人工智能助力修复治疗

人工智能 (AI) 是计算机科学的一个领域，是指借助机器和技术来执行人类的任务，表现出与人类行为智能相关的特征，致力于使机器看起来具有人类智能或模拟人脑功能。它包括机器学习、神经网络、深度学习等子领域。

图1

人工智能系统可以通过机器学习或深度学习，对人脑功能进行模拟和建模，从而为人类提供识别、逻辑推理、问题解决、决策指定、视觉感知等基本功能。在这种背景下，人工智能在口腔领域的使用场景也是日益增长，能够在临床诊断、临床决策和治疗结果预测等方面发挥着重要作用。

图2

人工智能的优势：

1）减少椅旁时间，提高医生效率；

2）节省额外步骤，提供优质治疗；

3）提高临床诊断及治疗计划准确性；

4）辅助新手医生进行学习；

5）利于感染控制。

人工智能在龋齿检测，牙体预备边缘检测、牙齿修复设计、修复体/种植体检测、可摘局部义齿（RPD）设计和牙齿颜色确定这几个方面能够为修复治疗提供帮助。

龋病的早期诊断及治疗是十分重要的，除视诊探诊外通常还需要进行X线检查。然而，假阳性或假阴性的影像结果可能会干扰到医生的诊断。

相关研究开发出一种基于神经网络系统的软件，这种软件能够对X线片进行龋病部位的识别，显着提高了牙医龋齿识别的准确性，特别是对于牙釉质龋的识别准确度更高，在无需口腔医生的情况下诊断龋病的准确率超过 90%。

图3

此外，也有别的研究开发出一个深度学习模型，用于从口腔照片中自动检测龋齿。该模型可以检测出给定图像中是否存在龋齿，并对龋齿进行分类，使用边界框对结果进行定位。

这种基于相机拍摄照片自动筛查疾病的技术，不仅能够帮助医生进行临床诊断，也能促进公众进行自检，从而改善公共健康。

图4

准确确定牙体预备的边缘线对于修复体的制作，尤其是间接修复体的边缘密合度起着至关重要的作用。

在传统牙科中，通常采用手动绘制的方法来确定边缘线，这通常比较困难、耗时且复杂的。在数字化工作流程中，边缘线的确定可以通过半自动和自动提取的方法来完成，半自动方法是指技师在边缘路径上依次选择多个特征点，系统会采用搜索算法提取特征点之间的边缘线。这种技术简单但效率低下。

自动提取时，系统利用微分几何远离，根据曲率和拓扑关系自动提取特征线。这种方法更加自动化和高效，同时最大限度地减少人工干预。

图5

图6

人工智能模型最初应使用牙齿预备体的详细特征和图像进行训练。

一项研究报告称，通过采集 5000 个牙体预备样本，用于提取边缘线的人工智能模型的准确度可以达到较高水平。另一项研究估计，新发布的边缘线提取模型的准确度97.43%。

图7

通过使用计算机辅助设计和计算机辅助制造 (CAD-CAM) 系统和口内扫描仪，可以获得剩余牙体组织的三维表面模型，并在此基础上设计修复体。AI模型可以获取和分析扫描数据中缺损牙齿、邻牙和对颌牙的复杂形状以及咬合关系，从而自动重建缺失结构，设计出修复体。设计的修复体可以通过切削或打印的方式获得最终的实物。

图8

人工智能模型的训练数据通常基于大量的完整且无龋齿的牙齿印模。通常使用三维扫描仪进行扫描，以创建机器学习所需的大量图像数据集。在实际应用过程中，以受损牙齿的扫描图像作为输入数据，AI 模型经过分析后输出设计后的修复体模型。

相关研究表明，以原始天然牙齿作为对照，牙科技师手动重建的牙冠不如全自动软件流程制作的牙冠准确。在另一项研究中，将传统的打蜡/压制陶瓷牙冠、实验室生产的 CAD-CAM 牙冠以及AI设计的CEREC 牙冠与原始未预备的磨牙进行尺寸比较，结果发现 CEREC 牙冠的精度最高。

