机器学习在口腔种植学中的应用研究进展.pdf
《机器学习在口腔种植学中的应用研究进展.pdf》由会员分享,可在线阅读,更多相关《机器学习在口腔种植学中的应用研究进展.pdf(8页珍藏版)》请在咨信网上搜索。
1、2023-07 50(4)国际口腔医学杂志 International Journal of Stomatology机器学习在口腔种植学中的应用研究进展朱可石 廖安琪 余优成复旦大学附属中山医院口腔科 上海 200032摘要 近年来,人工智能技术的发展正在逐渐改变传统的医疗行业,机器学习是实现人工智能的主流方法。在口腔种植领域,机器学习技术可以辅助医生的诊疗过程,包括影像学资料智能识别、种植方案优化、自动化机器人等方面,是未来口腔种植学的发展趋势。本文就机器学习在口腔种植领域的研究进展做一总结,并对口腔种植的数字化、智能化未来进行展望。关键词 机器学习;人工智能;口腔种植中图分类号 R 782
2、 文献标志码 A doi 10.7518/gjkq.2023069Research progress on the application of machine learning in dental implantology Zhu Keshi,Liao Anqi,Yu Youcheng.(Dept.of Stomatology,Zhongshan Hospital Affiliated to Fudan University,Shanghai 200032,China)This study was supported by National Natural Science Foundatio
3、n of China(82170990,81870793),Major Clinical Research Subproject of Shanghai Municipal Science and Technology Commission(SHDC2020CR2042B)and Multicenter Clinical Study of Shanghai Municipal Science and Technology Commission(19411950103).Abstract In recent years,artificial intelligence has been gradu
4、ally changing the traditional medical industry,and machine learning is the main approach to realize it.In aspect of dental implantation,it can assist doctors in their daily diagnosis and treatment,including intelligent recognition of imaging data,implant scheme optimization,automatic robot and so on
5、.It is the future of dental implantation.This paper summarizes the research progress of machine learning in dental implantation and looks forward to its intellectualization in the future.Key words machine learning;artificial intelligence;dental implant人工智能(artificial intelligence,AI)是一种通过计算机学习、模拟人类智
6、能方式做出反应的前沿科学,其自诞生以来深刻影响了人类社会。机器学习是实现人工智能的主流方法之一,指的是通过训练相关算法学习给定数据集的行为规律,帮助计算机理解数据样本所具有的深层逻辑,进一步对新样本进行预测并提供解决问题的方案1。机器学习技术被广泛应用于临床医学及口腔医学领域2,相关算法包括神经网络、决策树、随机森林、逻辑回归、支持向量机(support vector machine,SVM)、贝叶斯学习等3-4。口腔种植修复术是修复牙列缺损缺失,恢复口腔功能,维护口腔及全身健康的系统性工程。近年来,机器学习技术在口腔种植领域的发展逐渐增多5,包括智能识别影像学资料、分析种植预后情况、改善种植
