深度学习在正畸诊断和治疗中的应用进展

Advances in the Application of Deep Learning for Orthodontic Diagnosis and Treatment

摘要: 深度学习作为人工智能的重要分支，通过模拟人脑神经元工作机制处理复杂任务，近年来已成为口腔正畸领域精准医疗的关键技术。本文系统评述深度学习在正畸诊疗中的研究进展：在诊断环节，基于头影测量片、全景片及锥形束计算机断层扫描(CBCT)的深度学习技术，可实现颅面标志点自动识别、牙齿分割编号、三维结构分割及发育异常检测，显著提升分析效率并降低人工误差；在治疗规划中，该技术通过预测牙齿移动轨迹、辅助拔牙决策、生成个性化矫治方案及模拟正颌手术过程，为临床决策提供重要支持。当前临床应用仍面临数据来源单一、标注标准差异、模型可解释性不足及多中心泛化能力有限等挑战。未来需构建标准化多中心数据集、开发可解释性模型并优化临床系统集成，推动技术深度融入诊疗全流程。本综述介绍了深度学习技术在口腔正畸领域的应用现状，以增进读者了解。

Abstract: Deep learning, a vital branch of artificial intelligence, processes complex tasks by simulating the working mechanisms of neurons in the human brain. In recent years, it has become a key technology for precision medicine in orthodontics. This review systematically examines research advances in deep learning for orthodontic diagnosis and treatment. In diagnosis, deep learning techniques based on cephalometric radiographs, panoramic radiographs, and cone-beam computed tomography (CBCT) enable automated identification of craniofacial landmarks, tooth segmentation and numbering, 3D structural segmentation, and developmental anomaly detection, significantly improving analysis efficiency while reducing manual errors. For treatment planning, these techniques provide crucial decision support by predicting tooth movement trajectories, assisting in extraction decisions, generating personalized treatment plans, and simulating orthognathic surgical procedures. Current clinical applications still face challenges including limited data sources, inconsistent annotation standards, insufficient model interpretability, and restricted multi-center generalization capability. Future efforts should focus on establishing standardized multi-center datasets, developing interpretable models, and optimizing clinical system integration to facilitate deeper incorporation of the technology into the entire diagnostic and therapeutic workflow. This review presents the current applications of deep learning in orthodontics to enhance reader comprehension.

1. 引言

近年来，人工智能(artificial intelligence, AI)技术的快速发展推动了医学图像分析领域的深度变革，尤其在以影像资料为基础的口腔正畸诊疗中展现出巨大潜力。正畸治疗过程高度依赖对颅颌面结构的精确判断、牙齿排列状态的识别以及个体化方案的制定，这些任务传统上需由经验丰富的医生通过人工评估完成，耗时且主观性强[1]。深度学习(deep learning, DL)作为AI的一个重要分支，尤其擅长处理高维非结构化图像数据，其自动特征提取能力使其成为正畸图像处理任务的理想工具[2]。

头影测量片、全景片(OPG)、锥形束计算机断层扫描(CBCT)等多模态影像是正畸诊断的核心资料。基于这些影像，研究者已在头影测量关键点识别、牙齿分割与编号、骨龄分期与骨骼分类、治疗策略辅助推荐等方向展开了广泛探索，并取得显著成果。例如，Jiao等提出的Mask R-CNN模型可在数据集上实现超过85.74%的准确率[3]；Lee等基于贝叶斯卷积神经网络实现对颅面关键点的自动定位，有效减少人工误差[4]。此外，DL模型也被用于三维CBCT结构分割、牙齿移动预测、拔牙决策支持以及正颌手术方案推荐等临床应用环节[5]-[8]。

尽管相关研究成果不断积累，但DL模型在正畸领域的实际临床转化仍面临诸多挑战，包括数据来源单一、模型可解释性差、标准化不足、跨中心泛化能力有限等问题[9]。针对这些瓶颈，在总结现有研究进展的基础上，进一步明确DL技术在正畸诊疗流程中各环节的应用特点、性能表现及存在问题，对于推动其临床融合具有重要意义。

本文拟系统综述深度学习在正畸诊断与治疗中的研究进展，重点聚焦三个方面：① 头影测量与结构识别的自动化；② 个性化治疗计划辅助系统的构建；③ 面向临床实践的模型优化与转化问题分析。本综述旨在为后续研究和临床应用提供有价值的技术参考。

