牙隐裂是临床上常见的牙体硬组织疾病，治疗不及时会导致隐裂牙劈裂甚至牙齿拔除^[1]。然而，牙隐裂隐匿性较高，经常被误诊，容易延误治疗时机^[2]。咬合测试对牙隐裂有一定的诊断价值，但该测试可能导致牙齿局部受力增大折裂，风险较高^[3]。显微镜探查、拔牙等方式可以诊断牙隐裂，但这些操作会给牙齿造成不可逆的创伤^[4]。无创扫描成像技术可以辅助识别隐裂^[5]。然而，这些技术因价格昂贵或依赖复杂设备无法普及。光源透照法^[6]、定量光导荧光技术^[7]和吲哚青绿近红外荧光成像^[8]也可以辅助识别隐裂牙，但局限性较大。

牙根尖X线片价格低廉，分辨率较高，临床上常用于牙齿影像学信息的采集^[9]。近年来，人工智能技术发展迅速，能够辅助临床医生对多种疾病进行早期诊断^[10]。目前，人工智能在口腔医学领域取得了一系列研究进展^[11]，已有基于口腔医学影像建立人工智能模型的相关研究^[12]，辅助口腔科医生对口腔疾病进行早期诊断和治疗方案决策。

本研究首次应用基于牙根尖X线片的人工智能方法辅助诊断牙隐裂，开创了一种有效的计算机辅助诊断牙隐裂的新方法。

1 材料与方法 1.1 研究对象

回顾性分析2018年1月至2021年10月于中国医科大学附属口腔医院就诊的409例患者牙根尖X线片数据。纳入标准：（1）年龄≥18岁；（2）就诊时拍摄牙根尖X线片。排除标准：（1）临床或影像资料不全；（2）妊娠期。牙隐裂诊断标准：牙齿经染色、拔除或显微根管探查后明确诊断为牙隐裂。患者信息取自我院数据库系统，研究中全部匿名处理，以保护患者隐私。本研究获得中国医科大学附属口腔医院医学伦理委员会批准。

1.2 牙根尖X线片影像获取

牙根尖X线片拍摄采用射线机（CS2100，上海锐珂牙科技术有限公司），按照中国医科大学附属口腔医院标准流程进行。CS2100由X射线源组件、壁式固定架、矩形准直仪、控制定时器、机架（带有伸缩臂）组成；X射线管型号为TRX708，固定阳极，焦点0.7 mm；CS2100标称电功率为420 W，管电压为60 kV，管电流为7 mA，加载时间范围为0.01~2.00 s。

1.3 影像特征的提取和筛选

本研究采用Python v.3.6的“Pyradiomics”包对牙根尖X线片中的影像特征进行提取，特征计算方式遵循标准医学图像特征计算流程^[13]。全部特征包括一阶统计量特征、形态学特征和纹理特征，以及将原图像经多种滤波器进行变换处理后得到高维度滤波特征。全部特征的详细描述及计算方法请见文献[14]或“Pyradiomics”包的官方说明（https://pyradiomics.readthedocs.io）。为了筛选出有诊断价值的特征，本研究采用两步法对提取的全部特征进行分析：（1）使用R语言“stats”包对全部特征进行曼惠特尼U检验，排除P > 0.05的特征；（2）对于P < 0.05的特征，进一步采用R语言“glmnet”包进行套索算法（least absolute shrinkage and selection operator，LASSO）回归处理，利用参数λ确定回归系数，最终保留诊断价值最高的特征。

1.4 模型建立及验证

将特征数据按照2∶1的比例进行分层抽样，随机分为训练集和测试集，最终筛选得到的有诊断价值特征与其相应的非零LASSO系数共同组成影像组学标签公式用于对早期牙隐裂进行诊断。模型的建立使用R语言“rms”包，为了衡量计算机模型的诊断效果，本研究利用R语言“pROC”包绘制了模型的受试者操作特性（receiver operating characteristic，ROC）曲线，并计算ROC曲线下面积（area under the curve，AUC），通过计算最大约登指数获得最佳截断值^[15]。

