引用本文： 唐莉, 徐欣, 廖玍. 口腔醫學領域人工智能研究前沿和熱點分析. 中國循證醫學雜志, 2022, 22(6): 684-691. doi: 10.7507/1672-2531.202202103 復制
人工智能是計算機科學、控制論、信息論、語言學等多種學科融合發展出的一門交叉學科。其內涵已從以知識工程為核心的狹義人工智能逐漸擴展到類人腦根據刺激自主運作的廣義人工智能[1]。前者通常只執行某種特定功能，后者幾乎能執行所有人類認知活動。通常認為人工智能具有歸納和適應能力、獨立決策能力、持續學習能力、預測能力及運動和感知能力。人工智能領域在研究和應用的過程中，發展出不同的分支，主要包括專家系統、機器學習、神經網絡、視覺系統和自然語言處理等技術[2]。
自1956年首次提出人工智能以來，人工智能已被廣泛應用，并發揮著越來越重要的作用。人工智能席卷全球，被認為是“第四次工業革命”的核心驅動力。自2015年7月國務院印發的《關于積極推進“互聯網+”行動的指導意見》將“互聯網+人工智能”列入11項重點行動之一以來，我國出臺了一系列重要政策如《新一代人工智能發展規劃》、《促進新一代人工智能產業發展三年行動計劃（2018—2020）》等，逐步確立了人工智能在戰略發展中的重要地位。在醫學領域人工智能的應用主要包括基于人工智能算法的健康數據分析和基于人工智能技術的輔助設備[3]，作為醫學分支的口腔醫學也不例外。健康數據包括電子健康病歷、實驗室數據、影像學檢查、基因組學和移動終端數據等，利用人工智能算法對海量數據進行數據挖掘，可發現新思路新方法，以幫助醫生進行疾病診斷和治療方案的選擇[2]。人工智能在口腔醫學領域擁有十分廣闊的應用前景。本文旨在從文獻計量學角度，分析口腔醫學領域人工智能研究的現狀和發展趨勢，繪制相應知識圖譜，探究該研究范疇的熱點和前沿，以期為相關機構和學者掌握該研究領域的動態和快速定位熱點研究方向提供參考。
1 資料和方法
1.1 納入和排除標準
1.1.1 納入標準
① 研究主題為口腔醫學領域人工智能研究相關的文獻；② 文獻類型為“Article”和“Review”。
1.1.2 排除標準
信息缺失不全的文獻。
1.2 文獻檢索策略
本文以Web of Science（WOS）數據庫核心合集為數據來源，檢索將人工智能相關的主題詞與口腔醫學領域相結合。通過查閱文獻[4]和預檢索，確定檢索策略為：TS=（artificial intelligence OR machine intelligence OR artificial neural network* OR machine learning OR deep learn* OR natural language process* OR robot* OR thinking computer system OR expert system* OR evolutionary computation OR hybrid intelligent system*） AND SU=（Dentistry，Oral Surgery & Medicine）。按納入與排除標準篩選文獻，提取目標文獻的全紀錄與引用的參考文獻，按照“download_*”形式命名，以純文本文件形式導出保存到本地。所有的數據檢索及下載于2022年1月5日完成。
1.3 研究方法
通過提取WOS數據庫結果分析數據，對該領域的整體發文情況、高產機構和國家、高發文期刊等進行統計分析。根據普萊斯定律：在同一主題中，半數的論文為一群高生產力作者所撰。將產出機構和期刊按照發文量排序，選取累計發文量比例達總體的50%以上的機構和期刊視為研究領域的高產機構和期刊。采用CiteSpace軟件對目標文獻的作者、機構、國家進行合作網絡分析，對關鍵詞及引用文獻進行共現分析、聚類分析，從而探尋口腔醫學領域人工智能研究的分布、研究熱點及趨勢。根據需要設置軟件整個時間跨度，單個時間分區即時間切片為1年。網絡節點關聯強度選擇Cosine算法，設定時間片閾值為50，即抽取數據的前50個節點。根據可視化結果選擇最小生成樹算法（minimum spanning tree）對網絡進行精簡優化，根據研究需要選擇相應的節點類型，其余參數同預設，繪制可視化知識圖譜[5]。
2 結果
2.1 口腔醫學領域人工智能研究的時間分布
