人工智能依靠计算机的基本原理，使机器获得学习的本领来辅助人类完成一些复杂的工作，以减轻人类的时间、精力、经济成本。深度学习（deep learning）作为人工智能的一个子集，其在医学领域有着广泛的应用。深度学习可分为监督学习、无监督学习和半监督学习。
在监督学习中，算法使用手动标记的训练数据集来学习数据和标签之间的相关性，产生所需和已知的结果。在无监督学习中，算法提供未标记的数据，它们涉及识别调查人员可能没有想到的隐藏数据模式，产生未知的结果。半监督学习通常是在有监督的算法中不加入标签值来实现半监督学习，使分类效果得到提升。深度学习在口腔疾病的诊断中表现出优越的性能。本文将对以深度学习为代表的的人工智能技术在口腔医学图像分析领域的应用做一综述。
1.在口腔颌面外科中的应用
1.1 智齿识别
在牙槽外科领域，下牙槽神经与下颌第三磨牙根部靠近，存在拔除第三磨牙后发生神经损伤和下唇感觉障碍的风险。Vinayahalingam等开发并验证了一种基于深度学习的自动识别系统，通过基于U-net的深度学习方法，以训练卷积神经网络（convolutional neural network，CNN）检测和分割下牙槽神经与下颌第三磨牙，该模型能有效预测拔牙风险。Yoo等提出了一种基于CNN的深度学习模型，用于预测曲面体层片下颌第三磨牙的拔除难度，通过对600张曲面体层片共1053颗下颌第三磨牙进行训练及测试，该深度学习模型表现出良好的效能。
1.2 颌骨囊肿
牙源性角化囊肿、含牙囊肿和根尖周囊肿是临床上3种常见的牙源性囊性病变，临床经验不足的医生难以区分。Lee等通过构建CNN模型来诊断疾病，结果表明深度学习能有效诊断不同类型的牙源性囊性病变，并且使用锥形束CT（CBCT）图像比曲面体层片具有更好的诊断效果。
1.3 上颌窦病变
Murata等采用深度学习技术开发上颌窦炎诊断系统，采用数据扩充的方法将训练集800个样本扩增到6000个，并用120个数据来测试模型的诊断性能，通过绘制受试者工作特征（ROC）曲线及获得的曲线下面积（AUC）值来评估模型性能。深度学习模型的诊断效能优于住院医师，可达到放射科医生诊断水平，该上颌窦炎深度学习诊断系统有望为缺乏经验的口腔医生提供诊断支持。Kim等通过构建深度学习模型来诊断上颌窦炎，该模型深度学习算法的AUC值显著高于放射科医生，研究表明深度学习算法的灵敏度和特异度与放射科医生相当。
2.在口腔种植治疗中的应用
2.1 种植体周围骨组织
在种植体影像方面，种植体周围的牙槽骨边界通常不清楚，并且颊舌侧骨水平的高度不同，在二维的X线片上很难确定骨丧失情况。Sukegawa等根据深度学习原理，提出了一种自动辅助识别系统，该系统用于计算骨丧失百分比以及对骨吸收严重程度进行分类。深度学习模型可用于测量X线片上种植体周围骨丧失情况，以评估种植体周围炎的严重程度。
2.2 种植体型号识别
da Mata Santos等将来自3个不同制造商的牙种植体共1800张X线根尖片分成训练集（1440张）和测试集（360张）。这些图像通过基于CNN开发的软件进行评估，目的是确定其中包含的牙种植体制造商。通过计算CNN算法的检测和诊断性能的准确性，发现在训练集、测试集的准确率分别为99.78%和99.36%，证明了CNN在识别牙种植体制造商方面的有效性。
3.在口腔正畸治疗中的应用
颌面部解剖的正确分析是正畸治疗成功的基础，传统正畸诊断和治疗计划的制定通常需要借助头影测量影像片，但这种方法需要对口腔颌面部的解剖位置进行人工标记，费时费力且可能存在误差。Yu 等通过构建CNN 模型，开发了一个基于5890张头影测量片的精准正畸诊断系统。该系统使用转移学习和数据增强技术进行了优化，通过统计分析评估诊断性能，发现系统对垂直和矢状骨骼诊断的灵敏度、特异度和准确率均高于90%。