7、方案设计、优化种植导板制作、发展自动化种植机器人等。本文就此进行简要介绍,期望为机器学习技术在口腔种植领域的研究提供参考。1 智能识别口腔影像学资料口腔影像学检查是口腔种植治疗过程中的重要内容,可以直观检查相应解剖结构、骨质、骨量、余留牙情况及种植体与骨结合情况,常用项目有根尖X线片,全口曲面体层片及锥形束CT开放科学(资源服务)标识码(OSID)收稿日期 20230112;修回日期 20230411基金项目 国家自然科学基金(82170990,81870793);上海市科技委员会重大临床研究子项目(SHDC2020CR2042B);上海市科技委员会多中心临床研究(19411950103)作者
8、简介 朱可石,硕士,Email:通信作者 余优成,教授,博士,Email:yu.youchengzs- 491国际口腔医学杂志 International Journal of Stomatology2023-07 50(4)(cone beam computed tomography,CBCT)。卷积神 经 网 络(convolutional neural network,CNN)是一类基于机器学习的核心算法,其特征在于可以从数据集中自动学习特征表示,而无需大规模人为干预,这大大减少了人工数据处理步骤。CNN已被广泛应用于各类医学影像智能识别,尤其近年来在口腔医学影像学的应用逐渐增多6。在口
9、腔种植领域,CNN 主要用于识别种植系统、种植体折裂、种植体周骨组织丧失及种植区量化指标评估。1.1 识别种植系统种植义齿修复是一个需要患者和医生长期维护的过程,在临床实践中,患者往往因生活原因改变医疗地点或负责医生。因此,在口腔影像资料上对已有的种植系统进行准确识别十分重要。目前全球数百家制造商正在生产、销售超过2 000种种植系统,各个系统在直径、长度、形状等方面有所不同7-8。近年来,不少学者9-15通过人为设定训练数据集,教授CNN模型学习各类种植系统的特征,从而实现其对种植系统的自动识别和分类。相关研究在模型构建、样本情况、评价指标方面差异较大,具体内容见表1,但总体识别准确率高达9
10、3.8%98%,且有研究15表明,该识别水平已经显著优于口腔医生。值得注意的是,ResNet系类算法相较于其他算法展现出了更高的识别准确度。在同时进行多任务模式的迭代学习后,模型准确性相较于单任务模式显著提高14。ResNet是一种深度学习算法,其通过设置快捷连接单元,极大的解决了深度神经网络在层数过多后学习性能骤降的“退化现象”,因此可能在种植系统识别方面更具发展前景。然而,由于CNN缺乏鲁棒性的结构特点,影像资料的噪点水平会显著影响模型的识别准确率,且目前研究中尚无统一的影像质量筛选标准11。因此各模型的可靠性有待验证,尚未实际应用于临床。1.2 识别种植体折裂种植体折裂是最棘手的种植术后
11、并发症之一,常发生于种植体颈部,也可能发生于体部。Lee等16使用3种不同CNN模型智能识别二维影像资料中种植体折裂的情况,其中ADCNN显示出最高的检测和分类准确性。ADCNN通过自动调整模型细节参数,构建个性化网络结构,因此可能有潜力进一步用于影像识别。但由于种植体折裂发生率较低,该研究的数据集较小(194张种植体折裂图片),因此还需更多数据探索其可靠性。1.3 评估种植体周骨组织丧失种植体周骨丧失程度是评价种植治疗术恢复情况的重要指标,然而,由于影像不清晰或植体颊舌侧骨组织高度不同,在口腔影像学资料上确定植体周围的骨组织水平较为困难。Cha等17开发改进了一种区域型CNN模型(regio
12、n-based convolutional neural network,RCNN),其会自动选取种植体区域并定点6个关键坐标,计算骨缺损长度比例并进行分类。该研究模型的AP值较为一般(0.6270.786),但对象关键点相似性值与对照组口腔医生的相比没有明显差异。近年来,平台转换技术得到了广泛普及,其指的是在组装基台时选择与植体不匹配基台,以达到更好的力学性能和软组织封闭。Cha等17的研究并没有考虑采用平台转换技术与平台匹配技术植体的情况有所不同。基于此,Liu等18使用了一种较新的Faster RCNN模型,该模型在识别种植体-基台连接类型时的AP值达0.99,但对骨丧失部位识别的准确性
13、较低,AP值仅为0.47。因此在识别种植体周骨组织丧失情况方面,RCNN类算法仍需进一步优化调整,而其他类型的算法在该方面的应用有待进一步探索19-20。1.4 检测种植区评价指标口腔种植术前的影像学检查项目中,根尖X线片和全口曲面体层片都是二维平面图像,存在一定扭曲和失真的情况。CBCT能在三维层面显示颌骨的解剖结构,帮助医生准确测量骨高度、厚度、密度等术前准备数据。相关文献21-23表明,深度CNN模型已经应用于辅助口腔CBCT诊断,如牙齿编号、识别根尖周病变和下颌神经管检测。2021年,有学者24使用了一种深度CNN网络Diagnocat,其在下颌前磨牙区、上颌前磨牙区和磨牙区的骨高度测
