基于影像学下的深度学习技术在评估智齿拔除术后神经损伤风险中的研究进展

    下颌阻生智齿（IMTM）拔除是口腔颌面外科常规手术之一，由于阻生齿复杂的解剖结构和毗邻关系，手术难度较大，若术前评估不充分、操作方案不当可能会引起一系列并发症，其中最严重的属下牙槽神经（IAN）损伤。术前利用影像数据充分评估，进而采取妥善的治疗方案可降低IAN损伤风险。

    目前，人工智能（artificial intelligence,AI）技术正逐步应用在口腔影像图像处理、口腔护理等领域，为口腔医学的发展开拓了新的方向。深度学习（DL）技术作为AI领域近年来最热门的研究方向之一，凭借其优异的特征提取、高效学习、高效处理大量数据等能力，在口腔修复学、牙周病学、口腔颌面外科学等领域有着广阔的应用前景。

    有研究者将DL与锥形束CT(CBCT）、全景片等影像数据结合，为IMTM拔除术的风险评估及操作实施提供参考。本文就利用DL在IMTM拔除术中评估IAN损伤风险所进行的术前影像识别与分割、术前辅助诊断与评估及预后辅助预测的相关研究作一综述。

    1. DL辅助术前影像识别与分割

    IMTM拔除术前，为更好地利用影像数据重建牙齿及相邻结构的三维（three dimensions,3D）模型以辅助医生评估IAN损伤风险，自动分割口腔影像中的IMTM和下颌管（mandibular canal,MC）是首要步骤。卷积神经网络（convolutional neural network,CNN）是一种在检测、分类、量化和分割方面具有高性能的DL网络，它可以自动提取复杂数据的图像特征，因此被广泛应用于影像识别与分割中。目前已有一些研究将DL应用于全景片和CBCT的影像分割，以期服务于口腔医学实践。

    1.1 将DL应用于全景片

    Vinayahalingam等运用图像分析软件对全景片中的牙齿和IAN进行手工标注，然后对标注好的数据采用基于U-net的算法，训练CNN，向训练后的CNN输入新的全景片后可自动识别出目标区域，即IAN或IMTM，该方法很好地实现了全景片中IMTM和IAN的自动精确分割。

    Vranckx等开发了一个具有预训练Resnet101主干的完全CNN模型，可以分割出IMTM并判断其方向，然后通过对分割轮廓的近中侧和远端进行回归来迭代细化，该模型可自动分割全景片中的IMTM并提取磨牙方向，准确率高。Celik以ResNet50、AlexNet和VGG16为骨干，分别采用快速RCNN技术和YOLOv3技术作为检测器并比较性能，最终结果表明，单级探测器YOLOv3的检测性能更优越，精确度更高。

    1.2 将DL应用于CBCT

    Orhan等使用了基于U-net架构的深度CNN系统对CBCT中的IMTM和MC进行编号和分割，并运用Kappa分析来评估基于深度CNN系统的AI程序和人工观察结果之间的一致性，结果表明该系统检测IMTM和牙根数量及其与解剖结构的关系的准确性较高。

    Kwak等分别采用基于二维（two dimensions,2D)SegNet、2DU-net和3DU-net的模型进行分割并评估精度，结果显示3D U-Net的全局精度最高。Jaskari等评估了一种应用完全CNN的模型对CBCT中的MC进行自动定位分割，此模型定位了体素水平注释集的MC，测得的平均曲线距离和对称表面距离分别为0.56 mm和0.45 mm，准确度高。

    上述研究表明，研究者们正试图通过不断的技术迭代探索更为精确、高效的DL算法模型，自动分割口腔影像数据中的IMTM和MC，以利于下一步的应用分析。

    2. DL辅助评估IMTM与IAN定位

    IMTM拔除术中确定IMTM和IAN的位置关系是必要的，目前有学者利用DL对影像数据中的IMTM与IAN进行定位和评估来辅助医生诊断。

    Sukegawa等对全景片进行手动分割图像，使用CNN模型（VGG16）对分割后的图像进行DL，用于IMTM位置确定和Winter分类。Choi等训练了具有ResNet-50架构的CNN模型，用其可以区分IMTM和IAN在全景片中重叠时的2种位置关系，即真实接触和颊舌侧偏离。Zhu等则将基于YOLOv4的DL网络方法MM3-IANnet应用于全景片来检测IMTM和IAN之间的真实接触关系。以上研究均利用DL在全景片上较好地确认了IMTM阻生情况及其与IAN的位置关系，优点在于避免因拍摄CBCT而增加的放射暴露。

