深度学习技术在口腔医学中的应用研究

2022-11-17 16:11  来源:口腔医学
作者:谢理哲 樊瑜波 阅读量:12330

    基于人工神经网络的深度学习技术拥有强大的特征提取和学习能力,能够合理处理复杂信息,并从中学习隐含规律,在各种智能任务中表现出优越性能,具备巨大的应用潜力。作为人工智能领域近年来最热的研究方向之一,深度学习的迅速发展受到了学术界和工业界的密切关注,在音频、图像和自然语言处理等领域得到了广泛应用。
    在计算机图像领域,深度学习技术彻底改变了以人工视觉特征计算为基础的传统处理流程,在图像分割和分类(判别模型),图像理解和内容生成(生成模型)等问题上都表现出更高的性能和显著的优势。深度学习的概念最早由Hinton在2006年提出,为学习和利用“深度”人工神经网络(隐藏层层数多于浅层层数),以原始数据为输入,以目标任务为输出,具备端到端学习能力的机器学习技术。
    2012年Krizhevsky等利用GPU实现了一个深度神经网络,在ImageNet的比赛中取得了突破性进展,其在大规模图像分类任务上Top5分类精度达到了84.7%,比第二名使用的Fisher向量编码算法要高约10%,而GPU的使用大大缩短了数据处理时间,自此深度学习的应用快速增长。发展至今,已有众多基础网络结构被提出,常用的包括多层感知器(multilayer perceptron,MLP)、卷积神经网络(convolutional neural networks,CNN)、Transformer模型等。深度学习模型的训练通常以大量的数据为基础,训练方式可分为监督学习、无监督学习以及半监督学习。
    监督学习利用大量带标签值的训练数据集学习得出模型,可根据该模型预测新数据的对应结果。无监督学习不依赖标签值,样本数据类别未知,通过挖掘数据内在特征,找到样本间的关系,对样本集进行分类。半监督侧重于在有监督的分类算法中加入无标签值样本来实现半监督分类,以增强分类效果。
    在临床医学的应用中,深度学习最突出的应用是在放射学和病理学的大型数据集中检测异常状况,甚至预测治疗效果。在口腔医学领域,国内外学者高度关注该技术并展开了大量的研究工作,现阶段已有的应用研究主要为智能预处理、智能诊断与治疗几个方面。
    智能预处理主要指利用计算机技术对影像数据优化、分析,以降低医生重复工作量,提高工作效率,常见的应用如自动定位,自动分割等;智能诊断与治疗是指利用计算机技术有效结合影像信息和医生经验,实现疾病的自动鉴别诊断、治疗计划制定、治疗效果评估等功能,如肿瘤的识别和分类,生存率预测等。
    1.影像预处理
影像数据的预处理作为辅助诊断和治疗计划制定的前期基础,近年来愈加重要。最早深度学习技术被应用于提升影像质量。Xie等、Gjesteby等将深度学习技术引入CT影像的重建中以减少伪影的影响。Dai等、Yang等尝试利用对抗生成网络等深度学习技术完成基于稀疏角度的低剂量CT/CBCT重建,重建所需的最低剂量可降到原有剂量的1/10。深度学习对影像质量的改善降低了后续智能分析的实施难度。
    深度学习技术在影像自动分割中的实践,使得临床医生不再困扰于边界和阈值的选择,更专注于解剖结构的分析。Zheng、Qiu等研究小组将深度学习技术应用于上下颌骨自动分割并获得较好效果。Li等基于RCNN对曲面体层片进行单独标注以实现牙齿的自动分割,精度达85.8%。
    Zhu等利用深度学习技术在MRI影像自动分割方面取得了一系列突破,结果表明深度学习在颅面肿瘤切除和自由皮瓣重建的3D虚拟规划中具有潜在应用价值。Leonardi等研究了CBCT扫描中鼻腔和咽部气道基于深度学习的自动分割算法,以探索面部类型与生长发育之间的关系以及气道治疗改善的潜力。
