人工智能在正畸领域的应用

Applications of Artificial Intelligence in Orthodontics

摘要: 人工智能(Artificial intelligence, AI)在正畸诊疗中的应用涵盖诊断、方案设计、治疗预测、远程监控及问题咨询等多个领域，辅助医生提高临床效率与精准性。在头颅侧位片关键点检测中，人工智能实现了高效、精准的自动定位，减少人为误差。在生长潜力评估中，人工智能能够准确识别颈椎骨成熟阶段，提升效率。拔牙决策辅助系统利用人工智能综合分析患者牙颌特征，为治疗规划提供支持。此外，人工智能实现了治疗后面部软组织的形态预测，为医生与患者提供参考。远程监控技术借助人工智能提升患者依从性，自然语言处理技术通过智能聊天机器人改善沟通。尽管人工智能展现巨大潜力，其临床应用仍面临数据覆盖不足、学习样本的构建标准不一致、模型可解释性欠缺及隐私风险等挑战。未来需优化算法、提升数据质量并完善监管框架，以推动人工智能在正畸诊疗中的应用。

Abstract: Artificial Intelligence (AI) in orthodontics spans diagnosis, treatment planning, outcome prediction, remote monitoring, and consultation, enhancing clinical efficiency and precision. In the detection of key points on lateral cephalograms, artificial intelligence has achieved efficient and precise automatic localization, reducing human error. In the assessment of growth potential, artificial intelligence can accurately identify the stages of cervical vertebral maturation, enhancing efficiency. The decision support system for tooth extraction utilizes artificial intelligence to comprehensively analyze patients’ dental and occlusal characteristics, providing support for treatment planning. It also predicts post-treatment facial morphology, assisting clinicians and patients. Remote monitoring improves compliance, while AI-powered chatbots enhance communication. However, challenges remain, including limited data coverage, inconsistent gold standards, lack of interpretability, and data privacy concerns. Advancing AI adoption requires optimizing algorithms, improving data quality, and strengthening regulatory frameworks.

1. 引言

人工智能(Artificial intelligence, AI)是一项通过计算机模拟人类智能的技术，涵盖感知、学习、推理和决策等能力。人工智能的概念最早由约翰·麦卡锡在1956年的达特茅斯会议上提出，标志着这一领域的诞生。最初，人工智能主要聚焦于简单规则的模拟，如专家系统和逻辑推理，但随着计算能力和算法的进步，逐步从理论研究走向了实际应用。机器学习(Machine learning, ML)是人工智能的一个重要分支，通过分析数据并提取模式，使算法自动改进性能。其核心特点是数据驱动和持续学习，无需明确编程，而是通过数据训练来完成任务。深度学习(Deep learning, DL)则是机器学习的一个子领域，通过模拟人脑的结构和功能，利用多层神经网络提取数据中的高层次特征。深度学习能够高效处理大量非结构化数据，如图像、文本和语音，特别适合复杂模式的提取与分析，被广泛应用于医疗影像分析[1]、病历解读[2]和个性化治疗推荐[3]等领域。

在口腔诊疗过程中，大量医疗数据的高效、精准利用已成为提升诊疗质量与效率的重要关注点。人工智能凭借其在高效性、精确性、个性化和自动化等方面的优势，能够快速处理海量数据，辅助医生决策，从而提升诊断的准确性并优化治疗方案的科学性。在正畸诊疗中，人工智能正逐步推动医疗服务的变革，其应用已覆盖多个关键领域，包括正畸诊断、生长潜力评估、治疗决策辅助、治疗效果预测、远程监控及专业问题咨询等。本文将围绕上述几个方面，系统介绍人工智能在口腔正畸学中的具体应用。

2. 头颅侧位片的关键点自动检测

头颅侧位片的关键点自动检测是人工智能在正畸学与医学影像交叉领域备受关注的研究热点之一。其核心目标是利用先进的计算机视觉算法，实现对头颅侧位片中多个关键点的高效、精准定位。这一技术不仅能够显著缩短诊疗流程，还可以减少由人为操作导致的主观误差，提高诊断一致性和效率。