自CBCT被引入口腔医学以来，相比于传统的头影测量影像X线片，3D诊断已被评估为正畸和正颌治疗的更佳选择。虽然3D正畸分析可通过计算机辅助数字跟踪方法进行，但其仍需要正畸医生手动定位CBCT片上的多个解剖标志，这也会阻碍正畸医生转向完全数字化的工作流程。Cheng等提出了第一个机器学习算法来自动定位并准确识别CBCT图像上的关键解剖点。
Torosdagli等提出了一种新的深度学习算法，适用于CBCT图像上颅面异常的全自动下颌骨分割和定位；所提出的算法能够对颅面畸形患者进行正畸分析，并显示出优异的性能，灵敏度为93.42%，特异度为99.97%。这些研究都表明了CNN在口腔正畸治疗中应用的巨大潜能。
4.在口腔修复治疗中的应用
Yamaguchi等使用CNN构建深度学习模型，根据3D口内扫描仪捕获的图像预测牙冠脱落的概率。该模型共使用了8640张图像，包括训练集6480张和测试集2160张，其准确率、精度、灵敏度和平衡F 分数分别高达98.0%、97.0%、100%和0.985，AUC值为0.998。吴宇佳等构建机器学习模型，对可摘局部义齿Kennedy 分类情况进行评估；该模型在评估不同Kennedy分类的牙列缺损模型中具有较好的合理性，可作为临床决策的参考。
Takahashi 等开发了一种CNN 模型对牙弓进行分类，该研究将牙弓分为无牙颌、后牙游离缺失、中间缺失、完整牙列（无缺失）4种类型，基于深度学习技术使用1184张牙弓图像（上颌748 张、下颌436张）开发了一种用于对图像进行分类的模型；该模型上、下颌骨的诊断准确率分别为99.5%和99.7%，AUC值分别为0.99和0.98。这表明使用CNN可对牙弓进行分类和预测，在将来有望辅助可摘局部义齿的设计。
5.在牙体牙髓病学中的应用
深度学习在牙体牙髓病学领域的研究较多，广泛应用于龋病、根尖周病等方面。Bayrakdar等发明一种基于CNN算法的自动龋齿检测和分割模型，使用VGG-16和U-Net网络框架对咬翼片进行训练，并评估该模型的临床性能，结果显示，VGG-16和U-Net龋齿检测和龋齿分割的灵敏度、精度和平衡F 分数均接近85.0%。这表明基于CNN的深度学习算法能在咬翼片中准确有效地检测和分割龋齿。该模型诊断结果与5名经验丰富医生诊断结果进行比较，深度学习模型显示出优于人工诊断的优势，在临床实践中使用这些算法可为医生临床诊断提供帮助。
Casalegno 等基于CNN的基本原理，利用近红外透射成像检测龋病早期病变，仅使用了185个训练样本，模型在5类分割任务上的整体平均交并比（IoU）得分为72.70%。Zhang等开发和评估基于CNN的深度学习系统，成功通过口腔数码照片检测龋齿，该系统的AUC 为0.8565［95%可信区间（CI）：0.8248 ~0.8871］，结果表明深度学习可用于龋齿的初筛。CNN能有效对病变区域进行识别，从而实现对疾病诊断。
Orhan 等利用CNN 技术在CBCT图像上检测根尖病变，通过对109例患者共153个根尖周病影像学图像进行测试，深度CNN系统成功地检测出牙齿并为特定牙齿编号，CNN模型准确率高达92.8%，能达到专科医生水平。关于深度学习在牙体解剖形态及牙根纵裂方面也有大量的研究。根管治疗时下颌第一磨牙远中根偶尔有多根管，容易被忽略从而影响根管治疗的效果。
Hiraiwa等通过构建深度学习系统，在曲面体层片上对下颌第一磨牙牙根形态进行分析，利用深度学习系统检测曲面体层片中根管的数目，并检查其在牙根形态学分类中的诊断性能，深度学习系统对远中根管数识别的准确率高达86.9%，为根管治疗提供了有力保障。Fukuda等开发了一个基于CNN的牙根纵裂识别模型，CNN模型在牙根纵裂识别方面具有很好的研究前景，模型的灵敏度、精度和平衡F 分数分别为75.0%、93.0%、0.830。Hu等基于深度学习网络通过CBCT图像对牙根纵裂进行诊断，3种深度学习网络的准确率、灵敏度、特异度均在90.0%以上。