2. 深度学习基础与正畸图像数据

深度学习作为人工智能领域的重要分支，最初来源于人工神经网络(artificial neural networks, ANN)的发展，其核心思想是通过建立多层非线性网络结构，实现对高维复杂数据的自动特征提取与表达[10]。在早期，人工神经网络结构由于层数有限、训练困难、计算资源不足，应用效果不佳。直到2006年Hinton等人提出“逐层预训练”思想，并结合卷积神经网络(convolutional neural network, CNN)模型之后，深度学习才在图像识别、自然语言处理和医学图像分析等领域取得突破[11]。

目前，卷积神经网络已成为医学影像领域中最常用的深度学习架构之一。其通过局部感受野、参数共享和池化操作有效减少模型参数，增强了空间不变性，因此尤其适合处理图像中具有空间关联性的特征[12]。此外，近年来注意力机制(attention mechanism)、残差连接(residual connection)、金字塔池化结构(pyramid pooling)等模块的引入，进一步提升了深度学习模型的表达能力和稳定性[13]。在图像处理任务中，DL模型可分为三类：图像分类模型(如VGG、ResNet)、目标检测模型(如YOLO、Faster-RCNN)和图像分割模型(如U-Net、DeepLab系列)，上述模型在正畸图像分析中均有广泛应用。

正畸临床涉及多种医学图像类型，构成深度学习建模的基础数据源。不同影像具有不同的数据维度、结构特征及诊断用途。常见图像数据如下：头颅侧位片(Cephalograms)：为二维影像，广泛用于分析颅面骨骼、牙齿及软组织之间的空间关系，适合开展标志点自动识别、骨龄分期及骨骼分类等任务[14]。近年来，基于深度学习的头影测量标志点识别模型不断涌现，如CephNet [15]，其在公开数据集上的平均成功检测率(SDR)可达90%以上。全景片(Panoramic radiographs)：又称曲面断层片，能够展示牙列、颌骨、颞下颌关节等解剖结构，适用于牙齿缺失识别、牙齿编号自动化、阻生齿预测等研究方向[16]。锥形束计算机断层扫描(CBCT)：作为三维高分辨率影像，可提供牙齿、颌骨及气道等结构的三维信息，适合进行三维重建、牙齿与颌骨分割、软硬组织建模等深度学习任务[17]。与二维图像相比，CBCT数据体积大、维度高，建模难度亦随之增加，常使用3D U-Net、V-Net或Transformer变种结构进行建模[18]。口内扫描图像与三维数字模型：当前主流正畸系统(如Invisalign)支持数字化印模采集，生成可供DL分析的三维点云或表面网格数据。研究者可基于此开展牙齿姿态分析、牙列拥挤度计算与牙齿移动预测[19]。面部照片与三维面部扫描：用于评估软组织轮廓变化，辅助建立正畸治疗与面部审美之间的对应关系。近年来，有研究尝试通过融合CBCT与三维面部图像，训练多模态DL模型，以辅助正颌手术方案设计[7]。

值得注意的是，不同影像数据需根据任务类型进行预处理，例如对CBCT需进行切片重采样、窗口调节与骨/牙结构增强；头影侧位片则需统一尺度与灰度标准。此外，数据标注质量对深度学习模型训练至关重要，研究表明：专家级标注较非专家标注能显著提升模型准确率与泛化能力[20]。随着多中心协作的推进，当前正畸影像数据呈现多样化、结构化与增量更新趋势，为深度学习模型提供了更为广阔的应用前景。

3. 深度学习在正畸诊断中的应用

3.1. 头影测量关键点自动识别

头颅侧位片上的解剖标志点定位是正畸诊断及骨骼分类的重要前置环节。传统人工标注存在耗时且误差偏大的问题，而基于深度学习的自动识别方法，尤其以CNN为代表的模型，已逐渐成为主流。例如，DeepFuse模型通过融合头影片、CBCT影像和数字牙模数据，实现了平均径向误差(MRE)为1.21毫米的关键点检测，且在2毫米误差范围内的成功检测率达到92.4% [7]。此外，DACFL模型在初学者与AI协作下，成功检测率(SDR)提高了5.33%，显示出AI在辅助诊断中的潜力[21]。综合来看，AI在颅面标志点自动识别中的优势明显，可显著缩短分析时间并降低主观误差[22]。然而，由于部分标志点的影像结构难以辨认且训练集有限，目前模型在不同人群中的泛化能力仍有待提高[23]。

