牙周炎是由菌斑微生物始动、宿主介导的，导致牙周附着组织丧失的炎症性疾病。当牙周炎发生时，会有牙周袋形成以及牙槽骨不同程度的吸收破坏。除牙周探诊等临床检查手段外，通常还需要影像学手段(如根尖片、曲面体层片、锥形束CT(CBCT))辅助评估牙槽骨的吸收情况，从而了解疾病的严重程度。
在2018 年牙周病和植体周病国际新分类中，以临床附着丧失(clinical attachment loss，CAL)、影像学骨丧失(radiographic bone loss，RBL)以及牙齿缺失情况等来判断牙周炎的严重程度，并根据严重程度和复杂程度将牙周炎分为Ⅰ ~ Ⅳ期，以疾病进展速度分为A~ C 级。
早期发现和治疗牙周炎对改善其预后起着至关重要的作用。新分类的分期分级系统虽能提高诊断的准确性，但应用较为复杂且费时费力，难以在全科医生中普及。CAL 是分期的主要依据，但口内探诊的准确性易受所用探针粗细、探针放置的部位、角度、施加压力、牙齿解剖外形、检查者的操作熟练度等影响。当无法准确获得CAL 数据时，RBL 可作为间接证据进行牙周炎的分期分级。但若依赖传统人工进行分析，易受主观因素的干扰，可重复性差且效率不高，造成数据及资源的浪费。
随着计算机技术的发展，由人工智能(artificial intelligence，AI)进行这一过程可以较为客观地评价牙周骨丧失情况，有望从大量影像数据中快速、全面且准确地获取有用的信息。本文拟对人工智能，尤其是深度学习算法在牙周炎的检测、诊断和预测中的应用现状进行总结，提出面临的问题和限制，并对未来的研究方向做出展望。
1. 人工智能在医学领域的应用
人工智能是模拟、延伸和扩展人类的智能，是感知环境、获取知识并使用知识获得最佳结果的理论、方法和技术。机器学习(machine learning，ML)是人工智能的核心领域，可以通过在海量数据中学习数据的规律和模式，从中挖掘出潜在信息，广泛用于解决分类、回归、聚类等问题。而深度学习(deep learning， DL)是机器学习的子集，其概念源于人工神经网络，含多个隐藏层的多层感知器就是一种深度学习结构。
深度学习可以采用有监督的、无监督的和强化的机器学习方法，尤其擅长处理涉及大容量和高维数据的复杂任务，比传统的机器学习方法要求更高。医学图像分割多采用深度学习架构，其中卷积神经网络(CNN)是使用最成功和最广泛的架构之一，采用卷积层、非线性层和池化层来有效提取特征。此外还有区域卷积神经网络(region-based convolutional neural network，R-CNN)，U-Net、YOLOv5(you only look once)和SVM 回归算法等。目前，人工智能在口腔领域的研究主要是基于影像学信息来诊断疾病、指导治疗计划和预测治疗结果。
2. 人工智能在牙周领域的研究现状
2.1 牙齿的识别与分类
准确识别牙齿并进行分类，便于提示病变的具体位置、数目或最重位点，使影像信息与口腔内患病情况相对应，是人工智能在口腔临床的重要应用，可以大大提高临床工作效率并减少工作量。为了解决牙齿形态不规则、边界模糊、图像噪点、失真等问题，各种半自动或全自动牙齿分割方法逐渐被应用，其中CNN 可以克服影像中牙根解剖、未成熟恒牙、金属伪影以及耗时等方面的主要限制。
目前人工智能模型在自动分割牙齿影像中表现出良好的准确性， 同时减少了该过程所需的时间。Duan 等从CBCT 中任意提取单颗牙齿，使用U-Net 模型分别针对单根牙和多根牙进行精细的牙齿和牙髓分割，通过可视化了解其内部解剖关系，并三维重建以完整地显示牙齿和牙髓的形态。Li 等结合特征提取器和注意力机制，开发了一个DL 模型，对850 份离体牙齿标本进行分类，准确率均超过90%，证实了DL 在准确识别离体牙齿中有应用潜力。YOLO 算法是一种基于CNN 的深度学习模型，专为实时目标检测而设计，它可以有效地预测图像中边界框内的坐标、概率值和对象类。
Altındag等使用YOLOV5 架构开发了名为Cranio-Catch 的标记程序，评估了DL，尤其是YOLOv5 算法在牙合翼片中对恒牙进行自动检测和编号的有效性。在测试数据集中，模型的F1 分数(平衡F 分数)、灵敏度和精确度分别为0.991 3、0.995 4和0.987 3，证实了该架构在识别牙齿并进行编号方面的有效性。损失函数可以处理样本在数量或像素等方面的不平衡，量化DL 模型预测与实际情况之间的差异，包括Dice Loss、Focal Loss、Cross-Entropy Loss、TverskyLoss 和Generalized Dice loss 等。