初檢共獲得相關文獻705篇，篩選后納入585篇文獻。第一篇口腔醫學領域人工智能研究的文章發表于1987年，主要內容是探討專家系統在口腔正畸治療決策的應用[6]。1987—2011年，相關的研究年均發文量約3篇；2012年開始相關研究的發文量出現明顯增長趨勢，年均發文量約15篇；2018年以后呈現爆發式增長，2018—2021年發文量約占總發文量的70%（圖1）。
圖1
相關研究年累計發文量及逐年發文量時間趨勢圖
2.2 口腔醫學領域人工智能研究的地域分布
口腔醫學領域人工智能研究產出最多的國家是美國，發文量接近總量的1/3。中國發文量55篇，位列第四。在發文量前20位的國家中，70%的國家位于歐洲和美洲，大多為發達國家，非洲無國家上榜（圖2）。在高產研究機構中，中國的研究機構有北京大學和香港大學，發文量分別為12篇和11篇（表1）。
圖2
人工智能在口腔醫學領域應用研究高產出國家
表1
人工智能在口腔醫學領域應用研究高產出機構
2.3 口腔醫學領域人工智能研究的發文期刊分布
對口腔醫學領域發表人工智能研究的期刊進行分析，高發文期刊如表2所示，發文量前3名的期刊分別是Oral Oncol、J Dent Res和Dentomaxillofac Rad。對期刊的主要學科方向進行梳理，發現除口腔綜合性期刊以外，主要為口腔頜面外科學、口腔正畸學和口腔影像學專科期刊。
表2
口腔醫學領域人工智能研究高發文期刊
2.4 合作網絡分析
通過使用CiteSpace軟件對口腔醫學領域人工智能研究的國家/機構/作者合作情況進行可視化分析，可分別從宏觀/中觀/微觀的視角探測相關研究的合作網絡結構。根據發文時間分布，設置時間跨度為1987—2021年。在合作網絡圖譜中，每個節點代表不同的國家（機構/作者），節點直徑大小代表發文的頻次；節點上不同的顏色圓環從內到外代表著發文年份從遠至今，從紫色開始的彩色圓環代表了近十年（2012—2021年）的發文情況，圓環的寬度代表該時間節點內發文量。節點之間的連線顏色代表國家（機構/作者）之間初次合作的年份。中介中心性由美國社會學家林頓·弗里曼教授提出的概念，指的是一個節點擔任其他兩個節點之間最短路徑橋梁的次數，如果該節點擔任橋梁次數越多，中介中心性就越大，意味著該節點在合作網絡中越具有影響力。在CiteSpace中，中介中心性超過0.1的節點稱為關鍵節點，在圖譜中表現為節點帶有紫色外圈[5]。
2.4.1 國家合作網絡分析
在國家間合作網絡圖譜（圖3）中6個國家中介中心性超過0.1，是合作網絡的關鍵節點。美國不但中介中心性位于前列，也是發文最多的國家。英國雖然發文較少，但中介中心性位居第一。中國首次發文年份為2009年，中介中心性為0.1，這表明中國雖然起步較晚，但在該領域具有較大的研究潛力。
圖3
國家間合作網絡圖譜
2.4.2 機構合作網絡分析
機構間合作網絡圖譜里（圖4）中國香港大學中介中心性大于0.1，說明中國已有研究機構在口腔醫學領域的人工智能領域取得一定影響力。香港大學的合作頻次為7次，連線對象大多為國外知名機構，但與中國國內研究機構之間連線較少，表明國內研究機構間的合作有待加強，需要提高中國在口腔醫學領域人工智能研究的總體影響力。
圖4
機構間合作網絡圖譜
2.4.3 作者合作網絡分析
作者合作網絡（圖5）中主要合作網絡是由以愛知學院大學Yoshiko和Eiichiro教授及朝日大學Akitoshi教授三位作者為核心的研究團隊組成，其主要研究的方向為利用人工智能的算法對口腔疾病的影像學檢查結果進行檢測，探討其在輔助臨床診斷和提高診療效率等方面的價值。此外，以Kaan為核心的研究團隊在2021年形成小型合作網絡，其研究的主要方向為評估利用人工智能進行口腔疾病檢測的系統。
圖5
作者間合作網絡圖譜
2.5 關鍵詞分析
口腔醫學領域人工智能研究的文獻更新迭代迅速，分析設置時間跨度為最近10年即2012—2021年。對共現關鍵詞進行聚類分析，可展示關鍵詞之間的異同親疏關系。通常用聚類模塊性Q值（modularity Q）與平均輪廓性S值（mean silhouette）作為評價標準，當Q>0.3，S>0.5，一般認為該聚類結構顯著并可信度高[5,7]。本研究共生成14個聚類，整體Q=0.6882，S=0.9158。表明該聚類合理，結構顯著。聚類從0開始編號，編號越小聚類規模越大，選取前7個聚類繪制時間線圖（圖6）。前七個聚落名分別是#0 artificial intelligence（人工智能）、#1 deep learning（深度學習）、#2 anatomic landmarks（解剖標志）、#3 image quality（圖片質量）、#4 dental caries（齲病）、#5 computer simulation（計算機模擬）和#6 TOETVA（經口甲狀腺切除術）。