6.在牙周病学中的应用
牙周病与全身健康息息相关，早期发现牙周病并及时干预是关键。在牙周病辅助诊断方面，Lee等基于CNN通过X线根尖片对牙周炎诊断，CNN 模型训练集、验证集、测试集分别为1044、348、348张图像，模型对前牙和前磨牙诊断准确率分别为81.00%和76.70%，预测重度牙周炎患牙是否需要拔除的准确率分别为82.80%和73.40%，证明了CNN智能系统可用于牙周炎的诊断。
Krois等用曲面体层片图像构建牙周炎智能诊断系统，智能识别系统通过10次重复交叉验证训练，并且对模型进行调整参数，模型诊断结果与6名口腔临床医生评估结果比较，牙周炎智能识别系统诊断的平均准确度与口腔临床医生的差异无统计学意义（P = 0.067）。结果表明CNN的阅片能力可达到普通医生的水平，CNN有望辅助口腔临床医生进行诊断。牙周病早期症状不明显，早期发现存在一定困难。
Li等使用一种新的CNN模型从口腔数码照片中筛查牙龈炎及其刺激物，该模型检测牙龈炎、牙结石和口腔软垢的AUC 值分别为0.8711、0.8011和0.7857，显示了深度学习在牙周病早期筛查方面的潜力。
7.在口腔黏膜病学中的应用
有些口腔黏膜疾病属于癌前状态，如得不到及时治疗可能会发展成为恶性肿瘤。Warin等基于CNN深度学习算法开发了口腔癌筛查的自动分类和检测模型，通过对正常口腔黏膜图像和口腔鳞癌图像的鉴别诊断，为使用口腔数码照片进行癌性病变的分类和检测提供依据。
Jubair等使用716张临床图像数据集来训练和测试用于检测口腔良恶性病变的模型，CNN模型的准确率、特异度、灵敏度、AUC值分别为85.0%（95%CI：81.0% ~ 90.0%）、84.5%（95%CI：78.9% ~ 91.5%）、86.7%（95%CI：80.4% ~ 93.3%）、0.928（95%CI：0.880 ~ 0.960）。深度CNN可通过对口腔黏膜识别来诊断口腔癌，提高口腔癌筛查和早期检测的质量和范围。
8.在儿童口腔医学中的应用
Kaya等开发了基于儿童曲面体层片图像深度学习系统，以便自动检测儿童牙齿并编号。通过对4545张曲面体层片图像进行训练和测试，平均精度为92.22%，平均灵敏度为94.44%。该系统可帮助口腔医生节省时间，并可将其用作检测牙齿的预处理工具。Kilic等开发了深度学习算法，用于对乳牙进行自动检测和编号，该算法在421张曲面体层片图像上进行了训练和测试，使用混淆矩阵评估系统性能，深度学习系统成功地检测和编号了曲面体层片图像上的儿童乳牙，灵敏度、精度和平衡F分数分别为98.04%、95.71%和0.9686。
9.展望
随着深度学习在口腔医学图像领域研究的深入，大量研究显示了深度学习辅助诊断的可行性，可大大减少医生的工作量。但是，目前深度学习在口腔医学图像方面的研究还处于起步阶段，距临床应用还存在一定距离，其发展瓶颈主要有以下几点：①深度学习在口腔疾病初筛预测中展现了较高的准确率，但在对疾病进行多分类诊断时会导致总体预测准确性降低。②大量研究通过手动裁剪感兴趣区域来预处理图像，这将影响模型的准确率。③多数研究的样本量不足，获得足够的高质量数据是一大难题。④由于患者临床数据的隐私问题，很难获得多研究中心的数据，而单中心模型的普适性不高。
未来口腔医学图像领域的深度学习研究，可朝着“疾病多分类”及“病灶部位识别”方向发展；随着理论算法的突破，可利用无监督学习来减少对数据标注的依赖，在预处理时不进行任何人工操作，让深度学习获得更多的“特征”；通过多中心大数据平台的发展，建立足够大的数据库，提高模型的普适性。
综上所述，相信随着深度学习理论算法的更新进步，多中心共同合作的不断推进，深度学习在不久的将来有望应用于临床，造福广大患者及医务工作者。
