辅助诊断能力，可降低医生治疗决策的主观性，在正畸临床具有较大的应用价值。但是 AI 辅助制定拔牙方案也有局限性，如病例类型、拔牙方案选择有限等。纳入更多的影响因素，如患者主诉、错类型、非常规拔牙等，能综合提升 AI 在此领域的性能，更好的服务于正畸临床。

6 AI在辅助预后及颜面部美学评估中的应用

6.1 AI与正畸治疗预后评估 AI 在正畸治疗预后评估方面的主要应用之一是对软组织治疗结果的预测。有研究利用 ANN 预测拔牙与非拔牙矫治后上下唇曲度的变化，对上唇和下唇的预测值和实际值的差异分别为 29.6% 和 7% ，均优于传统的基于线性回归的预测方法［31］。而利用 ANN 对Ⅱ类患者治疗后正畸疗效评价标准（peer assessment rating index，PAR）指数进行预测，其准确率可达 94%，也优于传统的线性回归预测模型（82%）［32］。6.2 AI与颜面部美学评估在颜面部美学评估方面，传统的颜面部美观根据患者或正畸医生的主观评分来衡量。首先，颜面部协调美观的标准并不能反映人们对美观的具体感知力；其次，美观评估所涉及的主观性太强，影响因素众多，难以做到协调统一。研究表明 AI 可以通过表征特定面部特征及其组合，对颜面部美学进行客观、可重复的评估［42］。有学者利用 CNN 对正颌手术前后患者的颜面美观变化进行量化评分，结果表明术后美观评分提升 74.7%，与术前有显著性差异［33］。此外，应用 SVM 在颜面美学评估的一致性与 69 名正畸专家相比可达 71.8%，具有一定的可靠性，是一种有前景的面部美学评估方法［34］。由于对颜面部美观的判断与评估本质上是主观的，可靠的美学标准需要大量的评分数据，因此基于 AI 的美学评分系统需要进一步完善和细化。

7 其他

随着无托槽隐形矫治技术的不断发展，上述 AI 技术在正畸诊疗中的应用也得以综合体现。结合数字化口腔大数据，如 X 线侧位片、CT 影像、三维数字化模型等，AI 技术可综合应用于二维及三维影像分析、数字化模型处理、辅助诊断、排牙设计、医生交互等整个无托槽隐形矫治流程，提高诊疗效率及信息交互的有效性、准确性。如时代天使 A⁃Tree 系统，应用 ML 收集标准牙齿形态信息，建立标准牙齿模型库，然后用实际模型与牙齿库模型的配准关系自动识别咬合特征点，实现精准的诊断排牙，而不受医生技术条件限制。又如 masterEngine 人工智能多模态生物数据平台、智能根骨系统等更高智能化的平台，能够帮助医生更方便、更准确地完成矫治前期诊断、矫治目标设计、矫治过程监控等高技能工作。

8 总结与展望

将快速发展的 AI 技术与正畸临床诊疗相结合，可提供更快更有效的分析诊断，为更准确的诊疗决策提供支持。数据资料的丰富性仍是 AI 应用中的一大限制因素，有待拓展和完善，以不断提高 AI 系统的准确度。ML 基于人类开发的知识进行运作，故AI 并不能代替人类，人类须在分析、诊断、规划中发挥主导作用。对 AI 引导的正畸诊疗模式进行大样本临床研究，以期建立一套规范、完整的口腔正畸智慧化诊疗流程，是未来研究的主要方向。

专知便捷查看