3.2. 全景片牙齿识别与牙编号系统

全景片是牙列排列、阻生齿与牙根形态等结构的立体投影，适合牙齿分割、编号与病灶检测等任务。深度学习模型普遍采用FasterR-CNN、YOLO、Mask R-CNN等目标检测与分割架构。研究表明：FasterR-CNN与VGG-16、ResNet等网络在牙齿定位与编号任务中表现稳定，F1分数超过95%，尤其在混合模型中引入Mask R-CNN后，性能进一步提升[24]。分类与分割结合的混合方式(如MaskR-CNN + U-Net)对复杂情况(如牙缺损、金属修复)也更具鲁棒性。牙齿分割方面，ToothSegNet等新框架在引入图像劣化模拟与跨通道融合后，提升了模型对金属伪影与模糊边缘的处理能力，其最新实验表明在CBCT分割上的DSC (Dice系数)显著优于传统模型[25]。

3.3. CBCT中三维骨骼与牙体结构分割

正颌手术计划、无托槽定位、手术导板设计等都需要精确的三维牙体和骨骼模型。以nnU-Net架构为基础开发的DentalSegmentator工具通过一体化训练五类结构(上颌骨、下颌骨、上/下牙体与下牙神经管)，在内部测试集(133例CT/CBCT)上实现Dice相似系数DSC ≈  92.2 %、标准化表面距离NSD ≈  98.2 %，外部集(123例)均达到DSC ≈  94 %、NSD ≈  98.4 %，显示出对不同成像FOV和金属伪影均具有良好稳健性[17]。此外一项多机构比较研究将DentalSegmentator与商业系统(Diagnocat)进行定量比较，结果显示其整体NSD值(95 %左右)和少量漏分割牙体(<1%)领先，与专家半自动分割结果高度一致[26]。该类系统已足以支撑术前数字化模拟、模型打印与术中导航，成为未来临床正畸、正颌信息化的关键输送环节。

3.4. 影响牙齿发育的病理分析

深度学习还被应用于牙齿发育异常的检测。研究开发了一种基于深度学习的模型，能够准确估计下颌第三磨牙在全景片中的发育阶段，为牙齿发育异常的早期诊断提供了新的手段[27]。此外，针对正畸治疗过程中诱发的外源性根吸收(OIERR)，研究者采用CNN进行自动检测，模型的准确率达到97%，显著高于正畸医师的水平[28]。

4. 深度学习在治疗计划制定中的应用

4.1. 牙齿移动预测与数字模拟

精准预测牙齿移动轨迹是可移动矫治器(如clear aligners)技术成功的关键。一些近期研究采用CNN、Transformer等架构，利用三维点云或表面模型进行牙齿对齐轨迹预测。Dong等人提出的Swin-Transformer轻量化网络，通过将591例临床点云数据转化为排序纹理通道，并引入颌合损失函数约束牙齿碰撞与咬合关系，成功实现了高精度牙齿对齐预测，其性能优于传统统计方法和先前模型[29]。另一项研究提出的基于multimodal融合的DDMA框架，将CBCT与口内扫描数据融合，构建牙冠–牙根–颌骨的联合结构，可用于预测治疗过程中的牙根变化、骨吸收风险，并已在清晰的矫治器流程中得到商业应用验证。这些深度模型可实现牙齿移动模拟与面部估计同步，辅助正畸医师进行更精准的治疗控制与调整[30]。

4.2. 拔牙决策支持系统

拔牙决策是正畸临床中的重要、不可逆环节，ANN及传统ML模型(如SVM、RF、决策树)被广泛用于预测拔牙需求与方案。Shojaei等人基于126例临床资料，比较多种ML方法，ANN在拔牙决策上准确率达约93%，优于RF、SVM等模型，尤其在选择拔牙模式和支抗方案方面胜出[31]。Huang等人基于临床特征的决策树、随机森林、SVM、MLP模型均用于拔牙判断，决策树在交叉验证中表现最好，主要贡献变量包括牙列拥挤度、侧面面型及下切牙倾角等[32]。一项系统评价表明，历史研究中采用ANN对拔牙与支抗模式辨析的准确率约在84%~94%之间，为临床初诊提供重要辅助参考[19]。总体而言，DL结合临床影像、颅面参数与人口统计信息，可以为无经验医师提供初步拔牙方案建议，尤其在边缘案例中可减少方案失误率。