圖6
2012—2021年關鍵詞共現時線圖
結合聚落標簽和聚落內關鍵詞可知，過去10年內，口腔醫學領域人工智能研究的主要技術是深度學習和機器人手術。深度學習是機器學習延伸出的一類人工智能方法的總稱，學習是指從數據中發現各種規律尤其是分類規律，深度體現在可直接輸入原始數據，由模型通過學習，在對數據特征的多次變換后，給出適合分類的特征表示[8]。深度學習常用于各種監督模式識別問題，常用的方法有用于圖像識別的卷積神經網絡等。通過對標準化口腔影像（包括數字化根尖片、曲面斷層片、側位片、CBCT、口內照片、病理組織切片等）進行識別和判讀，區分不同的解剖組織結構，辨別正常和異常情況，對疾病進行診斷，并進一步進行分類和治療難度分級。雖然人工智能模型在檢測和診斷齲齒[9]、根尖周病變[10]、牙周炎[11]、口腔癌性病變[12]、顳下頜關節疾病[13]、錯頜畸形[14]等口腔疾病中展現出巨大的應用價值，但目前大部分研究主要處于臨床試驗階段。
經口手術機器人（transoral robotic surgery，TOR）最早于2009年經美國食品和藥物管理局（food and drug administration，FDA）批準用于臨床治療早期口咽癌。有研究表明，經口機器人手術與傳統開放手術相比，擁有相似的治療效果，且創傷小、不會造成頭面部手術疤痕影響美觀，能提供清晰穩定的手術視野，術后并發癥少，神經損傷概率低，吞咽功能恢復快、降低氣管切開率[15]等。此外，醫生還可通過機器人系統進行術前設計、模擬效果、術中導航、遠程控制。值得注意的是，雖然被稱作機器人手術，TOR仍依賴人工遠程控制機械臂進行手術操作。
口腔醫學領域人工智能研究的主要數據是口腔影像學數據。口腔影像檢查是口腔疾病常用的輔助檢查手段，而隨著錐形束CT（cone-beam computed tomographic，CBCT）的普及，使得口腔醫生能夠更好地從三維角度進行圖像分析，但是其圖像較為復雜，需要仔細閱讀解釋。口腔影像學檢查為人工智能技術提供了豐富的數據來源，而通過深度學習，計算機可更準確、快速、全面地提供影像檢查的信息。但是由于影像質量和標準的參差，使得模型具有局限性，距離臨床實踐的成果轉化仍有一段距離。
口腔醫學領域人工智能研究的內容包括齲病、口腔醫學教育和頭頸部腫瘤。齲病是口腔最常見疾病，根據2017年全球疾病負擔報告，未經治療的恒牙齲齒是最常見的問題[16]。快速準確的檢測和診斷對齲齒的預防和治療及防止感染向牙髓擴散至關重要。人工智能技術也在齲病的影像學診斷和早期監測中被廣泛應用。數字化模型可提供三維的形象直觀地展示解剖結構[17]，幫助醫學生理解理論課的內容。此外，機器人仿真患者[18]、增強現實與虛擬現實的應用，可模擬真實醫療環境，使得醫學生獲得沉浸式的臨床前培訓，減少因訓練不足造成的醫療意外，也有利于促進遠程口腔醫療的發展。本研究發現頭頸部腫瘤不僅是口腔領域人工智能應用的主要場景，還是該領域的熱點前沿。
突現性反映了節點在某一時期突增的情況，在圖譜中表現為節點帶有紅色外圈，是CiteSpace軟件分析的重要指標參數。通過對關鍵詞的突現性分析，可挖掘某一領域的研究前沿與熱點。我們將相關研究在2012—2021年突現性較高即短時間內使用頻次激增的關鍵詞排列出來，見表3。根據突現詞的關聯可發現口腔醫學領域人工智能研究的前沿主要是口腔腫瘤研究和新型治療手段研究。
表3
突現強度前20關鍵詞