近年来，头颅侧位片关键点检测技术的精度取得了显著进步。在2014年IEEE国际生物医学成像研讨会上Ibragimov等人基于随机森林理论开发了一种自动定点系统，其关键点检测成功率达到72.7%，平均径向误差为1.82 ± 1.61 mm [4]。尽管该方法开创了头颅侧位片自动定点的研究方向，但随机森林模型依赖于手工设计的特征，难以捕捉复杂的解剖信息，特别是在低质量影像或存在解剖变异的病例中。然而，随着深度学习的引入，特别是卷积神经网络(Convolutional neural networks, CNN) [5]、UNet [6]及其变体等模型的广泛应用，检测精度得到了极大提升。当前，关键点检测的成功率已提高至97.30%，平均径向误差降至1.038 ± 0.893 mm [7]，这一进步归因于深度学习算法在提取影像特征方面的优越性。然而，这些模型的实际性能在一定程度上受到训练数据规模和质量的限制。在商业化应用方面，市场上已推出如WebCeph、Ceph Softwares等针对头颅侧位片自动定点的专业软件。临床医生重点关注如何选择精度高且满足实际需求的软件，以提供科学的诊疗依据。例如，2023年，Ye等人对三款国内常用的自动定点软件进行了系统评估，发现Angelalign软件表现最佳，其成功检测率达到93.09% ，显著优于MyOrthoX以及Digident两款软件[8]。尽管如此，该研究主要聚焦于关键点定位的准确性指标，WebCeph和Ceph Softwares在处理存在解剖变异或重叠结构的影像时是否具有一致的性能尚不明确。此外，商业软件的算法细节和训练数据的透明度不足，可能限制临床医生对其决策结果的信任度。

3. 颈椎骨龄评估

生长潜力是确定正畸治疗时机和优化治疗策略的重要因素。与实际年龄相比，骨龄更能够准确地反映个体的生长潜力。骨龄评估通常通过颈椎骨龄(Cervical vertebral maturation, CVM)和腕部X线片进行，其中头颅侧位片能同时提供骨龄和颅面解剖信息，因此在正畸临床相对更实用。然而，传统颈椎骨龄方法依赖医生的主观判断，结果容易受到个人经验水平的影响，导致一致性较差。

人工智能的引入，特别是基于深度学习算法的应用，使颈椎骨龄评估更高效和客观。人工智能可以通过自动处理影像数据，精准识别颈椎骨成熟阶段，降低人为误差并提高效率。Kok [9]和Amasya [10]等人首次应用深度学习模型评估颅面骨骼的生长潜力，但其数据库样本量仅为300例和647例，且未明确说明样本分布，这会导致关键生长期(如Cvs3阶段)图像样本不足，限制了模型的泛化能力，从而降低分类精准度。为解决这一问题，Zhou纳入了1080例头颅侧位片用于人工智能模型的训练和测试，提升了模型的性能和泛化能力[11]。Seo通过Grad-CAM利用可视化技术增强模型透明性，从而解决深度学习模型的“黑箱”问题[12]，这一方法有助于提升临床医生对模型结果的信任，但目前大部分研究仅停留在定性的可视化分析，缺乏深入的量化研究以验证可视化结果是否能够显著改善诊断的准确性和一致性。Liao团队针对数据不足和标签模糊的挑战，使用了多个dropout以及在损失函数中引入了标签分布学习的概念[13]，这种方法有效缓解了因标签不确定性导致的模型训练困难。更重要的是，他们首次公开了包含900例患者颈椎影像的标准化数据集，为后续研究提供了基准。