不同损失函数在处理不同类型的数据不平衡方面各有优缺点，因此也经常采用两种损失函数混合的方式。Büttner 等在1 625 张牙合翼片的牙齿结构分割任务中比较了6种不同的损失函数(Focal Loss、Dice Loss、TverskyLoss，以及Cross-Entropy 和Dice Loss、Focal 和DiceLoss、Focal 和Generalized Dice Loss 的混合损失)，结果表明混合损失功能明显优于独立损失功能，并在牙釉质、牙本质、根管和填充物类别的不同结构中具有比较稳定的结果。
2.2 自动检测牙周骨丧失
牙周骨丧失的准确评估对牙周病的诊断和治疗计划至关重要，深度学习可能是评估影像学骨丧失和获得基于图像牙周诊断的有效工具。Chen等利用YOLOv5 模型和VGG 图像注释器的算法，包括VGG-16 和U-Net 架构，创建了一个新的集成模型，用于检测根尖片和牙合翼片中牙齿的位置和形状、骨水平及釉牙骨质界( cemento-enamel junction，CEJ)水平，通过根尖点、釉牙骨质界及牙槽嵴顶点之间的关系计算RBL 百分比，将人工智能分析结果与临床医生的评估结果进行比较，其准确率可达97.0%。
Lee 等结合预训练的CNN 架构和自训练的网络，利用根尖片确定最优算法和权重并进行牙周组织检测，将临床检查时CAL<3 mm 的牙齿归为牙周健康牙齿；CAL<6 mm 或RBL<4 mm 且探诊出血的牙齿归为牙周中度破坏牙齿；CAL≥6mm 且RBL≥4 mm 的牙齿归为牙周重度破坏牙齿。训练结果表明，该系统对前磨牙牙周破坏程度的诊断准确率(81.0%)高于磨牙(76.7%)，其中对牙周重度破坏的诊断准确率最高，中度破坏的诊断准确率最低，证明了CNN 在诊断和预测牙周骨丧失方面是有效的，但该模型未对健康牙齿和轻度骨丧失进行区分，未来仍需要进一步研究。人工智能可以显著提高口腔医生的诊断能力，有望减少临床医生的工作量。
有研究认为应用CNN 来检测曲面体层片上的牙周骨丧失，其评估能力与口腔医生相似。Kim 等提出利用“DeNT-Net”来开发一种自动诊断支持系统，用于检测曲面体层片中的牙周骨丧失，该方法基于CNN 架构，利用迁移学习和临床先验知识来解决病变区域牙槽骨形态变化和训练数据集的不平衡问题，不仅可以检测病变，还可以根据国际牙科联合会系统提供相应的牙位，其对牙周骨丧失的检测性能优于临床医生。
基于人工智能在评估牙周影像学骨丧失上的良好效果，有学者依据2018 年牙周病和植体周病国际新分类提出的新标准，进一步将其用于牙周病分期。Danks 等提出了一个具有对称沙漏架构的深度神经网络端到端系统，同时引入了ISM 数据增强方法以提升模型性能，利用像素插值和空间域处理来改进牙齿标志点的定位能力，使用根尖片预测单根、双根和三根牙的根尖、两侧骨水平以及CEJ 标志，进而计算牙周骨丧失和疾病严重程度，将所得结果与临床医生的视觉分析进行比较，检测牙周骨丧失的平均误差为10.69%，根据严重程度分期的准确率为58%，表明人工智能具有在根尖片上定位标志、评估牙周骨丧失以及牙周炎分期等良好能力。
Chang 等基于DL 提出一种新的混合框架，采用类似计算方法进行牙周骨丧失的检测和牙周炎分期的诊断，结果也获得了较高的准确性和可靠性。Lee等通过整合三个分割区域(牙槽骨、牙齿、釉牙骨质界)和图像分析，建立了DL 模型，使用根尖片计算RBL 的百分比以确定每颗牙齿的RBL 阶段，与检查人员的测量和诊断结果进行比较，分割的平均骰子相似系数(DSC) >0.91，获得了相对可靠的结果。Jiang 等使用U-Net 和YOLO-v4 的两阶段DL 架构，对曲面体层片上的牙齿和关键点进行定位，从而准确计算牙槽骨丧失百分比，对牙周炎进行分期，该模型的总体分类准确度为0.77，不同牙位和类别的模型性能各不相同，但采用模型分类通常比临床医生的诊断更准确。
3. 人工智能技术在牙周领域的应用展望
