近年来，特别是自从OpenAI的Dall-E和ChatGPT引入以来，术语“人工智能(AI)和“机器学习”(ML)已经变得司空见惯。多年来被认为是科幻小说的东西正在慢慢成为现实，事实上，我们日常生活中几乎每时每刻都被人工智能包围着。我们在Facebook上的浏览和谷歌搜索，在Netflix上为我们推荐新节目和在Spotify上推荐不熟悉歌曲的算法，甚至是现代汽车的自动驾驶功能——所有这些都是人工智能的例子，它们被训练来执行各种技术任务，让我们的日常活动更容易，让我们在各种服务上的体验更顺畅，并简化人类操作员的技术和重复性工作。
在过去的20年里，世界各地的众多初创公司一直专注于基于人工智能的医疗和牙科解决方案。一开始，人们只是尝试建立自然语言处理引擎，以实现医疗记录的计算机化阅读和系统地从中提取信息，但近年来，这已经成为一场真正的革命，尤其是在医学图像识别领域。全球数十家甚至数百家公司正在争夺各医院影像部门的关注，并提供解决方案，可能有助于减轻放射科医生的工作量，优先考虑患者病例，并通过基于人工智能的各种病理状况识别减轻相关的职业倦怠。
然而，在这里，普通放射学领域遇到了一个问题。由于“狭义”人工智能通常被训练来识别一种特定的东西，每个人工智能模型只能处理一种类型的病变或疾病。为了向医院影像部门提供全面的基于人工智能的解决方案，必须获得并集成许多软件解决方案，每个软件解决方案都来自不同的制造商。这项任务至今仍不可能完成。
幸运的是，当涉及到牙科医学时，创建一个全面的诊断工具要容易得多。大多数来做常规牙科检查的患者的临床情况相当有限，主要是牙周附着丧失和龋损，以及各种根管病和根尖周疾病。从纯统计的角度来看，可以说这些诊断是牙科的核心，因此创建一个基于人工智能的诊断系统应该是相当容易的，该系统将覆盖社区环境中普通牙科医生所见过的90%以上的患者。
理智的牙医必须花一些宝贵的时间检查x光片或CBCT，寻找异常的发现，而计算机化的系统可以在几分钟内分析它，并且具有较高的平均精度——突出医生可能错过的难以识别的放射学发现。与真人医生不同的是，计算机化系统不会感到疲劳，在整个工作日中，它们专注于特定病例的能力不会受到损害。
事实上，最近出现了几种基于人工智能的牙科成像解决方案，可以检查牙科x光片并生成报告。这些软件解决方案大多基于图像识别模型，因此专注于2D成像——即咬翼、尖周和全景(OPG) x射线。基于用于3D体积的卷积神经网络的高级解决方案较少，因此也适用于解释牙科锥束CT。
近年来，CBCT在牙科中的应用已变得普遍。CBCT设备的技术能力在不断提高，辐射暴露逐渐减少，解释方法和观众也在不断改进。然而，对于许多牙医来说，3D CBCT的解读仍然是一个挑战，甚至是日常工作的中断。CBCT的解释需要额外的培训和相当多的时间，导致大量信息丢失，最大限度地降低了其诊断价值。
基于人工智能的创新决策支持系统已经进入了这个领域。这些系统分析模拟和照片，寻找异常发现——这取决于系统已经训练识别的内容——并将它们突出显示给牙科医生，节省时间并防止诊断不足。
一般来说，人们可以将目前牙科市场上可用的人工智能工具分为三种不同类型:
- 检讨调查结果-在2D x线或3D CBCT成像中识别和编号牙齿;牙科基本解剖(根和管)的鉴定;是否曾对牙齿及相关缺陷进行过治疗;识别牙齿和牙龈病变;颌骨和上颌窦的病变和异常发现的识别。
- 自动化测量工具-测量植牙牙槽骨的工具;用于根管治疗的根管测量;根尖周病变体积的测量用于临床决策和随访;人头测量法的测量;以及测量上呼吸道的容积(用于正畸治疗，以及检测睡眠呼吸暂停)。
- 分割工具-将3D CBCT体积转换为数字模型，然后可以转移到用于正畸、修复或手术计划的专业软件中。使用CBCT作为口腔内扫描和面部扫描的补充，是创建更完整的“虚拟患者”的又一步，我们可以在此基础上更准确地计划治疗，然后将计划的产品转移到计算机生产中，最后放置在患者的口腔中。
自2019年以来，我一直在对所有患者进行检查时使用人工智能工具。现在我将介绍一些我日常实践中的临床案例，在这些案例中，人工智能被用作诊断和治疗计划中做出明智决策的辅助手段。必须指出的是，我故意选择了常规的案例，而不是“英雄的战斗故事”。在下面的介绍中，我将重点介绍检查和决策的过程，而不一定是治疗本身。
临床病例1
R.， 40岁男性，因19号牙(ISO 36)之前拔过而来牙科诊所，并要求放置种植体支撑的牙冠。患者在成像中心接受CBCT检查，结果的3D体积被上传到人工智能系统(diagnostics, diagnostics Inc.， USA)进行自动切片、下牙槽神经检测和牙槽嵴测量。与此同时，成像中心的一位放射技师创建了一份手动横截面报告，并将其附加到3D DICOM文件中。
在基于人工智能的横截面报告的全景重构图像中，下牙槽神经通路似乎形成了一个通向下颌骨孔的环路，靠近未来的移植部位。（图1一个)不幸的是，一个人工翻译没有标记这个循环，(图1 b)可能是由于全景横截面的交替定位。
图1一个
图1 b