4. 拔牙决策辅助系统

拔牙在正畸治疗中属于不可逆的治疗过程，因此决定拔牙方案需要十分慎重。决定是否拔牙相关的因素众多，拔牙方案仍然存在一定的灵活性和边界案例，这使得拔牙决策在很大程度上依赖于医生的经验和判断。因此，为了帮助正畸医生在治疗规划中做出更合理的选择，已有大量团队研发了正畸拔牙决策系统。

Xie利用人工神经网络(Artificial neural network, ANN)开发了一种针对11至15岁患者的拔牙决策系统[14]，其在包含20名患者的测试集中表现出80%的预测准确率，该研究为基于人工智能的正畸治疗决策奠定了基础。该研究测试样本量较小，且集中于单一年龄段，缺乏专家资历信息，限制了模型在不同年龄和复杂病例中的推广性。随后，Jung采用反向传播算法构建了四种神经网络模型[15]，不仅能判断拔牙与否，还可自动预测拔牙方案，显著提升了模型的实用性。该研究包含156例病案，拔牙决策金标准来自一名正畸经验超10年的专家，但模型数据能否涵盖普通或复杂病例，尤其是不对称牙列或多重正畸目标的患者，仍需探讨。在此基础上，Li利用多层感知机(Multilayer perceptron, MLP)神经网络进一步扩展了正畸治疗方案的预测范围[16]，包括拔牙与非拔牙决策、拔牙模式以及是否需要植入种植钉。尽管模型功能增强，但训练数据多来源于亚洲人群，可能限制其在其他种族或牙颌特征患者中的适用性。Etemad通过评估随机森林网络模型在由19位美国医生诊治的多样化人群中的表现[17]，验证了人工智能模型在不同人种间的泛化能力。然而，其样本量仍显有限，且数据集的标签质量在医生间是否存在一致性差异尚不明确。上述实验主要借助的是头颅侧位片的测量信息，而Ryu的研究则采用口内照作为输入，并基于ResNet50、ResNet101、VGG16和VGG19神经网络对牙齿拥挤程度进行分类，同时判断是否需要拔牙[18]。这一研究展现了深度学习模型在处理不同输入模式下的潜力，但由于口内照片的质量和拍摄角度在实际临床中难以完全标准化，其性能可能受到低质量图像的显著影响。此外，与头颅侧位片相比，口内照片缺乏全局性解剖信息，这可能在复杂病例中限制模型的诊断能力。

5. 正畸治疗后面部形态预测

患者寻求正畸治疗的一个主要动机就是改善面部容貌，治疗后软组织形态预测有助于患者以及医生理解治疗效果，帮助医生与患者沟通治疗方案以及做好患者的预期管理。正畸治疗后，面部软组织的变化受多种因素影响，如硬组织的移动、生物力学反应以及患者个体差异。这些因素之间存在复杂的非线性关系，传统的统计方法难以全面建模。深度学习具有强大的特征提取能力，能够从大数据中学习这些复杂的非线性关系，从而提供更精确的预测。

Nanda利用人工神经网络模型分析正畸拔牙与非拔牙治疗后唇部曲线变化[19]，结果显示，ANN模型预测上唇和下唇曲线变化的平均误差分别为29.6%和7%，显著优于常规回归分析的表现。然而模型对复杂的唇部变化捕捉能力有限，尤其是考虑到个体生物学特征(如面部肌肉活动)和环境因素(如拍摄角度)的影响未被充分纳入模型分析。Tanikawa则开发了两个人工智能系统，分别基于头颅侧位片和三维面部影像，预测正颌手术及拔牙正畸治疗后的三维面部形态变化[20]。当系统误差小于1 mm时，两个模型的总成功率分别为54%和98%；误差阈值放宽至2 mm时，总成功率均达到100%。此外，Park基于卷积神经网络开发了一个预测非拔牙治疗后头影测量变化的系统，涵盖牙齿、骨骼及软组织的变化。2022年，Park进一步利用生成对抗网络(Generative adversarial networks, GAN)提出了一种三维术后面部预测方法[21]，通过输入患者的性别、年龄及上、下前牙的位移变化，生成术后面部的三维预测模型。该模型的平均预测误差为1.2 ± 1.01 mm，准确率达到80.8%。值得注意的是，在对真实图像与预测图像的区分测试中，超过半数的经验丰富的正畸医生未能准确辨别两者，进一步验证了模型的可靠性与实用性。但需注意的是，生成对抗网络在训练过程中存在不稳定性，可能受到数据分布不均或标签噪声的影响，导致模型在复杂病例中的预测效果下降。

