2023辅助口腔颌面医学影像学的研究现状与展望

被广泛用于图像分析与影像质量提升。本文主要阐述深度学习用于口腔颌面影像以及法医学牙齿鉴定方面的研究进展；并分析目前研究的局限以及展望未来的发口腔颌面医学影像，如□内X线片(根尖片、口翼片等\口外X线片(曲面体层X腔颌面影像中的主要应用包括图像分析与影像质量提升。目前相关研究多处于临床应用前阶段，并逐步走向临床应用[2]o本文主要阐述深度学习用于口腔颌面医学影像图像分析方面的研究现状，并分析目前研究的局限以及展望未来的研究方一、口腔颌面医学影像领域深度学习研究现状深度学习在口腔颌面医学影像分析中的主要应用包括：①牙及颌面部其他解剖结卷积神经网络(convo1utiona1neura1networkzCNN)是目前医学图像深度学习研究应用最多的算法。深度学习研究中检测及分类任务常用评价指标包括：准确者操作特征曲线、PR曲线(precision-reca11curve)等。分割是划定图像中兴趣区域的轮廓，是像素级别的检测,常用评价指标包括准确度、DiCe相似系数层X线片解剖结构的检测和识别方面,CheFasterR-CNN模型建立牙齿自动检测和识别方法，精确率和召回率均超过0.9o［4］及Kihc等［5］采用FasterR-CNN模型别有助于数字化口腔诊疗的开展。牙齿的自动分割可用于疾病诊断及正畸、修复中数字化模拟和设计。颌骨的分割及解剖标志点的识别可用于头影测量、手术设计等。颌骨中精细解剖结构的分割也有重要意义，如上颌窦、下颌管的分割可用于种植、智齿拔除及其他外科手术的风险评价。多数锥形束CT深度学习相关研究基于数十例至百余例的小样本数摘7,8,9]oCUi等[10]建立了目前最大的锥形束验丰富的影像专业医师相当。还有研究报道了颌骨精细结构如下颌管的自动检测[11,12]o笔者课题组采用基于U病变。目前已有较多研究报道X线片弱病的自动检测、分类与病变分割86.1%~96.1%[17]0Zheng等[18]进行小视野锥形束CT慢性根尖周炎的自动检割淋巴结；最新的模型检测颈淋巴结转移AUC可达0.95,超过2名从业超过20对淋巴结转移诊断的准确度与放射科医师相似，远高于外科医师及医学生。肿瘤预后方面,Fujima等［30］使用正电子习的口腔癌患者预后预测模型，与传统T分期影像专业住院医师水平相当［12］o测量标志点的自动定位及测量［34z35,36,37］,或直接对颌骨进行分类诊断准确度与医师手工测量相当［39］o朱玉佳等［40］将深度学习与赋权普氏分析算法结合，用于三维颜面正中矢状平面的自动构建，结果与专家确定平面的角度误差仅为0.73。±0.50。.此外，深度学习还被应用于颈椎成熟度分期判断骨龄［41］,以及辅助治疗决策，如决定牙齿是否拔除等［42JO开发了基于深度学习的根尖片牙周炎自动诊断系统，前磨牙牙周炎诊断准确度为 0.73o统识别及种植术后并发症诊断［46z47,48,49,50Jo由于市场上存在许多品牌及型号的种植体，如何准确分辨这些种植体具有重要意义。口腔种植深度学的一个热点即通过根尖片和曲面体层X线片识别不同种植体系统［47,48］,已有研究显示深度学习系统对种植体分类的准确性超过参与研究的多数医师［51］o在种植术后并发症的诊断方面，有学者探索深度学习用于种植体折断的检测［49,50］,准确度较局(7)其他疾病：如颗下颌关节疾病、颌骨骨折、上颌窦炎症、骨质疏松、舍格伦综合征等影像学诊断中亦有深度学习的相关报道［52,53,54,55Jo题下颌关节疾［56,57Jo较多口腔医师对题下颌关节盘移位的o3.法医学牙齿鉴定：深度学习也可用于法医学牙齿鉴定，包括年龄推断、个人识别等。年龄推断方面，采用CNN评估曲面体层X线片智齿发育阶段可判断年龄利用曲面体层X线片的下颌骨形态参数确定性别，准确度达0.75。二、口腔颌面影像领域深度学习研究的局限学习模型具有良好的性能，但其可推广性尚未得到充分验证。这些研究主要聚焦于开发人工智能模型的数据集常较小，且多为单中心研究，使用同一机构的图像通过交叉验证进行测试，很可能导致模型的过拟合。已有学者报道深度学习模型在其他机构的图像上测试时性能变差［63,64］o像领域人工智能研究存在较高的风险偏倚［17］O部分研究的数据集来源和数据3.深度学习的不透明性及脆弱性:深度学习模型自动提取复杂的数据特征,并从原始数据中优化加权参数，学者无法推断其决策过程，被认为是黑箱模型。算法的不透明性可影响深度学习模型在临床的使用与人工智能设备的监管。同时，深微小改变即可导致模型作出明显错误的判断4.研究任务较单一：目前口腔颌面影像领域人工智能研究多基于单一影像手段对见病、罕见病的研究较少。多数口腔医师对罕见病的诊断经验较少，针对此类疾病开发人工智能诊断模型也具有重要意义。5.伦理与法规：医学影像领域人工智能产品的开发及临床验证需要大量的医疗数人工智能产品的研发及临床验证均有重要的意义。深度学习模型通过不同中心、不同时点的大样本数据训练，才能学习到病变的关键图像特征，避免过拟合，才具有可推广性。我国临床患者众多，口腔颌面影像数据量大，但缺乏完整的结构化数据。数据集的收集及人工标注费工费时、缺乏统一标准。提升数据标注规范性与准确性、提高标注效率，是目前研究亟待解决的问题。建议出台相应的数据智能研究的不足，部分专家及学者提出医学影像人工智能研究指南以提高研究的严谨性与规范性。未来口腔领域人工智能研究应遵循标准化的报道格式，以更严格的科学标准进行研究设计，减少偏倚的风险，便于研究成果的评对深度学习模型缺乏可解释性的问题，可应用梯度加权类激活映射生成热图，显性,可进行对抗性训练或采用复杂性较低的模型以增加模型的稳健性[70]o4.从单一疾病的人工智能诊断模型向综合医疗辅助系统发展：目前的口腔颌面影床实际工作场景不同。