口咽癌（oropharyngeal cancer）、鱗狀細胞癌（squamous cell carcinoma）等口腔癌相關突現詞主要集中分布在2013—2018年。口腔癌是頭頸部常見的惡性腫瘤之一，死亡率相對高。根據中國國家癌癥中心報告，2022年我國預計新增31 733例口腔癌患者，將有15 745人死于口腔癌[19]。口腔癌是遺傳和環境因素共同作用的多因素疾病，其發病機制仍未明了。在口腔癌中，口腔鱗狀細胞癌約占90%，主要源于鱗狀上皮細胞的發育異常，可由口腔潛在惡性疾病（oral potentially malignant disorders，OPMD）發展而來。OPMD一類發生在口腔黏膜、具有癌變潛能的疾病總稱，其病因復雜，與局部刺激和全身因素密切相關，主要包括口腔扁平苔蘚、白斑和紅斑等口腔疾病，臨床表現形式多樣、特征具有重疊性，診斷相對困難，且并非所有的OPMD都會發展為惡性腫瘤結局。僅通過視診和觸診等常規口腔檢查，鑒別診斷難度大。再者，組織活檢具有一定技術要求，采樣偏倚可能造成誤診。此外，高質量的衛生資源數量有限且分布不均。這導致很多口腔癌患者尤其是身處偏遠地區的患者無法進行早期診斷，延誤治療，導致生存率低下，預后較差。在此環境下，人工智能具有與傳統的基礎和臨床研究不同的優勢。得益于信息技術的發展，人工智能算法可在龐大的電子健康數據中，挖掘出與疾病發生、發展密切相關的因素[20]，構建疾病風險預測模型。通過疾病相關因素的綜合評估，有助于對不同患者采取個性化的預防或治療方案，尤其是有利于潛在惡性疾病癌變或癌癥復發風險高患者的識別和監控[21]。通過計算機深度學習算法建立識別模型，可對標準化口腔影像檢查進行識別和判讀，有望作為一種早期口腔癌性病變篩查的決策支持手段廣泛開展。
3 討論
口腔醫學領域人工智能的研究起源于20世紀末，但發展緩慢，直至2012年才有明顯增長，其原因與人工智能的發展密不可分[22]。一般來說，交叉學科的發展總是與其中具有旺盛生命力的新興學科的發展緊密相連。正是在2012年，深度卷積神經網絡模型的提出[23]，掀起了深度學習熱潮。口腔醫學領域人工智能研究的激增表明該研究已成為領域熱點。美國是發文量最多的國家，其發文被引率也位居前列，研究團隊眾多，在口腔醫學領域人工智能的研究方面有較大的影響力。中國總發文量位于第四，研究團隊除北京大學和香港大學外，其他研究機構還處于初步探索階段，國內團隊間合作也有待加強。但在國家政策支持下，仍有較大發展空間。未來高校進行口腔醫學學科建設除保持現有優勢外，還應緊跟時代潮流，突破傳統學科邊界，借鑒其他學科的技術和經驗，進行學科合作，重視交叉人才的培養，借助最新科學技術為傳統科學研究注入活力。
口腔是人體與外界交互的重要門戶，因其特殊的解剖結構，具有極其復雜的微生態環境，各類高發的口腔疾病如齲病、牙周病等多是由遺傳因素和環境因素共同導致的復雜疾病。口腔疾病發病率和患病率高，且大多為慢性疾病，常因沒有明顯的疼痛或導致生命危險而被忽視，從而延誤診療，導致預后不佳，給個人和社會造成沉重的經濟負擔。2017年全球疾病負擔研究顯示，全世界近35億人患有口腔疾病，是世界主要公共衛生問題之一[16]。口腔疾病會直接影響患者營養攝入，嚴重影響生活質量，近年來許多研究還發現其與全身疾病密切相關，可能存在共同的危險因素如口腔微生物、不良生活習慣等[24-25]。根據世界衛生組織研究表明，大多數國家之間及國家內部都存在著口腔醫療資源分布不均現象，健康口腔健康狀況與經濟水平相關性很大，很多低收入人群口腔問題較為嚴重，但普遍存在缺少口腔衛生保健知識，獲得初級口腔衛生服務的機會少等問題[26]。隨著醫療服務體系和模式改革，強調個體化醫療的精準醫療和以預防為中心的全生命周期健康管理逐漸成為口腔疾病防治的發展方向。面對尚未明確的復雜口腔疾病、慢性病的長期管理、日益龐大的疾病數據等問題，人工智能可突破傳統醫療視角，通過建立更加健全、標準的口腔健康檔案數據庫，實現綜合分析、動態追蹤，精準賦能口腔醫學領域科研、教學、診療等環節的某些需求，如充分利用多維度醫療數據，采用人工智能模型挖掘以往易被忽略的疾病相關因素，提高口腔疾病的早期預防、早期診斷和早期治療的敏感性和特異性[20]；基于大數據的人工智能決策支持系統，可迅速給出診斷和治療方案建議，一定程度上提高醫師診療的效率和質量[27]；人工智能賦能遠程醫療可助力基層得到標準化和高質量的診療服務等。
盡管人工智能在口腔醫學領域有著廣闊的應用前景和社會經濟價值，但因該領域發展十分迅速，涉及醫療健康數據，數據構成復雜、流動性大，監管具有滯后性，會帶來一系列不可忽視的挑戰，如：數據和技術挑戰、社會倫理道德挑戰和組織管理挑戰[28]。在實踐過程中，應注意以下幾點：一是建立標準化、規范化的數據庫，對涉及患者隱私的數據去個人特征化；二是優化技術更新和審批流程，設立偏倚與評估機構，確保數據的正確使用；三是明確數據監管策略，制定詳細的數據安全保障規則；四是設立人工智能醫學倫理審查小組，針對其中的倫理問題進行嚴格權責管理[29-30]。