14、量方面与口腔医生对照组的表现相当(P0.05)。但在上、下颌骨各区域的骨厚度测量方面难以达到口腔医生对照组水平(P0.001),且对根管和牙槽窝的检测表现较为一般(分别为72.2%和66.4%)。该研究提示,Diagnocat在检测CBCT时的智能化水平处于起步阶段,有待进一步探索研究。美学区牙种植治疗不仅需要恢复原有牙结构和功能,还需达到与邻牙及牙列之间的自然、和谐。为了达到美学效果,医生需要在术前对牙根矢状向倾斜度等量化指标进行综合评估。2022年,492第4期朱可石,等:机器学习在口腔种植学中的应用研究进展Lin等25首先使用了5种CNN模型进行预训练和测试,根据初步表现确定以ResNe
15、Xt101为模型主干结构,然后进一步调整、优化参数,构建出了一种智能识别CBCT图像的全新端到端CNN模型。该模型在牙根矢状倾角测量中具有较高的预测精度,其平均误差为2.16,与口腔医生的表现相当。此外,该模型的效率很高,识别每幅CBCT图像只需0.001 s。该研究基于ResNet系算法的CNN模型真正实现了在对CBCT图像的智能化识别,无需对图像进行人工分割和标记即可迅速准确识别图像并测量相关数据,大大减轻了临床医师的工作量,有望在未来进一步发展形成能识别多种量化指标的智能系统。2 分析种植手术预后骨结合是种植体与周围骨组织最理想的结合状态,Albrektsson等26在此基础提出的口腔种
16、植成功标准获得广泛认可。影响种植体成功率的原因复杂,往往多种危险因素同时存在。近年来学者们尝试通过机器学习策略预测口腔种植术成功率。多数文献的研究纳入内容包括人口统计学数据、口内状况、生活方式、种植体区域的解剖结构状况、是否骨移植、种植体周围骨水平及上部修复结构特点,各类模型预测的总体成功率为62.4%80.5%27-33。由于相关研究使用的模型算法类型具有较大差异包括SVM27-33、k邻近27-33、k均值聚类30、决策树27、logistic回归27,29、多维展开分析30、朴素贝叶斯29,31和人工神经网络(artificial convolutional neural network
17、,ANN)27,31-33,很难对各研究进行比较分析。目前,研究者主要基于表 1 不同CNN模型智能识别/分类口腔种植系统的内容及比较Tab 1 Comparison of different CNN models applied in recognizing and classifying dental implant systems文献9101112131415CNN模型SqueezeNet;GoogLeNet;Res-Net-18;MobileNet-v2;ResNet-50 CNN(KerasTensorflow)微 调 版 You Only Look Once(YOLO)v3-CNN
18、-transfer-Inception v3基础CNN;VGG16-transfer;微调版VGG16 VGG19-transfer;微调版VGG19多 任 务 CNN:ResNet18、34、50、101和152自 动 化 深 层 CNN(automate deep CNN,ADCNN):Neuro-T version 2.0.1影像学资料801 张来源于根尖X线片的单种植体图片1 800 张根尖 X线片1 282 张曲面体层片1 206 张来源于根尖X线片的种植体图片8 859 张来源于曲面体层片的种植体图像9 767 张来源于曲面体层片的种植体图像7 146 张曲面体层片、4 384 张
19、根尖X线片模型评价指标准确率、平均精度(average precision,AP)、召回率、F1评分准确率、敏感性、特异性、阳性/阴性预测值(positive predictive value,PPV/negative predictive value,NPV)、受试者操作特 征(receiver operating characteristic,ROC)曲线真阳性率(true positive,TP)、AP、平均AP、平均交并比准 确 率、敏 感 性、特 异 性、PPV、NPV、ROC 曲 线 和 ROC曲线下面积(area under curve,AUC)准 确 率、精 密 度、召 回 率