    深度学习在分割上的良好表现,是实现智能诊断的基础。基于自动分割结果,研究者尝试了深度学习在自动识别和定位中的应用,Tian等基于多层网络探索三维模型上牙齿的自动分割和分类,解决了高度相似牙齿的误分类问题,其中高相似度牙齿的分类精度可达88.06%,分割精确度可达89.81%。Chen等研究了基于深度学习的牙齿自动检测与编号方法,以口腔医生手动标注的测试数据集为对照,结果表明该方法的精确度和召回率均超过90%,诊断性能接近初级口腔医生水平。
    Tuzoff等提出了根据牙齿轮廓、牙齿的空间排列规则自动检测曲面体层片牙齿及编号的方法,以专家评估结果为对照,发现该解决方案的灵敏度、精度、特异度与专家水平相当。章一帆等通过深度学习方法自动定位根尖片拍摄区域,基于已确诊患牙的2500张根尖片数据集,口腔医生人工判读结果作为对照。
    结果表明,相较于人工判断,深度学习具有更高的正确率和效率。以上研究显示了深度学习技术在影像预处理方面具有降低医生劳动强度和医疗风险的潜在价值和前景,有着广泛的使用前景和巨大探索空间。
    2.牙体牙髓病学
    深度学习技术在牙体牙髓病中的应用较早,被广泛应用于影像鉴别、早期诊断等多个方面。Hiraiwa等针对曲面体层片下颌第一磨牙远中根多根管中可能出现的重叠、变形等采集问题导致的判断疏漏,利用Alexnet实现曲面体层片下颌第一磨牙牙根形态的全自动分类。该研究以CBCT图像为参照,分析了400例患者未经根管治疗的760颗下颌第一磨牙曲面体层片,确定远中根根管数目的诊断准确度为86.9%,研究表明深度学习技术具有牙根诊断分类的潜力。
    全球有约90%的人口有不同程度的龋齿,龋病亦是历年来的研究热点。Lee等基于三千余张根尖周X线片的数据集实现龋齿的自动检测,实验结果表明上颌前磨牙区域的精度为89%,上颌磨牙的精度为88%,下颌前磨牙和下颌磨牙的精度为82%。Schwendicke研究组和Casalegno研究组基于卷积神经网络实现了近红外光透照图像中的龋病病变,该方法采用两百多个样本的数据集完成训练。
    Zhang等基于卷积网络,实现了口腔照片中龋齿的自动检测,该方法采用的数据集包含389名志愿者的3632张图像,精度达90%以上。上述研究成果表明,深度学习方法有望广泛应用于龋齿检测,可在学校、养老院等非常规牙科环境中应用,便于对大规模人群进行初步的、低成本的龋齿筛查。
    游文喆等基于1201组牙菌斑染色后乳牙照片,利用CNN建立牙菌斑智能判读系统,对107组未染色的乳牙照片进行菌斑识别,预测的菌斑区域与染色后实际菌斑区域的平均重叠率为0.73,与医师标注组相当(0.75),该应用有望对家用设备所拍摄的口内照片进行菌斑量及分布区域的初步判断,利于龋病的早期防治。
    Fukuda等利用卷积网络在曲面体层片中诊断牙根纵裂(vertical root fracture,VRF)。采用300幅曲面体层片图像的数据集,其中330颗患牙VRF且折裂线清晰可见。以两名放射科医生和一名牙体牙髓科医师对VRF线的判读结果作为参照,精确度93%,召回率75%,结果表明深度学习可用于检测曲面体层片上的VRF。
    Ekert等在曲面体层片上基于2001个分割段的集成数据集检测根尖病变,精度达80%以上,磨牙灵敏度明显高于其他牙齿类型,而特异性较低。Orhan研究组使用CNN筛查口腔图像中根尖周病变,利用基于109例患者的153例根尖周病变的数据集,成功检测出病变牙位并编号,准确性为92.8%,测量的病变体积与手动分割结果无统计学差异。
    Iizuka研究组采用更大的具有3099个样本的数据集,以24名口腔医生的评估为对照,发现深度学习的检测性能与医生的平均诊断性能相当。以上研究结果显示深度学习方法具有检测放射图像上的根尖周病变的潜力。