全球口腔醫學領域人工智能的研究規模持續擴大，以機器學習、專家系統和視覺系統等為代表的人工智能技術已廣泛融入醫療服務的各個環節，全面覆蓋醫院管理、臨床診療和預后評估，人工智能賦能的醫療服務不斷提高診療效率和服務水平。人工智能在口腔醫學應用為解決口腔醫療資源不均衡、負擔重等問題提出一條高可行性路徑，因此，通過深入了解口腔醫學領域人工智能研究的現狀，深度挖掘相關研究的熱點和前沿，聚焦行業難點，有利于行業凝練發展方向，齊心聚力不斷推動口腔智慧醫療產業數字化、遠程化、規范化、精準化發展，更好地為人們提供全生命周期口腔健康保障。
人工智能是計算機科學、控制論、信息論、語言學等多種學科融合發展出的一門交叉學科。其內涵已從以知識工程為核心的狹義人工智能逐漸擴展到類人腦根據刺激自主運作的廣義人工智能[1]。前者通常只執行某種特定功能，后者幾乎能執行所有人類認知活動。通常認為人工智能具有歸納和適應能力、獨立決策能力、持續學習能力、預測能力及運動和感知能力。人工智能領域在研究和應用的過程中，發展出不同的分支，主要包括專家系統、機器學習、神經網絡、視覺系統和自然語言處理等技術[2]。
自1956年首次提出人工智能以來，人工智能已被廣泛應用，并發揮著越來越重要的作用。人工智能席卷全球，被認為是“第四次工業革命”的核心驅動力。自2015年7月國務院印發的《關于積極推進“互聯網+”行動的指導意見》將“互聯網+人工智能”列入11項重點行動之一以來，我國出臺了一系列重要政策如《新一代人工智能發展規劃》、《促進新一代人工智能產業發展三年行動計劃（2018—2020）》等，逐步確立了人工智能在戰略發展中的重要地位。在醫學領域人工智能的應用主要包括基于人工智能算法的健康數據分析和基于人工智能技術的輔助設備[3]，作為醫學分支的口腔醫學也不例外。健康數據包括電子健康病歷、實驗室數據、影像學檢查、基因組學和移動終端數據等，利用人工智能算法對海量數據進行數據挖掘，可發現新思路新方法，以幫助醫生進行疾病診斷和治療方案的選擇[2]。人工智能在口腔醫學領域擁有十分廣闊的應用前景。本文旨在從文獻計量學角度，分析口腔醫學領域人工智能研究的現狀和發展趨勢，繪制相應知識圖譜，探究該研究范疇的熱點和前沿，以期為相關機構和學者掌握該研究領域的動態和快速定位熱點研究方向提供參考。
1 資料和方法
1.1 納入和排除標準
1.1.1 納入標準
① 研究主題為口腔醫學領域人工智能研究相關的文獻；② 文獻類型為“Article”和“Review”。
1.1.2 排除標準
信息缺失不全的文獻。
1.2 文獻檢索策略
本文以Web of Science（WOS）數據庫核心合集為數據來源，檢索將人工智能相關的主題詞與口腔醫學領域相結合。通過查閱文獻[4]和預檢索，確定檢索策略為：TS=（artificial intelligence OR machine intelligence OR artificial neural network* OR machine learning OR deep learn* OR natural language process* OR robot* OR thinking computer system OR expert system* OR evolutionary computation OR hybrid intelligent system*） AND SU=（Dentistry，Oral Surgery & Medicine）。按納入與排除標準篩選文獻，提取目標文獻的全紀錄與引用的參考文獻，按照“download_*”形式命名，以純文本文件形式導出保存到本地。所有的數據檢索及下載于2022年1月5日完成。
1.3 研究方法
