目录

人工智能如何支持牙医并改善患者的长期治疗效果？了解牙科领域最有趣的 AI 用例，并了解顶级牙医如何使用构建塑造牙科护理未来的 AI 解决方案。

蛀牙和牙周病检测

蛀牙

牙周疾病

口腔癌检测

龋齿的检测和诊断

牙髓病学

人工智能辅助正畸治疗计划

牙科中的人工智能：局限性（以及如何克服它们）

质量训练数据

牙科人工智能的未来

人工智能如何支持牙医并改善患者的长期治疗效果？了解牙科领域最有趣的 AI 用例，并了解顶级牙医如何使用构建塑造牙科护理未来的 AI 解决方案。

放射线照相术、口内扫描和面部扫描通常会向牙科医生提供大量的压倒性和非结构化数据。

好消息？

人工智能驱动的牙科成像软件可以帮助快速有效地理解数据。

ML 已被用于：

牙科图像的自动解释（X 光片、CBCT 和 MRI 扫描）治疗建议未来牙科疾病预测

和更多。最好的部分？

机器学习算法也被证明在诊断蛀牙或预测牙齿是否应该拔除、保留或进行修复治疗方面优于牙医。

看看 ML 研究在各个牙科领域的广度：

牙科机器学习

现在，在您开始担心机器人会取代照顾您牙齿的友好人类之前，请知道机器学习和计算机视觉系统正在被用于支持您的牙医提供最好的治疗。

以下是我们将介绍的内容：

​​​​​​​蛀牙和牙周病检测口腔癌检测龋齿的检测和诊断牙髓病学人工智能辅助正畸治疗计划牙科中的人工智能：局限性（以及如何克服它们）牙科人工智能的未来

蛀牙和牙周病检测

正如“两个脑袋总比一个脑袋好”一样，获得额外（计算机视觉）眼睛的帮助可以提高牙医识别和治疗问题的能力。

有时，额外的帮助比您预期的更有价值。让我们看两个例子：蛀牙和牙周病。

蛀牙

计算机视觉系统可以使用对象检测和语义分割等技术检测蛀牙。

一种可行的方法是在带有标记龋齿的大量图像上训练 CNN。一旦模型训练完成，算法就可以接收原始数据以自行识别这些病变。

为什么这有关系？

正确识别病变（例如蛀牙）是早期诊断蛀牙的关键。

牙医多年来一直是蛀牙侦探。但-在识别蛀牙方面，ML 如何发挥作用？

为了回答这个问题，Pearl 委托进行了一项研究，将三位经验丰富的牙医的诊断一致性与牙科人工智能系统进行了比较。

三位人类牙医检查并突出了 8,000 多张咬翼和根尖周放射影像中的龋损。该研究的主要目的之一是了解牙医多久就龋齿的存在与否达成一致。

结果相当令人不安。

牙医一致同意 79% 的时间没有蛀牙。

不错，但也不完全鼓舞人心。

更令人震惊的是，他们一致认为只有 4.2% 的案例存在腐烂！

让它沉没。

虽然这无疑是一个低标准，但研究发现，CV/ML 工具不仅比牙医的共识率更好，而且比将一位牙医用作“基本事实”或当使用了两个牙医注释之间的交集。

结论？

对于您的牙医来说，与 AI 同事联系以获得第二意见确实不是一个坏主意。

这并不是说牙医不擅长他们的工作。相反，人工智能非常擅长分析和处理大量复杂数据。

例如，dentalXrai Pro是一个人工智能程序，可帮助牙科医生更准确、更一致地分析 X 光片。它不会取代牙医的专业知识，而是帮助他们以更快的速度和精度识别问题和潜在的治疗方法。

DentalXrai Pro 的联合创始人说：

AI 不负责牙科检查，也不会对治疗做出决定。然而，dentalXrai Pro 将牙科提升到标准化、高质量的水平，并极大地加快了 X 射线的分析速度，因此牙医可以更有效地利用时间与患者交谈