    3.牙周病学
    Krois等将CNN应用于曲面体层片智能诊断牙周疾病导致的牙周骨吸收,以6位口腔医生的评估结果作为对照,平均准确度可达81%,且评估水平无统计学差异,该方法甚至比人工评估具有更低的敏感度。
    Chang等使用深度学习方法在曲面体层片上自动检测到每颗牙齿的牙槽骨吸收,并对牙周炎进行自动分期,以放射科医师诊断结果为参照,其在牙槽骨吸收的自动诊断和牙周炎分期中表现出高精度和出色的鲁棒性。
    Lee等基于CNN诊断和预测牙周炎,采用1740个样本的数据集,结合预训练的CNN模型和自训练网络,诊断前磨牙和磨牙牙周炎的准确性分别为81.0%和76.7%;然后使用临床确诊为重度牙周炎的64颗前磨牙和64颗磨牙数据集预测前磨牙和磨牙需拔除的准确度分别为82.8%和73.4%。深度学习有望诊断和预测牙周炎,辅助治疗计划的制定。
    4.口腔外科学
    近年来,深度学习技术在口腔外科领域的研究发展迅速,已在多个方向开展应用。Vinayahalingam等利用深度学习技术基于下颌阻生牙的牙根与下牙槽神经的接近程度智能评估风险,以避免阻生牙拔除后发生神经损伤,优化治疗计划,但算法需进一步改进以提高准确性。Kuwada等验证和比较了3种深度学习算法在曲面体层片上颌埋伏多生牙分类中的有效性。
    Fukuda研究组和Liu研究组比较不同网络在评估下颌第三磨牙和下颌管之间关系发现不同网络的诊断性能及其计算时间和存储空间具有一致性。DeTobel等利用CNN基于曲面体层片评估下颌阻生第三磨牙发育程度,研究者以20张不同年龄段、不同性别的曲面体层片作为自动分期的训练数据,结果与医生判定的结果相当,进一步优化后,有望实现阻生牙年龄的自动测算。
    Ariji等、Lee等利用深度学习实现了曲面体层片中下颌骨病变的自动诊断和分类,包括成釉细胞瘤、牙源性角化囊性瘤、含牙囊肿、根尖周囊肿以及单纯颌骨囊肿,其中含牙囊肿的诊断和分类敏感性最高。
    研究同时发现同曲面体层片相比,基于CBCT的诊断模型具有更多的细节,性能更好。但相比于组织学检查,影像学检查的诊断准确性仍然较低,基于影像学的异常检测仍具有较大的改进和发展空间。
    Kuwana等探索了健康上颌窦、炎症上颌窦、上颌窦区域囊肿的影像学分类,其准确率可达90%以上。Murata等将深度学习应用于曲面体层片中上颌窦炎的诊断,通过460例健康上颌窦和460例上颌窦炎数据集训练,结果表明该方法对上颌窦炎的诊断准确度(87.5%)、敏感性、特异性与放射科医生相比无显著差异且高于口腔医生,其结果有望为经验不足的口腔医生提供诊断支持。
    虽然深度学习在肿瘤病理学领域取得了众多进展,但其在口腔肿瘤学方面的应用仍处于初期阶段。近年来,众多研究组探索了多种深度学习算法在基于影像数据的口腔癌早期诊断和肿瘤分类中的应用,最高精度可达94%以上,提高了复杂的口腔癌的诊断质量。Lin等研究表明以病症为中心采集影像比随机定位采集的训练模型结果高出8%左右的精度。
    Shamim等应用Resent、CNN多种网络模型尝试自动筛查照片中的舌癌前病变,分类精度为90%~98%,可达到“近似医生”的分类性能,该方法具有诊断原发性口腔癌的良好潜力,可用于口腔癌的早期筛查。
    Fu等使用深度学习技术基于44409张口内照片的数据集识别口腔鳞状细胞癌患者,最终准确度达92.3%,优于医学生的准确度(87.0%)。Jeyaraj等基于高光谱图像利用SVM等多种算法区分口腔鳞状细胞癌与良性组织,准确率达到95%。基于深度学习的口腔鳞状细胞癌自动检测方法便捷、无创、低成本且高效,具有较好的诊断性能,有望作为快速筛查、早期检测和治疗效果评估的临床工具。