通過提取WOS數據庫結果分析數據，對該領域的整體發文情況、高產機構和國家、高發文期刊等進行統計分析。根據普萊斯定律：在同一主題中，半數的論文為一群高生產力作者所撰。將產出機構和期刊按照發文量排序，選取累計發文量比例達總體的50%以上的機構和期刊視為研究領域的高產機構和期刊。采用CiteSpace軟件對目標文獻的作者、機構、國家進行合作網絡分析，對關鍵詞及引用文獻進行共現分析、聚類分析，從而探尋口腔醫學領域人工智能研究的分布、研究熱點及趨勢。根據需要設置軟件整個時間跨度，單個時間分區即時間切片為1年。網絡節點關聯強度選擇Cosine算法，設定時間片閾值為50，即抽取數據的前50個節點。根據可視化結果選擇最小生成樹算法（minimum spanning tree）對網絡進行精簡優化，根據研究需要選擇相應的節點類型，其余參數同預設，繪制可視化知識圖譜[5]。
2 結果
2.1 口腔醫學領域人工智能研究的時間分布
初檢共獲得相關文獻705篇，篩選后納入585篇文獻。第一篇口腔醫學領域人工智能研究的文章發表于1987年，主要內容是探討專家系統在口腔正畸治療決策的應用[6]。1987—2011年，相關的研究年均發文量約3篇；2012年開始相關研究的發文量出現明顯增長趨勢，年均發文量約15篇；2018年以后呈現爆發式增長，2018—2021年發文量約占總發文量的70%（圖1）。
圖1
相關研究年累計發文量及逐年發文量時間趨勢圖
2.2 口腔醫學領域人工智能研究的地域分布
口腔醫學領域人工智能研究產出最多的國家是美國，發文量接近總量的1/3。中國發文量55篇，位列第四。在發文量前20位的國家中，70%的國家位于歐洲和美洲，大多為發達國家，非洲無國家上榜（圖2）。在高產研究機構中，中國的研究機構有北京大學和香港大學，發文量分別為12篇和11篇（表1）。
圖2
人工智能在口腔醫學領域應用研究高產出國家
表1
人工智能在口腔醫學領域應用研究高產出機構
2.3 口腔醫學領域人工智能研究的發文期刊分布
對口腔醫學領域發表人工智能研究的期刊進行分析，高發文期刊如表2所示，發文量前3名的期刊分別是Oral Oncol、J Dent Res和Dentomaxillofac Rad。對期刊的主要學科方向進行梳理，發現除口腔綜合性期刊以外，主要為口腔頜面外科學、口腔正畸學和口腔影像學專科期刊。
表2
口腔醫學領域人工智能研究高發文期刊
2.4 合作網絡分析
通過使用CiteSpace軟件對口腔醫學領域人工智能研究的國家/機構/作者合作情況進行可視化分析，可分別從宏觀/中觀/微觀的視角探測相關研究的合作網絡結構。根據發文時間分布，設置時間跨度為1987—2021年。在合作網絡圖譜中，每個節點代表不同的國家（機構/作者），節點直徑大小代表發文的頻次；節點上不同的顏色圓環從內到外代表著發文年份從遠至今，從紫色開始的彩色圓環代表了近十年（2012—2021年）的發文情況，圓環的寬度代表該時間節點內發文量。節點之間的連線顏色代表國家（機構/作者）之間初次合作的年份。中介中心性由美國社會學家林頓·弗里曼教授提出的概念，指的是一個節點擔任其他兩個節點之間最短路徑橋梁的次數，如果該節點擔任橋梁次數越多，中介中心性就越大，意味著該節點在合作網絡中越具有影響力。在CiteSpace中，中介中心性超過0.1的節點稱為關鍵節點，在圖譜中表現為節點帶有紫色外圈[5]。
2.4.1 國家合作網絡分析
在國家間合作網絡圖譜（圖3）中6個國家中介中心性超過0.1，是合作網絡的關鍵節點。美國不但中介中心性位于前列，也是發文最多的國家。英國雖然發文較少，但中介中心性位居第一。中國首次發文年份為2009年，中介中心性為0.1，這表明中國雖然起步較晚，但在該領域具有較大的研究潛力。
圖3
國家間合作網絡圖譜
2.4.2 機構合作網絡分析
機構間合作網絡圖譜里（圖4）中國香港大學中介中心性大于0.1，說明中國已有研究機構在口腔醫學領域的人工智能領域取得一定影響力。香港大學的合作頻次為7次，連線對象大多為國外知名機構，但與中國國內研究機構之間連線較少，表明國內研究機構間的合作有待加強，需要提高中國在口腔醫學領域人工智能研究的總體影響力。
圖4
機構間合作網絡圖譜
2.4.3 作者合作網絡分析
作者合作網絡（圖5）中主要合作網絡是由以愛知學院大學Yoshiko和Eiichiro教授及朝日大學Akitoshi教授三位作者為核心的研究團隊組成，其主要研究的方向為利用人工智能的算法對口腔疾病的影像學檢查結果進行檢測，探討其在輔助臨床診斷和提高診療效率等方面的價值。此外，以Kaan為核心的研究團隊在2021年形成小型合作網絡，其研究的主要方向為評估利用人工智能進行口腔疾病檢測的系統。
圖5
作者間合作網絡圖譜
2.5 關鍵詞分析