DentalXrai Pro 实现了这一点，这要归功于人工神经网络，该网络可以使用大量带注释的牙科 X 光片进行训练。

然后，该程序可以学习查看龋齿、感染和根管填充等牙齿异常之间的区别。然后，当显示单个数字化患者 X 射线时，它可以建议几乎即时的诊断。

这节省了牙医的时间，提高了诊断准确性，并为患者护理留下了更多可用资源。

牙周疾病

牙周病是由细菌引起的，这些细菌在您的牙齿中扎营并感染周围的软组织。这会产生炎症并导致牙齿脱落。

牙医可以使用一种称为深度探测的技术来确定疾病的严重程度。

幸运的是，人工智能可以通过提供额外的检测工具和自动深度探测来提供帮助。

在第一种情况下，CNN 可以对牙周受损牙齿的放射线图像进行图像分类和图像分割。然后他们识别模式并执行边缘检测以确定疾病的阶段。

但这还不是全部。

这项研究的研究人员提出了一种使用计算机视觉的计算机辅助牙周病诊断系统。

从本质上讲，该系统“自动进行深度探测，并将彩色相机与塑料探头结合在一起，自动准确地获得深度探测测量值”。

而且......它的工作原理！

当系统针对两名人类牙周病医生的深度探测结果进行测试时，人工智能系统的诊断每次都被证明是正确的。

这里的结果并不是我们将来需要更少的牙医，而是人工智能可以帮助牙医做出更有效的诊断，并投入更多的精力来提供最佳治疗。

这有点像互联网如何为您节省去图书馆的旅行，这让您有更多的时间用您找到的信息实际做一些事情。除了，在这种情况下，它给牙医一个更好的机会来防止你的牙齿脱落！

口腔癌检测

虽然失去牙齿可能是创伤性的，但与口腔癌的影响相比，它相形见绌。

年，仅在美国就有超过10,800 人死于口腔或口咽癌。

考虑到早期发现口腔癌的存活率为 83%，这个数字就更加悲惨了。

不幸的是，只有 29% 的病例被早期发现。

更重要的是，检测口腔癌的早期迹象并不是特别具有挑战性。

称为“口腔潜在恶性疾病”（OPMDs）的可见口腔病变是癌症的强烈征兆，可以在普通牙医的常规口腔检查中检测到。问题是这种检查在牙科检查期间发生的频率不够高。

要是有一种高效、经济有效的方法来自动检测恶性或潜在恶性病变就好了……

目前，ML 和 CV 技术还没有发展到足以帮助我们远离口腔癌的程度。但是随着对正确标记数据的更多访问，它有很大的潜力到达那里。

事实上，一些V7用户已经在努力注释牙科数据和建立口腔癌检测模型。

最近一项关于“使用深度学习自动检测和分类口腔病变”的研究使用了两种基于深度学习的计算机视觉方法来对口腔病变进行分类。

它将使用 ResNet-101 的图像分类和使用 Faster R-CNN 的对象检测应用于 2,000 多张图像，目的是回答两个问题：

1) 是否存在病变？

2) 病变会带来癌症风险吗？

虽然并不完美，但人工智能系统取得了可喜的成果。

图像分类在检测口腔病变存在方面的准确度为 87%，在对需要转诊治疗的患者进行分类方面的准确度为 78%。物体检测的情况稍差一些，检测具有癌症风险的病变的准确率仅为 41%。

尽管如此，这是一个良好的开端，并且正在取得更多进展。

牙科图像中的图像分类与对象检测

年的另一项研究使用神经网络和显微图像来检测口腔癌的迹象。

研究人员将几种最先进的 AI 模型与迁移学习方法进行了比较。然后，他们编译并发布了一个增强的口腔癌高质量显微图像数据集。

CNN 和迁移学习研究结果结果是，与简单的卷积神经网络 (CNN) 基线相比，他们的迁移学习方法产生了 10-15% 的绝对改进。

再说一次，虽然研究和资源还没有完全用于口腔癌的自动检测，但它们肯定朝着正确的方向前进。

龋齿的检测和诊断

我们在讨论蛀牙时遇到了龋齿，但在这里我们将更深入地研究它。毕竟，“观察”蛀牙是牙医最常从事的重要工作之一。

龋齿几乎影响到每个人。

牙齿咬合面的裂缝是相当正常的，这是蛀牙最常发生的地方。

如果你考虑到最初的病变以及活跃感染的病变，在大多数工业化国家中，60-90% 的学龄儿童和近 100% 的成年人的牙齿上有某种形式的龋齿。

与口腔癌一样，早期发现龋齿对于预防不可挽回的伤害至关重要。当蛀牙得到早期治疗时，它可以显着降低治疗成本、修复时间和牙齿脱落的风险。

传统上，牙医通过简单的目视检查来识别龋齿——我们大多数人可能与躺在诊所椅子上的经历有关，而牙医在我们的牙齿周围戳，一直担心我们会听到，“哦，我明白了一个洞！”

然而，最近，计算机辅助检测和诊断系统 (CAD) 正在成为牙科诊所的标准组成部分。这些系统可以读取牙科 X 射线和锥形束计算机断层扫描 (CBCT) 图像，以了解口腔病理学的迹象。

CAD 系统特别擅长使用牙科 X 射线照片来发现牙齿之间发生的龋齿，这些龋齿通常很难用肉眼看到。此外，计算机视觉驱动的系统可以估计病变的深度，并使用这些信息来检测和分类龋齿。