对于专业的临床医生来说，不同类型的修复体的诊断可能会是一项简单的工作，但对于缺乏经验的口腔医生来说却并非如此，临床工作中可能很难正确诊断出牙齿颜色的修复体。

此外，目前已有 4000 多种不同类型的牙种植体系统在全球范围内使用，单纯根据X线检查来确定之前为患者植入的植入物的品牌和类型非常困难，从而使得治疗后种植服务更具挑战性。

人工智能可以帮忙解决这一方面的问题人工智能可以通过口内摄影图像，来识别 11 种不同的假牙和牙齿修复体，在识别金属色修复体方面表现出较高的准确度 (80%) 和中等准确度 (60%)用于预测牙齿颜色修复体。

机器学习算法利用灰度阈值技术，可用帮助口腔医生在初次口腔检查期间，对X线片上的牙齿修复体进行识别和分类。

图9

图10

在临床场景中，人工智能可以通过影像学检查结果，识别出种植体系统，具体的工作流程包括：图像输入→特征提取→算法分类→类型预测几个环节

根据相关研究表明，现有的人工智能系统检测影像学图像上种植体类型，准确度处于可接受的水平，范围在 93.8% 到 98% 之间。

然而，这些人工智能系统没有经过大数据库的训练，纳入研究的种植体系统类型有限。尽管人工智能似乎是一种很有前途的鉴别诊断工具，但仍需要更多的研究来最大化其应用可能，并且提高在检测各种修复体和种植体方面的准确性。

图11

对于缺乏经验的口腔医生来说，设计可摘义齿是一项复杂的工作，因为患者的口腔状况和义齿组成部分具有多样性，牙齿、软组织和残留牙槽嵴等剩余结构的都会影响到RPD 的预后。

这是一个RPD设计的人工智能工作流程框架。医生需要做的只是输入患者图像，例如牙槽嵴、缺失牙齿、对颌牙和咬合接触的位置。人工智能系统可以自动分类出缺牙的类型、经过多次分析计算，自动设计 RPD，最后以二维设计结果草图的方式展现给医生，来为医生提供临床决策的帮助。

图12

RPD可视化知识的结构树，该图结合内置规则来描述 RPD各组件之间相互作用引起的变化人工智能需要经过这一系列的RPD修复原则的训练，根据医生所输入的底图，获取有关牙齿、残余牙槽嵴和牙弓的数据，建立牙齿的几何位置和方向的信息，再根据系统所学习到的RPD修复原则以及不同RPD 组件相互作用，进行设计。

图13

系统设计完成后，软件使用一系列曲线函数绘制每个组件，输出为二维的设计图；

RPD 图还可以通过计算机辅助设计/计算机辅助制造 (CAD/CAM) 软件转换为三维 (3D) RPD 框架模型，为进一步的RPD制造提供便利。

图14

由于颜色的多维性质、天然牙齿的各种光学特性以及可能影响最终颜色的多种因素影响，牙色的选择和再现是美学修复中最困难的任务之一。

目前临床中使用最多的仍然是比色板，已经开发了各种用于确定、分析和验证牙齿颜色的数字化方法，以帮助临床医生和技术人员进行颜色检测和再现。

图15

计算机辅助配色 (CCM)已用于绘画、印刷和纺织行业，结合库贝尔卡-蒙克理论进行颜色制作的配方指导。在树脂和陶瓷等修复材料中添加颜料并不简单，因为可能会对材料的性能产生不利影响，而且人为控制制造过程存在困难。

图16

人工智能系统在匹配天然牙齿和氧化锆修复体的颜色中能够发挥作用，颜色匹配模型由神经网络系统和反向传播算法组成。神经网络系统充当交互模型，以减少预测色调与目标色调之间的颜色不匹配。在反向传播中，当颜色失配超过可接受的限度时，通过调整权重和偏差来反向调控色调确定过程。

图17

一组样本的颜色信息可以用作输入，而它们的等效瓷粉配方，例如不同类型/层瓷（体牙本质和牙釉质）的重量作为输出信息，从而能够指导不同颜色的氧化锆修复体制作。