口腔醫學領域人工智能研究的文獻更新迭代迅速，分析設置時間跨度為最近10年即2012—2021年。對共現關鍵詞進行聚類分析，可展示關鍵詞之間的異同親疏關系。通常用聚類模塊性Q值（modularity Q）與平均輪廓性S值（mean silhouette）作為評價標準，當Q>0.3，S>0.5，一般認為該聚類結構顯著并可信度高[5,7]。本研究共生成14個聚類，整體Q=0.6882，S=0.9158。表明該聚類合理，結構顯著。聚類從0開始編號，編號越小聚類規模越大，選取前7個聚類繪制時間線圖（圖6）。前七個聚落名分別是#0 artificial intelligence（人工智能）、#1 deep learning（深度學習）、#2 anatomic landmarks（解剖標志）、#3 image quality（圖片質量）、#4 dental caries（齲病）、#5 computer simulation（計算機模擬）和#6 TOETVA（經口甲狀腺切除術）。
圖6
2012—2021年關鍵詞共現時線圖
結合聚落標簽和聚落內關鍵詞可知，過去10年內，口腔醫學領域人工智能研究的主要技術是深度學習和機器人手術。深度學習是機器學習延伸出的一類人工智能方法的總稱，學習是指從數據中發現各種規律尤其是分類規律，深度體現在可直接輸入原始數據，由模型通過學習，在對數據特征的多次變換后，給出適合分類的特征表示[8]。深度學習常用于各種監督模式識別問題，常用的方法有用于圖像識別的卷積神經網絡等。通過對標準化口腔影像（包括數字化根尖片、曲面斷層片、側位片、CBCT、口內照片、病理組織切片等）進行識別和判讀，區分不同的解剖組織結構，辨別正常和異常情況，對疾病進行診斷，并進一步進行分類和治療難度分級。雖然人工智能模型在檢測和診斷齲齒[9]、根尖周病變[10]、牙周炎[11]、口腔癌性病變[12]、顳下頜關節疾病[13]、錯頜畸形[14]等口腔疾病中展現出巨大的應用價值，但目前大部分研究主要處于臨床試驗階段。
經口手術機器人（transoral robotic surgery，TOR）最早于2009年經美國食品和藥物管理局（food and drug administration，FDA）批準用于臨床治療早期口咽癌。有研究表明，經口機器人手術與傳統開放手術相比，擁有相似的治療效果，且創傷小、不會造成頭面部手術疤痕影響美觀，能提供清晰穩定的手術視野，術后并發癥少，神經損傷概率低，吞咽功能恢復快、降低氣管切開率[15]等。此外，醫生還可通過機器人系統進行術前設計、模擬效果、術中導航、遠程控制。值得注意的是，雖然被稱作機器人手術，TOR仍依賴人工遠程控制機械臂進行手術操作。
口腔醫學領域人工智能研究的主要數據是口腔影像學數據。口腔影像檢查是口腔疾病常用的輔助檢查手段，而隨著錐形束CT（cone-beam computed tomographic，CBCT）的普及，使得口腔醫生能夠更好地從三維角度進行圖像分析，但是其圖像較為復雜，需要仔細閱讀解釋。口腔影像學檢查為人工智能技術提供了豐富的數據來源，而通過深度學習，計算機可更準確、快速、全面地提供影像檢查的信息。但是由于影像質量和標準的參差，使得模型具有局限性，距離臨床實踐的成果轉化仍有一段距離。
口腔醫學領域人工智能研究的內容包括齲病、口腔醫學教育和頭頸部腫瘤。齲病是口腔最常見疾病，根據2017年全球疾病負擔報告，未經治療的恒牙齲齒是最常見的問題[16]。快速準確的檢測和診斷對齲齒的預防和治療及防止感染向牙髓擴散至關重要。人工智能技術也在齲病的影像學診斷和早期監測中被廣泛應用。數字化模型可提供三維的形象直觀地展示解剖結構[17]，幫助醫學生理解理論課的內容。此外，機器人仿真患者[18]、增強現實與虛擬現實的應用，可模擬真實醫療環境，使得醫學生獲得沉浸式的臨床前培訓，減少因訓練不足造成的醫療意外，也有利于促進遠程口腔醫療的發展。本研究發現頭頸部腫瘤不僅是口腔領域人工智能應用的主要場景，還是該領域的熱點前沿。
突現性反映了節點在某一時期突增的情況，在圖譜中表現為節點帶有紅色外圈，是CiteSpace軟件分析的重要指標參數。通過對關鍵詞的突現性分析，可挖掘某一領域的研究前沿與熱點。我們將相關研究在2012—2021年突現性較高即短時間內使用頻次激增的關鍵詞排列出來，見表3。根據突現詞的關聯可發現口腔醫學領域人工智能研究的前沿主要是口腔腫瘤研究和新型治療手段研究。