年 8 月发表的一项研究显示了这种类型的 AI 检测正在发挥作用。卷积神经网络 (CNN) 的深度学习用于使用口腔内成像检测和分类龋齿。

将包含 2,417 张匿名牙齿照片的数据集分为三类（无龋、非龋齿病变或龋齿相关空洞），并使用图像增强和迁移学习来训练 AI 模型。

为了确保可靠的结果，图像集被分成训练集和测试集。然后通过选择 25%、50%、75% 和 100% 的训练集图像来验证结果。

那么我们的 AI 牙医助理做得怎么样呢？很好！

根据所有测试图像的结果，CNN 设法在标准化的单齿照片中以 92.5% 的准确率检测出龋齿。

‍

因此，这种由人工智能驱动的工具代表了牙医补充视觉检查和优化龋齿检测的一种高效、准确的方法。这是个好消息，因为龋齿一定会在某个时候影响到几乎每个人。

牙髓病学

如果您曾经做过根管治疗，那么您就已经（字面上）与牙髓治疗面对面了。

幸运的是，人工智能的应用可以帮助牙医更有效地检测和治疗这些可怕的病症。

牙髓科医生通常使用放射线图像来检查、测量和评估牙齿在牙龈（即牙根）中的状况。

AI 模型还可以查看这些图像，并确定牙齿看不见的部分的结构、测量值、组织活力，甚至治疗的潜在成功率。

然后，深度学习算法可以检测、定位和分类牙根解剖结构和可能的病理的不同方面。这对于定位特定的牙齿结构或识别牙齿内部或周围的特定类型的裂缝和病变很有用。

牙髓病学中的人工智能应用

例如，在本文中，研究人员使用 CNN 来检测 CBCT 图像上的根尖周病变。他们发现 AI 模型在这项任务中的可靠性达到了惊人的 92%。

虽然检测牙根周围组织中的病变很重要，但确定牙龈中牙根的长度（工作长度）对于牙髓治疗也很重要。

有几种方法可以实现这一点——包括只感觉牙龈组织——但阅读牙科 X 光片是最常见的。这对人工智能来说是个好消息，因为计算机视觉在放射图像上效果很好（而不是用手指戳嘴）。

例如，这项研究报告了使用电子心尖定位器和 CBCT 成像来使用 AI 模型定位根尖孔。

根尖孔的准确位置对于确定牙齿的工作长度至关重要，研究中使用的人工神经网络 (ANN) 能够以 93% 的准确率实现这两者。

再一次，人工智能在它的牙齿检查测试中变得一致了！

人工智能辅助正畸治疗计划

到目前为止，我们已经看到人工智能计算机视觉和机器学习在诊断和治疗牙齿内部和周围的问题方面有很大帮助。但-

它可以帮助将牙齿移动到正确的位置吗？

确实可以。

牙齿矫正需要大量的计划，人工智能可用于优化分析，以预测未萌牙的大小或潜在的拔牙需求等。

牙齿矫正医生还需要确定牙齿进入的最佳路径。人工智能算法可以采用起点和目标终点，并计算出一颗或一组牙齿到达其最佳目的地的最佳方式。

这为牙科医生节省了大量时间，并提高了牙齿移动的效率。正如老木匠的格言所说：“两次测量，一次支撑。”

除了移动牙齿外，牙科专业人员还可以使用计算机视觉来诊断口腔中的骨骼病变。例如，它已经被广泛用于诊断和分类颞下颌关节的骨关节炎。

因此，从处理牙齿矫正的一点疼痛到缓解关节炎的下巴，人工智能被证明是牙医和正畸医生的有前途的朋友。

牙科中的人工智能：局限性（以及如何克服它们）

虽然我们所涵盖的所有内容都具有改变牙科的巨大潜力，但目前人工智能在牙科行业的广泛应用存在一些限制。

最重要的是访问由正确标记的牙科数据集组成的高质量训练数据

质量训练数据

人工智能算法只有在获得相关数据可供学习的情况下才能准确执行。这意味着使用边界框或多边形等注释来标记感兴趣的对象并突出显示相关区域。

一般来说，公开可用的数据集是 AI 训练的重要资源。

然而，牙科 AI 的问题不是不愿意或无法编译数据集或访问当前可用的数据集。相反，在牙科中训练人工智能所需的数据需要匿名，或者收集需要患者同意。

牙科人工智能的未来

机器学习和计算机视觉系统在未来的牙科护理中具有令人难以置信的潜力，从改善口腔癌的早期检测到提高正畸的效率。

正如我们所见，人工智能对牙科的重要性不容小觑。当与人类牙科医生合作时，人工智能技术可以提高诊断准确性、降低成本并改善患者的长期治疗效果。

另一个主要好处是人工智能标准化牙科诊断和治疗的能力。

牙医对患者数据的评估是主观的，研究表明从业者之间的诊断并不总是一致的。牙科领域的智能新技术提供了一种显着提高一致性的方法，从而改善患者的健康状况。

换句话说，CV 和 ML 有望为患者和牙医创造一个重大的双赢局面。