通过人工智能技术来构建牙周炎分期分级智能诊断系统，有望降低新分类系统的使用门槛，帮助临床医师更快速、准确、客观地实现牙周炎的诊断和评估，减少因口腔医师经验不同带来的主观影响，提高工作效率，推进牙周炎个性化诊疗。根据人工智能在牙周影像学诊断中的发展现状，本文提出以下展望。
3.1 持续调整并优化算法
在牙周炎的临床诊断中，常用到根尖片、曲面体层片和CBCT。根尖片成像范围较小，用于对口内1~3 颗牙齿进行成像，能较清晰地反映牙根形态，但其成像会受投照角度、牙齿与胶片位置关系等影响。曲面体层片可以通过曲面体层摄影的扫描方式，一次性获得全口牙齿的图像，其拍摄条件较固定。
CBCT 是围绕颌面部某中心点生成三维图像，可以有效避免二维图像重叠的问题，在辐射剂量上较传统CT 小，且无明显的放大失真。在人工智能辅助诊断牙周炎的研究中，最常见的数据集是曲面体层片，其拍摄范围较广，但局限性在于对每颗牙齿的分辨率较低，对牙根实际情况的反映不及根尖片，增加了检测牙周骨形态时的难度。有研究表明，曲面体层片影像长度和牙齿实际长度之间的失真率平均为17.05%。也有学者认为，对于牙周评估而言，曲面体层片可以部分替代全口根尖片。
除以上所述的失真问题外，影响影像质量的参数还包括低分辨率、噪声、对比度不足及金属伪影等，这些都会影响人工智能对牙齿、牙槽骨等的识别，因此常常需要在预处理阶段进行优化，未来的研究应聚焦于持续优化牙齿分割算法，如调整卷积层的数量，选择合适的损失函数、动量和学习率等，以适应日益多样化的数据集，并减轻图像伪影和解剖复杂性等因素的影响。
3.2 逐渐采用三维数据集
模型输出的结果往往来源于对以往数据的学习，在预测牙周骨丧失方面，有研究利用CNN 及U-Net 架构对1 121 张曲面体层片进行了分割，结果表明其对水平型骨吸收的检测效能优于垂直型骨吸收，这可能与二维图像上骨质的重叠有关。
目前涉及牙周病诊疗时，一般建议使用二维影像作为标准影像检查手段，但对于出现根分叉病变及骨内缺损的患牙，通常需要较复杂的治疗手段或牙周手术治疗，三维图像的深度CNN 算法可能更有助于病例的诊断和预测，但其在计算能力、存储空间、成本和训练时间等方面的要求也会更高，目前相关数据集的研究也较少。因此未来一方面需要综合考量，尽可能使用高质量的训练数据集，逐渐由二维数据集过渡到三维数据集，提高模型的识别能力；另一方面还需结合患者的病史、临床检查结果来进行最终诊断。
3.3 建立综合分析系统
根据现有趋势，人工智能在口腔领域的应用将越来越广泛，未来有望建立综合分析系统，充分利用已拍摄的影像信息，为患者提供包括牙体牙髓病、牙周病、颌面外科等学科的综合就诊建议。只有当牙槽骨吸收到一定程度时才能在影像中表现出来，而早期牙周炎时，牙槽骨吸收不明显，因此未来也可以探索更有效的检测方法，如唾液生物标志物或新的软组织成像技术，以提高牙周炎的早期诊断率。
3.4 建立牙周病疗效预测模型
牙周炎在不同个体之间的治疗效果受年龄、性别、吸烟等局部或全身因素的影响，现有基于上述因素的预后模型和风险评估工具的准确性较低，所提出的模型不能完全满足于临床疗效的预测，也不能用于预后和具体治疗方案的制定。有研究人员构建了与时间序列相关的模型，并通过深度神经网络将患者治疗前的个人信息和临床数据作为该模型的输入，输出治疗后的临床数据，通过对大量牙周检查数据进行分析，来预测局部水平的治疗效果。
未来或许可以结合人工智能技术建立牙周病的疗效预测模型，根据患者现状、结合牙周病相关风险因素，来评估进展速度，这对于智能化制定和设计牙周病的治疗方案，可以提供一定的思路。
4. 总 结
近年来人工智能技术在口腔领域的发展非常迅速，目前基于人工智能的医学影像处理主要用于图像分割、分类、预测三个方面，它们可以提供诊断和检测各种疾病的方法。由于人类口腔情况的复杂性(如牙齿缺失、龋坏、牙列拥挤、正畸附件、修复体等)，传统基于几何的方法往往在牙齿的识别方面难以获得理想的结果， 很难对单个牙齿进行标记。口腔放射图像中包含大量关于牙齿及牙周骨质情况的信息，有研究认为，人工智能系统可以显著提高口腔医生的诊断能力。
由机器负责这一复杂的识别及计算过程，通过建立人工智能模型，对牙齿进行自动检测与分类，识别病变的位置、范围和分期，对患者牙周状况进行识别、诊断和预测，可以辅助临床医生更高效地利用数据，更准确地对牙周炎进行决策分析，减少漏诊、误诊的概率，大大提高效率并减少临床工作量，推动实现牙周炎的早发现、早诊断、早治疗。