4.3. 智能矫治方案推荐与疗效预测

深度学习模型也开始被用于个性化矫治方案的生成及治疗过程中的疗效预测分析。有研究显示：AI技术在cephalometric标志点识别与牙体分割上均显著优于传统方法，这强调AI在治疗规划效率与准确性上具有提升潜力[33]。临床模型基于历史病例训练，可预测隐适美治疗中的重启风险、疗程时间与结果满意度。在一项研究中，极端梯度提升(XGBoost)模型的ROC曲线下面积为0.67，平均精度为0.74，从而为医生提供可能的调整时机与方案修改建议[34]。此外，有研究采用AI自动提示重要诊疗步骤顺序，如先拔牙、后支抗推荐、高风险预警等，以加快初诊流程并保证治疗路径一致性[35]。借助这些模型，治疗期间可实现中期疗效监控，及时调整矫治进程，从而显著提高治疗的可控性与患者体验。

4.4. 正颌手术与复杂病例的决策辅助

对于严重骨性畸形或边界正颌案例，AI结合DL与强化学习成为新的研究趋势。AI在正颌–正畸联合治疗中能够弥补传统外科和正畸方案设计的脱节，例如利用贝叶斯卷积神经网络等新算法，在2 mm、3 mm和4 mm误差范围内的成功检出率分别提高至82.11%、92.28%和95.95%，显著提升了全自动术前诊断的精度[36]。最新的研究提出一个结合多任务强化学习(MTRL)与可解释AI (XAI)的平台，可在复杂正畸正颌方案中模拟顺序决策过程，涵盖截骨类型、移动方案与软组织预测，经实验证明其预测准确率达92.7%，决策效率提升73.9%，规划质量提高近20% [37]。Jeong等运用CNN分析面部照片数据，判断是否需要正颌手术，准确率约89%，为临床筛查提供简便的影像辅助方式[38]。总体而言，此类平台逐渐构建成“可视、交互、可解释”的辅助系统，在正畸正颌多学科团队判断算法中发挥日益关键的作用。

5. 技术挑战与临床转化问题

尽管深度学习在正畸诊断与治疗辅助方面取得了显著进展，且部分模型已具备可与人工医生相媲美的精度水平，但其在临床常规实践中的广泛应用仍面临诸多挑战。总结现阶段主要瓶颈，可归纳为以下五个方面。

5.1. 数据质量与多中心泛化能力不足

训练深度学习模型对数据数量、质量及多样性依赖大。然而，当前多数研究仍以单中心、单设备、单人标注的影像数据为主，样本代表性不足，易导致模型泛化能力差。在实际应用中，当影像来源设备、患者种群或图像清晰度发生变化时，模型性能常显著下降[39]。此外，训练数据中不同年龄段、畸形类型的分布不均，也可能造成偏倚，使模型在罕见类型或边缘病例上识别失效。

5.2. 标注标准不统一与专家间一致性差

正畸图像(尤其是头影测量图像)中的标志点存在一定主观性，不同医师对同一解剖结构的定位可能存在1~2 mm的误差。若标注人员专业水平不一致，势必影响模型学习的准确性与稳定性。尽管部分研究尝试通过多专家平均标注或共识机制优化训练标签，但统一的国际标注标准与权威参考数据集尚未完全建立[14]。

5.3. 模型“黑箱”属性限制了临床信任

深度学习模型的决策过程大多为非线性复杂映射，缺乏明确的可解释机制。当前多数模型仍为“端到端”结构，难以向医师展示其诊断依据和中间决策逻辑，从而限制了其在高风险或关键决策情境中的应用[9]。尽管已有研究引入Grad-CAM、SHAP等方法提升可解释性，但对于多数非计算背景的医师而言，其解释仍显晦涩，影响了医患对AI系统的信任与依赖。