    CBCT是三维影像，其空间分辨率较高，能分辨出骨、牙齿等硬组织的微小病变，较全景片更能清晰准确地显示IMTM与MC的位置，对于手术风险评估及减少术后并发症具有重要临床意义。但目前将DL应用于CBCT来评估IMTM和IAN的位置关系的研究相对较少。

    Liu等提出了一种基于U-net和深度残差网络（ResNet）的DL方法，对CBCT进行DL研究，该方法由2个模块组成：①基于U-Net对IMTM和MC进行检测和像素分割；②基于ResNet-34对IMTM-MC关系进行分类，主要分为3种类型：分离、接触和内陷。该方法中分类模型的平均灵敏度为90.2%，平均特异度为95.0%，平均准确率为93.3%，这3项数据均与住院医师对相同数据集进行人工诊断的结果相当。

    此类研究将DL与2D或3D影像结合，自动分割IMTM和MC后判断IMTM和MC的位置关系，辅助医师在术前评估IAN的损伤风险。

   3. DL预测手术难度和IAN损伤风险

    术前评估IMTM拔除手术难度和IAN损伤风险有助于制定手术方案，这两项主要与IMTM的位置及其与IAN的位置关系相关。在将DL应用于IMTM影像分割及评估IMTM与IAN位置关系的基础上，有研究运用DL预测手术难度和IAN损伤风险。

    目前的预测手段主要基于DL对全景片的分析。一般包括2个步骤：①通过检测模型从全景片提取感兴趣区域（region of interest,ROI）；②通过分类模型对ROI进行分析，最终输出手术难度或IAN损伤风险的预测结果。

    3.1 基于CNN的评估

    Yoo等构建了以VGG16为骨干网络的SSD模型和以ResNet-34为骨干网络的分类模型提取ROI，并根据Pederson难度评分量表（Pederson difficulty score,PDS）评分，从而预测手术难度。结果显示其在PDS的深度、与下颌升支关系、角度3个方面的准确率分别为78.91%、82.03%和90.23%。Kim等使用以VGG16为骨干网络的SSD模型和ResNet-18模型DL术前的全景片，其分析IAN损伤风险的平均准确率为82.7%。

    3.2 基于Transformer模型的评估

    Transformer模型是一种基于自注意力机制的DL网络，具有良好的分类性能。Lee等构建了以ResNet-152为骨干网络的Retinanet模型和Vision Transformer模型以预测手术难度和IAN损伤风险，结果显示两者准确率分别为83.5%和81.1%。与以往研究中的CNN模型相比，Transformer模型的准确率更高。

    以上研究均基于全景片进行评估，而CBCT较全景片可以更好地显示IMTM和IAN的解剖结构。因此，对CBCT进行DL有望进一步提高准确率。此外，仅根据影像学的评估忽略了性别、年龄、手术操作等因素的影响，因此，Zhang等使用自适应误差反向传播（back propagation,BP）算法与共轭梯度BP算法结合的改进BP算法构建了基于患者情况、解剖关系及手术操作预测术后面部肿胀风险的模型，准确率为98.00%，提示了DL根据多种因素预测IAN损伤风险的可行性。

    4. 展望与总结

    DL在IMTM拔除术中展现了广阔的应用前景，可简便、高效地辅助医师完成诊断和评估，但该方法短时间内并不能完全替代医生在术中单独完成诊断与评估，因为目前已开发的模型中还存在局限性：①研究所用的样本量较小，使得机器评估存在偏差，无法确保完全正确；②相关研究中使用的均为全景片，它可在单一的2D图像中显示广泛的解剖结构，但在垂直和水平维度可能发生扭曲，而且很难评估横向成角或膨胀，这也为未来AI的发展提供了改进思路；③麻醉技术和手术操作等都会对术后结果造成影响，目前的DL大多仅依靠影像数据等偏单一信息进行评估，无法综合其他因素，这会对评估结果造成影响。

    综上所述，利用DL辅助IMTM拔除术具有广阔的前景和应用价值，在数据集更充分、算法模型更完善的基础上，DL将在IMTM拔除的计划、实施、预后判断等过程中扮演更重要的角色，甚至影响未来IMTM拔除的诊疗模式，例如将DL应用于拔牙风险的远程评估、手术方案个体化制定、阻生牙拔除手术机器人的开发等。