6. 患者依从性提升与远程监控

无托槽隐形矫治的效果高度依赖患者的依从性，尤其是佩戴时间，患者的合作程度直接影响治疗进展和效果。近年来，人工智能和远程监控技术为提高患者依从性提供了有效方案。通过智能手机应用和影像技术，患者可实时记录治疗情况，医生则能远程跟踪并根据数据提供个性化反馈，从而优化治疗效果并及时调整方案。

Thurzo通过智能辅导应用strojCHECK评估人工智能改善患者佩戴矫治器以及口腔卫生清洁的作用[22]。结果显示，strojCHECK显著改善了患者依从性，尤其是通过计算决策流程优化治疗指导。然而，该研究并未详细说明不同患者群体(如依从性较差或复杂病例患者)对该系统的适应性，这可能限制了其推广性。此外，strojCHECK的长期疗效和对实际治疗效果的影响尚需更多数据支持。Homsi比较了Dental Monitoring应用程序与iTero Element 5D口内扫描仪生成的三维数字牙列模型的准确性，发现两者之间无临床显著性差异[23]，另一项研究进一步分析了30位透明牙套患者使用Dental Monitoring提供是否佩戴下一副矫治器指令的测量系统的重复性和复现性，结果显示指令一致率为83.3%，但在确定哪些牙齿没有达到预期目标位的一致率为0%。从另外24名使用最终矫正器完成治疗的透明矫治器患者那里获得了口内和远程监测扫描，发现接受佩戴下一副矫治器的指令场景下，牙齿实际位置与目标位置的差异和拒绝佩戴下一副矫治器的指令场景下没有显著差异[24]。Snider通过前瞻性研究评估了Dental Monitoring系统对改善正畸患者口腔卫生的作用[25]。结果显示，使用该技术的组在所有时间点及5个月随访时，其口腔卫生指数和牙龈指数显著低于对照组(Dental Monitoring组：菌斑指数 = 1.96, 改良牙龈指数 = 1.56；对照组：菌斑指数 = 2.41，改良牙龈指数 = 2.17)。尽管Dental Monitoring在准确性上与专业扫描仪相当，但其依赖患者自行操作，可能受限于患者操作水平和拍摄条件的不稳定性，从而在某些情况下导致结果不可靠。

7. 正畸相关问题咨询

自然语言处理(Natural Language Processing, NLP)是一种基于计算机科学与语言学理论，并结合人工智能方法，研究和实现计算机对人类自然语言进行理解和处理的技术。自然语言处理通过处理和“理解”人类语言，解读患者的情感、需求和对治疗信息的理解，在患者沟通支持方面展现了广阔前景。人工智能聊天机器人是自然语言处理技术的常见应用，借助生成式预训练变换器(如GPT-4和Google Bard)，能够生成上下文相关的回复，为患者提供及时帮助。这些工具还支持24小时服务，提升患者体验，特别是在资源有限或医生无法及时响应时。