    Tomita针对口腔鳞状细胞癌患者转移性颈淋巴结的增强CT进行术前诊断、癌症分类、辅助治疗方案的制定,其诊断性能优于普通放射科医生的评估。Sultan等尝试量化口腔鳞状细胞癌的浸润淋巴细胞(tumor infiltrating lymphocyte,TIL),并达到了96%的准确率,证明TIL是重要预后指标。
    Kim研究组采用深度学习技术基于临床病理学数据和基因组数据构建口腔癌患者的预后模型,预测患者生存期,准确率能达80%以上,该模型的诊断性能优于经典统计模型。研究者建议基于深度学习的生存预测方法可用于指导口腔癌患者治疗方案的选择,以减少不必要的治疗干预。这些研究结果显示深度学习技术在治疗口腔恶性疾病改善治疗方案上的巨大潜力和前景。
    5.口腔修复学
    深度学习在口腔修复中的应用报道相比其他领域较少,Yamaguchi等探索了基于CNN预测复合树脂冠的脱落率,研究者扫描了患者的3D立体光刻模型获得8640张图像,该模型对于冠脱落率的预测准确度、精度、召回率分别为98.5%、97.0%、100.0%,具有较好的预测效果。该类技术模型可应用于修复治疗及其他复杂病例中(如根折根裂)。
    6.口腔正畸学
    深度学习技术最早在口腔正畸学头影测量中应用较为广泛。传统人工标点方式耗时且对操作者经验依赖较强,自动测量分析和智能计划制定的潜在需求巨大。Leonardi等众多研究组结合计算机视觉和深度学习技术探索了基于2D、3D放射影像头影测量标记点的自动定位,能够实现1s内分析和自动标注多个头影测量标志点,精度最高可达95%以上,与有经验临床医生相当。但部分研究者质疑基于3D数据的头影测量的有效性,故而近年来3D方向的应用研究已放缓。
    Bazina等提出的头影叠加方法更准确可靠,成为新的研究方向。Yu等将CNN应用于侧位片的骨性问题诊断中,基于5890张头影测量图和相应的人口统计学数据,在垂直向和矢状向的骨骼诊断方面灵敏度高于90.00%,其中垂直分类的准确度可达96.40%。Asiri等将深度学习用于预测Ⅱ类和Ⅲ类患者采用拔牙/不拔牙的治疗方案后唇曲率的变化。
    Lux等利用深度学习技术根据矢状关系的变化预测生长模式,有效性达64%。深度学习技术在正畸领域的进入较晚,发展需求迫切,近年的正畸科学技术进步联盟研讨会上,提出了一系列与深度学习相关的“个性化精准正畸治疗”议题,亦是未来口腔正畸研究的新热点。
    7.结语
    深度学习技术的引入将带来具有前瞻性、预防性、个性化和参与性的未来医学。深度学习的引入可减少临床工作者的重复劳动,使他们能够专注于更高级别的诊断任务,帮助临床医生更好地做出治疗决策,有效提高工作效率,降低医疗风险;在简化医疗流程,实现个性化诊疗方向有着无限可能性,甚至可能彻底改变原有的临床流程。现阶段的深度学习应用研究中主要采用卷积模型,且以有监督学习为主,研究进程多为方法学研究,与临床实施尚有一定距离。
    尽管在影像预处理方面有着广泛的应用场景和较好的使用效果;在智能诊疗方面,已有的大多数研究结果的准确性仍低于临床预期(98%~99%)。后续研究中,仍需不断优化模型,尝试结合跨模态混合数据集与专家经验库,建立大规模的口腔公共数据集等多种途径推动深度学习在诊断和预测口腔颌面部疾病中的应用发展。
    口腔临床医学与计算机科学的深度合作具有巨大潜力和战略意义,未来深度学习技术将通过在线优化学习以及多模态数据融合的发展,突破可解释性、跨模态多样性和可重复可扩展性等挑战。通过经验与算法的协同工作,为实现更精准的医学诊疗方法提供新的研究方向,在口腔临床医学的多个细分领域引入新的浪潮。

编辑: 陆美凤

网友评论