20、、ROC、F1评分准确率、AP、召回率、特异性、F1评分、ROC曲线、AUCROC曲线、AUC、Youden指数、敏感性、特异性结果5 种模型的测试 AP 均超过90%;MobileNet-v2和Squee-zeNet 的 准 确 率 分 别 约 达96%和97%训练数据组、测试数据组和验证数据的系统准确率分别为99.78%、99.36%和85.29%识别每个种植体系统的 TP和 AP 分 别 为 0.500.82 和0.510.85诊断准确率 93.8%;敏感性为 93.5%;特异性为 94.2%;PPV为92%微 调 版 VGG16 和 微 调 版VGG19的准确率分别达0.94和0.93
21、多任务模式下,CNN识别准确率均超98%;多任务模式下,CNN模型的各评价指标都显著高于单任务模式ADCNN 的 AUC、Youden 指数、敏感性和特异性值分别为0.95、0.81、0.96和0.85结论使用参数不到400万的小型 网 络 和 少 量 的 图 像,CNN也能达较高的精度CNN 识别较少种植系统(3个)时可以达到很高的准确率图片质量和样本数量影响了模型对同品牌不同种植系统的识别准确率深度 CNN 模型在从 X 线片识别牙种植体方面有良好的表现。但影像资料数据库规模太小对深度 CNN 模型的特定卷积块进行微调,深度CNN 可以更专门地用于特定分类任务多任务模式下的迭代学习显著提高
22、了 CNN 模型的准确性ADCNN 的表现显著优于大多数参与对照实验的口腔医生 493国际口腔医学杂志 International Journal of Stomatology2023-07 50(4)回顾性数据构建AI预测模型,并分析不同影响因素和临床变量之间的复杂关系和结构特性,而数据样本量过小、纳入的影响因素少、回访数据缺失等原因是该类研究的主要障碍。患者因全身状况而服用的药物可能会降低口腔种植手术成功率,系统性评价不同药物对骨结合的影响是一项巨大的工程。Mahri等34基于SVM算法训练了一种智能模型,可以自动检索相关文献并将结果可视化。与手动筛查相比,其准确率高达95%,并减少了93
23、%的工作量。模型自动生产的证据映射图像显示,不同药物可能通过改变体内稳态、炎症反应、细胞增殖和骨改建来影响骨结合成功率。该模型有望进一步用于系统性评估所有已知药物对口腔种植体骨结合的影响。3 优化种植方案设计种植体与口腔软硬组织间的应力分布不协调是导致口腔种植术失败的重要原因之一,因此分析种植体-骨组织界面应力、优化种植设计方案十分重要。三维有限元分析法(finite element method,FEM)被广泛应用于研究口腔软硬组织与种植体间相互作用等35。然而,FEM的计算成本太高,在临床实践中医师很难对每一种设计方案进行完整分析。传统的解决方法是对FEM进行离散优化,但这明显降低了FEM
24、的可靠性和准确率。近年来人工智能技术的发展为这一问题带来了新的解决方案。一种基于约化基法和神经网络(reduced basis method-neural network,RBM-NN)的快速反分析法模型36被发现可以准确模拟计算出牙种植体与周围骨界面的弹性模量,且花费时间比FEM法少了近60万倍。有学者37还通过使用ANN结合遗传算法替代FEM进行计算,大幅度优化了口腔种植体的孔隙率、长度和直径设计。在口腔种植体的生产过程中,制作过程产生的误差(即设计变量)不可避免,但生产工艺的总体品控精度是一定的。因此,根据影响种植体-骨界面应力的重要程度,将不同的生产精度分配给不同的设计变量,可以节省种
25、植体的制作成本,此概念被称为不确定性优化,而全局灵敏度分析(global sensitivity analysis,GSA)是完成这项工作的主要方法。GSA需要通过FEM进行计算,耗时长效率低,因此,Li等38提出了一种基于SVM的支持向量回归模型(support vector regression,SVR)进行GSA分析。相较于FEM,SVR模型给出的方案里种植体-骨界面处的应力降低了36.6%。目前,基于机器学习概念的各类新型分析算法展现出了比FEM更为强大的性能,计算精度更高且用时更短。但相关算法模型只是在执行特定任务时体现出了自己的优势,尚不能全方位超越FEM。在未来,通过革新代码算法
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 机器 学习 口腔 种植 中的 应用 研究进展
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。