5.4. 法规、伦理与数据隐私问题

目前，口腔正畸领域中尚缺乏一套关于AI辅助系统开发、评估、认证与监管的完整法规体系。尤其值得关注的是，正畸诊疗涉及的CBCT、三维面部扫描等数据属于高度敏感的生物识别信息，其隐私保护面临特殊挑战。数据采集过程中的患者隐私保护、知情同意、跨机构数据共享等问题亟待解决[40]。针对3D影像数据，可采用联邦学习(Federated Learning)在不共享原始数据的前提下进行模型训练，或应用差分隐私(Differential Privacy)技术对训练数据添加噪声，以在保证模型效能的同时最大限度保护患者隐私[41] [42]。特别是在涉及未成年人影像的应用场景中，法律风险需进一步明晰。未成年患者数据的处理需遵循更为严格的“知情–同意”原则，通常需获得监护人的明确授权，并对其数据的使用范围、存储期限及删除机制进行明确约定[43]。此外，AI系统在诊断中产生误判时，其法律责任归属仍是争议焦点。对于正畸AI应用，需明确界定开发商、医疗机构及临床操作者在不同场景下的责任边界，从而为技术的合规应用提供法律保障[44]。

5.5. 医患交互界面与系统集成不足

临床应用不仅依赖模型性能，更需考虑医师的工作流程与交互方式。目前，许多研究模型仅作为原型存在，缺乏与医院信息系统(HIS)、数字影像管理系统(PACS)等平台的有效对接，难以在实际工作中无缝嵌入[45]。此外，模型使用门槛高、界面友好性差，也影响其推广与采纳。

5.6. 临床部署与工作流整合的实践挑战

深度学习模型从算法验证到规模化临床部署仍需克服诸多现实障碍。在不同级别的医疗机构中，其部署模式与成本效益存在显著差异。大型口腔医院或大学医疗中心拥有丰富的影像数据、IT基础设施和专业技术人员，更适合部署本地化AI系统，并与PACS、HIS及电子病历(EMR)进行深度集成，打造一体化智能诊疗平台。然而，这种部署模式初期投入成本高、维护复杂。对于私人诊所而言，基于云计算的软件即服务(SaaS)模式或许是更可行方案，既能降低硬件投入和维护成本，又能快速获取最新的AI功能，但其对网络稳定性及数据上传速度有较高要求，且数据云端处理需满足严格的隐私法规[46]。

此外，与现有主流商业正畸软件(如Invisalign ClinCheck、3Shape OrthoAnalyzer、iTero Element)的集成至关重要，这决定了AI工具能否融入既有的临床工作流。理想的集成模式是AI作为“插件”或通过应用程序接口(API)为这些软件提供增强功能，例如：在ClinCheck中直接集成牙齿移动预测模型以优化矫治方案；在3Shape软件中调用自动化牙齿分割与编号模型以提升数字化模型准备效率。这种无缝集成不仅能大幅提升医师的工作效率，也能降低新技术的使用门槛，加速AI在正畸领域的普及。

6. 总结与展望

随着深度学习技术的持续演进，其在口腔正畸领域的应用已从早期的图像辅助识别逐步拓展至治疗决策支持、疗效预测乃至术后模拟等多个层面。本文系统梳理了近三年来DL技术在正畸诊断与治疗中的主要研究方向，包括头影测量标志点自动识别、CBCT三维结构分割、牙齿编号与分类、治疗方案推荐、拔牙与正颌手术判断等，明确展示了深度学习在提升诊断效率、规范诊疗流程、促进个性化治疗方面的积极作用。然而，深度学习技术的临床落地仍存在多重障碍。数据来源的单一性、标注质量的不稳定、模型可解释性的缺乏、系统集成能力薄弱、临床部署成本高昂及临床信任度有限，均限制了AI工具的广泛应用。此外，数据隐私保护、伦理审查与法规监管机制尚不完善，也使AI在正畸诊疗流程中的角色尚未完全清晰。

展望未来，DL技术要实现从“技术工具”到“临床协同”的转变，仍需多方面努力。一方面，应加强跨机构、多中心的数据共享合作，构建高质量、标准化的大规模开放数据集；另一方面，应推动模型结构的轻量化与可视化，提升可解释性和临床可接受度。同时，注重与医院信息系统的集成设计，探索在不同医疗场景下的优化部署模式，构建可交互、可追溯、具备审计机制的AI辅助系统，将成为推动深度学习真正服务临床正畸实践的重要路径。

NOTES

^*通讯作者。