鉴于这一差异，我订购了一个三维体渲染到数字STL模型，以进一步评估下颌孔与计划种植体放置位置之间的距离。截面测量结果(图2)和分割成3D模型(图3)由同一人工智能系统(diagnostics, diagnostics Inc.， USA)进行。这使得了解神经的确切位置成为可能，并确保在这种情况下它确实不在危险范围之内。
图2
图3
图3 b
图3 c
临床病例2
一名68岁的女性患者对下颚植牙感兴趣，到牙科诊所进行检查，随后被转介到CBCT扫描。作为临床常规检查过程的一部分，患者的成像文件被上传到人工智能系统(Diagnocat, Diagnocat Inc.， USA)，该系统显示下颌右侧后部区域存在病变。（图4 a - b)混合病变，表现为高密度的核心被低密度的外壳包围，很可能是纤维骨性病变，在与口腔颌面外科医生联合会诊后，决定在此阶段留待随访。然而，也有可能在病变的近侧放置种植体。
图4
图4 b
尽管如此，患者仍然希望植入植入物，为此，我们进行了三维分割，以进一步检查脊解剖结构，以及设计手术指南的可能性，该手术指南将允许植入物安装在混合病变的近端，在3D模型中也很明显。（图5）
图5
3D模型还可以清晰清晰地看到患者残余脊的狭窄形状。（图5 c这些信息帮助我们计划未来的治疗，并为患者提供详尽的解释，并获得手术各个阶段的知情同意。（图6）
图5 b
图5度
图6
临床病例3
一名67岁的女性患者于2019年初到我们诊所就诊，主诉下颌骨右侧后部疼痛。在进行了包括x光在内的临床检查后，她被转去做了下颌CBCT扫描，以深入调查46号牙根之间的病变。在图6在美国，人们可以看到使用人工智能对她的CBCT进行全景重构(diagnostics, diagnostics Inc.， USA)。
人工智能还提供了初步诊断，(图7)，其中包括分叉区域的透光病变。人工智能的横切面清晰地显示了病变。
图7
为了进一步澄清问题，启用了多平面视图，病变也被看到了所有的荣耀。（图8）
图8
最后，我决定拔掉这颗牙。为了计划治疗并为进一步的治疗步骤做准备，基于人工智能的分割被下令，并创建了一个三维模型。（图9）
图9
现在，我们可以正确地估计由分叉病变造成的骨缺损的大小，通过“虚拟提取”牙齿模型，使我们能够查看牙槽骨(图9 b-c-d)，这是在2D x射线或经典观众不容易做到的。现在我们可以看到拔牙前残留牙槽骨的形状了!
图10
图10 b
图10 c
图10 d
最后，根据上面的图像，我决定在这种情况下，拔牙后保留窝窝。4个月后，植入物被放置，在另外3个月的愈合时间后，允许骨整合，由伸缩基台(Abracadabra implant Ltd.， Israel)和带临时水泥的氧化锆冠装载。
由于COVID-19大流行，患者有一段时间没有来随访。然而，当她最终在2022年12月来进行随访时，植入物周围和冠下的骨骼明显完全愈合。（图11）
图11
讨论、总结和结论
在2020年的一篇论文中，Kaan等人研究了人工智能软件与人类放射科医生进行根尖周病变体积测量的准确性。这项研究的结论之一发表在《国际牙髓学杂志》上，即人工智能进行的测量与人类进行的测量相当准确，因此可以作为可靠的替代品。
大约一年后，Ezhov等人发表了一个国际研究小组进行的一项综合研究的结果，该研究小组包括来自欧洲和美国几个中心的高级牙科和颌面放射学家。这项研究最重要的结论是，在检查相同的临床病例时，在比较使用人工智能的牙医和未使用人工智能的牙医诊断的准确性时，可以看到统计学上的显著差异。
因此，虽然很难估计人工智能什么时候会变得足够成熟，能够高精度地完成病人的检查，而不需要牙医来验证诊断(以及我们什么时候能够信任它这样做)，但很明显，即使在今天，人工智能提供的发现使它成为每个牙医的临床重要和有用的工具，无论是新毕业生还是经验丰富的专家。人工智能是一个决策支持系统，提供各种方便的工具，例如对结果的详细回顾、增强的可视化、自动化的横断面报告以及一键创建的数字模型，而每一种工具都反过来提高了诊断和治疗的准确性。人工智能不再是科幻小说，而是现实。
《口腔健康》欢迎这篇原创文章。
参考文献
- Orhan K, Bayrakdar IS, Ezhov M, Kravtsov A， Özyürek T.圆锥束ct扫描检测根尖周病变的人工智能评估。Int Endod J. 2020 May;53(5):680-689。doi: 10.1111 / iej.13265。Epub 2020年2月3日。PMID: 31922612。
- Ezhov M, Gusarev M, Golitsyna M, Yates JM, Kushnerev E, Tamimi D, Aksoy S, Shumilov E, Sanders A, Orhan K. CBCT牙科诊断的临床应用人工智能系统。科学通报2021年7月22日;11(1):15006。doi: 10.1038 / s41598 - 021 - 94093 - 9。勘误表:科学报告2021年11月9日;11(1):22217。PMID: 34294759;PMCID: PMC8298426。
作者简介
Vladislav (Vladi) Dvoyris是以色列特拉维夫的一名全科牙科医生。他是以色列口腔种植协会的董事会成员，以色列数字牙科学会和以色列修复学会的成员，以及国际牙医学院(ICD)的成员。