2 结果 2.1 数据收集

本研究共筛查了409例患者，最终纳入符合入组标准的患者182例，其中经临床确诊为牙隐裂患者77例，非牙隐裂患者105例，均拍摄牙根尖X线片影像，见图 1。医生肉眼观察牙根尖X线片无法鉴别是否发生牙隐裂。

2.2 特征筛选

从每位患者牙根尖X线片图像中提取了1 316个影像学特征，经两步法特征筛选后，最终获得了3个有诊断价值的特征。基于LASSO方法对特征进行筛选。全部特征的AUC值均 > 0.6；其中，有2个特征在训练集和测试集上均有统计学意义（P < 0.05），表明本研究筛选到的特征均具有较高的诊断价值。全部特征均属于纹理类特征，分别来自小波和指数滤波图像，见图 2、表 1。

2.3 模型建立及验证

将筛选到的有诊断价值的特征与其对应的LASSO系数进行融合，建立逻辑回归分类器模型，模型表现出良好的辅助诊断能力，训练集AUC为0.804，特异度为0.736，灵敏度为0.740；测试集AUC为0.805，特异度为0.727，灵敏度为0.815。本研究建立的计算机辅助诊断模型在训练集和测试集上的ROC曲线图结果显示，模型在训练集和测试集上均表现出较好的诊断效果，见图 3。与健康牙齿相比，发生牙隐裂的模型预测值普遍偏高，计算机模型瀑布图结果显示，本研究建立的计算机模型能够基于牙根尖X线片有效地初步鉴别健康牙齿和隐裂牙齿，见图 4。

3 讨论

牙隐裂具有隐匿性和非特异性，当前缺乏一种便捷且有效的无创诊断方法^[16]，如果联合人工智能技术进行早期诊断和干预，就能使患牙得以保留更长时间^[4]。在本研究之前，已有一些报道尝试通过人工智能进行辅助诊断。DUMBRYTE等^[17]初步探索并建立了一种机器学习诊断牙隐裂的计算机模型，该方法基于X线微计算机断层扫描三维影像，但无法应用于其他影像数据。SHIMADA等^[5]详细分析了扫频光学相干断层扫描技术在计算机辅助下对牙隐裂的诊断效能，并通过与口腔科医生进行对比表明该方法具有较高诊断价值。JOHARI等^[18]则基于锥形束CT扫描影像建立了神经网络模型，诊断准确率达到70.0%~96.6%。这些研究表明计算机人工智能可以辅助医生提高牙隐裂诊断能力，但均需依赖复杂的成像技术和设备，无法普及应用。

为了建立具有普遍适用性的计算机辅助方法，本研究探讨了牙根尖X线片的诊断价值，采用当前人工智能医学影像分析中最具代表性的算法技术之一，能够适应临床数据量不足的问题，充分挖掘影像数据中的特征信息。本研究从计算提取的1 316个特征中筛选获得了3个最有价值的高维度纹理特征，这些特征基于滤波后的X线影像计算得到。本研究发现牙根尖X线片中存在的细微纹理变化特性与隐裂存在着高度相关性。临床上普遍认为肉眼观察X线影像对牙隐裂的诊断作用不大^[19]，本研究结果显示，通过计算机定量化分析能从牙齿X线影像数据中挖掘得到有价值的信息。

根据筛选到的特征建立机器学习模型，获得的诊断AUC值为0.804~0.805，模型的特异度和灵敏度约为0.727~0.815，体现出较好的诊断效果。此外，通过计算和对比每一位受试者的影像组学得分，可见本研究提出的模型能将隐裂与健康牙齿进行有效区分。人工智能模型的辅助诊断能力与所纳入的训练数据量密切相关。本研究仅纳入了182例患者，计算机方法获得的诊断效果虽然还有很大提升空间，但还是取得了一定的诊断效果，表现出一定的临床应用潜力。未来随着医学大数据的日益增加，人工智能在牙隐裂临床诊疗中会发挥出更大的价值。

本研究首次建立了基于牙根尖X线片的牙隐裂诊断计算机辅助模型，分析了人工智能临床辅助诊断的前景，具有一定的学术价值和临床应用潜力。