Arqub对ChatGPT在隐形矫治相关问题中的表现进行了分析[26]，人工智能生成的回答由五名正畸医师独立评估，58%的回答被评分为客观真实，18%为部分真实，9%为少量真实，15%为错误回答，表明ChatGPT在隐形矫治技术相关问题中的整体准确性较低，并缺乏文献支持，未来应注重在训练中加入更全面的医学证据以提高其回答的科学性和可信度。此外研究未明确区分错误回答的类型或严重程度，这可能对临床医生和患者造成不同程度的误导。Daraqel研究对比了ChatGPT-3.5和Google Bard在回答正畸常见问题时的表现[27]，涵盖10个正畸领域的100个问题。结果显示两种人工智能模型均表现较好，但ChatGPT在准确性和完整性上分别比Google Bard高出31%和23%。虽然研究结果表明ChatGPT在回答正畸问题方面表现优于Google Bard，但这一比较仍需谨慎解读。因为研究未明确说明所选问题的复杂性分布是否均衡，这可能影响结果的普适性。Dursun的研究对比了ChatGPT-3.5、ChatGPT-4、Gemini和Copilot在回答隐形矫治问题时的表现，研究指出这些工具在正畸领域具有较大潜力，但需补充基于证据的信息并改善回答的可读性，以充分发挥其作用[28]。这一研究揭示了AI模型在医学应用中的两个核心问题：一是模型生成内容缺乏系统的证据支持，二是回答风格可能不够简明易懂。特别是在医学领域，冗长或复杂的表达可能导致患者难以准确理解核心信息。

8. 总结与展望

尽管人工智能在正畸诊疗领域的应用已涵盖诊断、方案设计、治疗效果预测、远程监控治疗进程以及问题咨询等多个场景，但其全面转化为实际临床应用仍面临诸多挑战。

首先，训练数据的多样性与代表性至关重要。当前许多研究的数据集样本数量有限，且多为单一种族或特定地区患者，无法覆盖临床中复杂多变的病例类型[29]。例如，在罕见或复杂病例(如不对称牙列或伴随全身疾病的患者)中，模型可能表现不稳定。未来研究需注重数据来源的多样性和均衡性，以提高模型的泛化能力。其次，金标准数据的准确性和可靠性直接影响模型的可信度。许多研究使用人工标注的金标准数据，但标注过程中可能存在主观偏差，尤其在复杂病例中可能导致不一致[30]。因此，应推动标注标准的规范化，并结合多专家共识或自动化标注工具以提高标注质量。此外，人工智能模型的可解释性是临床应用中另一个关键问题。目前，许多深度学习模型被视为“黑箱”，其决策逻辑难以被医生或患者理解。这不仅限制了模型在临床中的接受度，也可能在关键诊断或治疗决策中引发信任危机[31]。未来需要引入更多可解释性技术(如Grad-CAM或SHAP)以揭示模型的决策依据，从而增强临床医生的信任和患者的安全感。数据隐私与安全问题也是人工智能在医疗中面临的重要挑战。人工智能技术在应用过程中会生成并存储大量患者个人及医疗信息，如何有效保护数据隐私至关重要。近年来的研究表明，医疗数据泄露可能导致严重的伦理和法律后果，而现有的隐私保护机制(如数据加密或去标识化技术)仍存在漏洞[32]。未来需结合技术创新与政策支持，如区块链技术或联邦学习，确保医疗数据在使用过程中的安全性和隐私保护。算法公平性和责任归属是人工智能在医疗应用中的另一个核心议题。由于训练数据的固有偏差，人工智能模型可能在不同种族、性别或社会经济群体中表现不一致，导致诊断或治疗建议的不公平性[33]。此外，在人工智能辅助诊疗的过程中，责任归属问题(如模型错误导致的不良医疗后果)尚未得到清晰界定。这些问题需要跨学科的深入探讨，以确保人工智能技术在医疗领域的公平性和合规性。

综上所述，人工智能在正畸诊疗领域的广泛应用虽展现出巨大潜力，但其在数据质量、模型透明性、监管审查及伦理问题等方面的不足表明，其全面推广尚需多方努力。未来研究应关注多样化数据的整合、技术透明性的提升以及全球性监管框架的建立，以确保人工智能技术在真实临床环境中的安全性、有效性和可接受性。