2024人工智能在龋病诊疗中的应用.docx

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%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(artificialneuralnetwork,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99.2%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，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复治疗成败相关41。虚拟仿真技术作为实体应用的AL通过模拟现实环境、事件或情境的智能技术，达到创造逼真、可交互虚拟体验的目的。笔者团队及国内多家院校近年将虚拟仿真技术运用于踽病治疗的临床前培训，证实其可增加学生训练机会，提高操作技能考核成绩42,43,同时实现考核评估全程化，直接或间接促进了医师临床技能的提升44,45。在口腔修复领域，机器人已得到广泛、深入的研究并且少数已应用于临床46,与之相比，AI辅助踽病治疗技术尚处于起步阶段。由于弱病治疗操作空间狭小、操作精度高，用于弱病治疗的AI完全自动化处理仪器的研发和应用具有技术难度大、操作复杂的特点，患者接受度和市场需求也是影响其研发投入的潜在因素。结合弱病发病和治疗的特点，增强诊断精准度、优化治疗方案、提高诊疗效率是未来AI在踽病治疗领域的发展方向，其进步有赖于新型工具和材料的研发、算法的优化及智能化的提升。三、Al在踽病风险评估中的应用基于踽病风险评估的全生命周期踽病管理是现代踽病临床预防和治疗的关键策略47。目前Al进行踽病风险评估与预测的模型主要分两类：利用经典统计模型评估人口统计学和环境因素的贡献，不考虑微生物因素或仅考虑少数传统踽病风险标志物如变异链球菌、孚Lff菌等48z49,50；以利用统计或机器学习模型识别晶病相关微生物类群及其差异丰度为主,兼顾人口统计学、环境因素和其他因素51,52,53,54o此外，少量研究基于患者自身单核甘酸多态性(singlenucleotidepolymorphism,SNP)或唾液电解质成分进行踽病风险预测55,56f或基于性Slk年龄、牙齿解剖结构等预测下颌第二磨牙等特殊牙位患踽风险及根面弱等特殊部位踽病的发病风险57,58。1.基于人口统计和环境因素的AI弱病风险预测:全生命周期踽病管理理念认为，应针对备孕期、孕期、婴幼儿期、学龄前期和学龄期、青春期、成年期、老年期不同年龄阶段患者的生理特点，进行踽病的群体管理；针对包括社会因素、经济与教育因素、全身因素、口腔局部因素、唾液因素、微生物因素、氟保护因素、饮食因素的不同风险因素和风险程度，进行踽病的风险评估和个性化管理59。Al与人口统计学等社会因素、临床检查及口内数码照片相结合已用于儿童及老年踽病预测，预测模型的受试者操作特征曲线下面积达07770.9149z50oAl与环境和遗传因素相结合已用于构建青少年弱病风险预测模型，训练集和验证集的受试者操作特征曲线下面积分别为0.78和0.7360。在一项为期10年的前瞻性队列研究中，研究者分别采用决策树、随机森林和极限梯度提升（XGBoost）算法构建模型并进行逻辑回归分析，以开发和验证乳牙及恒牙篇病风险预测模型，依据639名15岁儿童的人口统计学、社会经济、社会心理、行为和临床因素数据，结合踽病检测和评估结果，发现所有模型预测随访2年的乳牙患踽的受试者操作特征曲线下面积均大于0.70,研究初期的踽病严重程度是最重要的预测指标；患踽经历、含氟牙膏使用、糖摄入频率、父母受教育程度、父母对孩子口腔健康的认知等则是恒牙患踽的主要预测因素。该研究提示将AI与以上指标结合可用于儿童乳牙和恒牙踽的预测48。2.基于菌斑或唾液微生物的AI踽病预测:快速基因组测序技术的问世为认识踽病致病微生物群落结构、研究群落差异和功能提供了良好契机，而AI赋能于由此产生的海量数据则为踽病诊断和预测提供了新途径。2015年，笔者团队采用随机森林机器学习方法构建婴幼儿踽病评估和发病风险预测模型，对50名4岁学龄前儿童进行为期2年的追踪观察，分析其菌斑和唾液的微生物组成，鉴别与年龄、患弱程度相关的微生物种属51。研究发现，该模型对早期儿童踽（earlychildhoodcaries,ECC渗断准确率达70%,对健康样本未来ECC发病的预测准确率达81%51。此后，多项研究将菌斑样本测序与机器学习结合，用于儿童踽病及严重ECC发病预测52,53,54。为兼顾踽病发生的多因素特点，Wu等61基于LASSO回归创建多因素机器学习模型，将口腔菌斑样本中的微生物组数据与人口统计学、环境因素等相结合，发现与儿童踽病发生的相关因素为变异链球菌、栖组织普雷沃菌、黏液罗氏菌、念珠菌等微生物及较低的刷牙频次；与母亲踽病发生的相关因素则为变异链球菌、念珠菌及较高的菌斑指数。以上研究表明，AI对异质化结构数据的强大处理能力与大数据的海量信息相结合，为踽病预测提供了新模式。四、应用与挑战健康中国2030规划刚要指出,要加大慢性病防控力度,强化早诊断、早治疗、早康复，实现全民健康；探索推进智能健康电子产品和健康医疗移动应用服务等发展62。在学科深度交叉融合的背景下，踽病智能诊疗的未来前景广阔。AI已在踽病诊断、治疗、预测等领域展现出潜在的强大优势：Al影像诊断有利于提供客观指标,克服检查者的主观性,实现踽病诊断的精确与高效；可整合来自不同领域的异质化结构数据，例如系统性疾病史及口腔病史、社会人口和临床数据、图像数据、生物分子数据、社交网络数据等，了解数据之间的关联和作用，进行弱病的精准预测；基于手机网络的图像识别与AI结合,有利于患者主动参与龈病管理，从而降低诊断和治疗成本，助力远程医疗，打造医患互动新模式63；诊断技术的进步及虚拟仿真技术在临床前培训中的应用，有利于提升医师操作技能，提高诊疗效率，优化治疗方案。然而，AI在踽病临床诊疗中的应用尚未进入常规医疗实践，还面临诸多挑战：出于对患者隐私和数据的保护，难以实现大规模的数据共享64；数据驱动的Al依赖于计算方式，而其计算方式缺乏可解释性和透明度，其工作原理的黑箱特性不利于增加人们对其临床治疗价值的信任度65；经典计算机的计算能力已基本饱和，成为制约Al发展的因素之一，亟需量子计算提高数据处理能力66;目前多为小样本回顾性研究，难以避免混杂因素和偏倚63:在不同研究中使用不同的神经网络模型和结果评价指标，增加了对其可靠性评估的难度67。基于以上，未来AI在踽病诊治的临床实践中应建立完善的评估和监管机制，对涉及患者隐私的数据进行去个人特征化，使之符合伦理要求；建立标准化、规范化的数据库，使用规范的概念和术语、明确数据原则、评价指标以减少数据来源的异质性；开发各种计算方法，理解并解释其计算方式，增加透明度和可解释度；提高计算能力，实现监督式学习向无监督或半监督学习模式的转变；开展设计严谨的前瞻性临床研究或大规模队列研究，以完善科学理论体系并获得循证依据。