表3
突現強度前20關鍵詞
口咽癌（oropharyngeal cancer）、鱗狀細胞癌（squamous cell carcinoma）等口腔癌相關突現詞主要集中分布在2013—2018年。口腔癌是頭頸部常見的惡性腫瘤之一，死亡率相對高。根據中國國家癌癥中心報告，2022年我國預計新增31 733例口腔癌患者，將有15 745人死于口腔癌[19]。口腔癌是遺傳和環境因素共同作用的多因素疾病，其發病機制仍未明了。在口腔癌中，口腔鱗狀細胞癌約占90%，主要源于鱗狀上皮細胞的發育異常，可由口腔潛在惡性疾病（oral potentially malignant disorders，OPMD）發展而來。OPMD一類發生在口腔黏膜、具有癌變潛能的疾病總稱，其病因復雜，與局部刺激和全身因素密切相關，主要包括口腔扁平苔蘚、白斑和紅斑等口腔疾病，臨床表現形式多樣、特征具有重疊性，診斷相對困難，且并非所有的OPMD都會發展為惡性腫瘤結局。僅通過視診和觸診等常規口腔檢查，鑒別診斷難度大。再者，組織活檢具有一定技術要求，采樣偏倚可能造成誤診。此外，高質量的衛生資源數量有限且分布不均。這導致很多口腔癌患者尤其是身處偏遠地區的患者無法進行早期診斷，延誤治療，導致生存率低下，預后較差。在此環境下，人工智能具有與傳統的基礎和臨床研究不同的優勢。得益于信息技術的發展，人工智能算法可在龐大的電子健康數據中，挖掘出與疾病發生、發展密切相關的因素[20]，構建疾病風險預測模型。通過疾病相關因素的綜合評估，有助于對不同患者采取個性化的預防或治療方案，尤其是有利于潛在惡性疾病癌變或癌癥復發風險高患者的識別和監控[21]。通過計算機深度學習算法建立識別模型，可對標準化口腔影像檢查進行識別和判讀，有望作為一種早期口腔癌性病變篩查的決策支持手段廣泛開展。
3 討論
口腔醫學領域人工智能的研究起源于20世紀末，但發展緩慢，直至2012年才有明顯增長，其原因與人工智能的發展密不可分[22]。一般來說，交叉學科的發展總是與其中具有旺盛生命力的新興學科的發展緊密相連。正是在2012年，深度卷積神經網絡模型的提出[23]，掀起了深度學習熱潮。口腔醫學領域人工智能研究的激增表明該研究已成為領域熱點。美國是發文量最多的國家，其發文被引率也位居前列，研究團隊眾多，在口腔醫學領域人工智能的研究方面有較大的影響力。中國總發文量位于第四，研究團隊除北京大學和香港大學外，其他研究機構還處于初步探索階段，國內團隊間合作也有待加強。但在國家政策支持下，仍有較大發展空間。未來高校進行口腔醫學學科建設除保持現有優勢外，還應緊跟時代潮流，突破傳統學科邊界，借鑒其他學科的技術和經驗，進行學科合作，重視交叉人才的培養，借助最新科學技術為傳統科學研究注入活力。
口腔是人體與外界交互的重要門戶，因其特殊的解剖結構，具有極其復雜的微生態環境，各類高發的口腔疾病如齲病、牙周病等多是由遺傳因素和環境因素共同導致的復雜疾病。口腔疾病發病率和患病率高，且大多為慢性疾病，常因沒有明顯的疼痛或導致生命危險而被忽視，從而延誤診療，導致預后不佳，給個人和社會造成沉重的經濟負擔。2017年全球疾病負擔研究顯示，全世界近35億人患有口腔疾病，是世界主要公共衛生問題之一[16]。口腔疾病會直接影響患者營養攝入，嚴重影響生活質量，近年來許多研究還發現其與全身疾病密切相關，可能存在共同的危險因素如口腔微生物、不良生活習慣等[24-25]。根據世界衛生組織研究表明，大多數國家之間及國家內部都存在著口腔醫療資源分布不均現象，健康口腔健康狀況與經濟水平相關性很大，很多低收入人群口腔問題較為嚴重，但普遍存在缺少口腔衛生保健知識，獲得初級口腔衛生服務的機會少等問題[26]。隨著醫療服務體系和模式改革，強調個體化醫療的精準醫療和以預防為中心的全生命周期健康管理逐漸成為口腔疾病防治的發展方向。面對尚未明確的復雜口腔疾病、慢性病的長期管理、日益龐大的疾病數據等問題，人工智能可突破傳統醫療視角，通過建立更加健全、標準的口腔健康檔案數據庫，實現綜合分析、動態追蹤，精準賦能口腔醫學領域科研、教學、診療等環節的某些需求，如充分利用多維度醫療數據，采用人工智能模型挖掘以往易被忽略的疾病相關因素，提高口腔疾病的早期預防、早期診斷和早期治療的敏感性和特異性[20]；基于大數據的人工智能決策支持系統，可迅速給出診斷和治療方案建議，一定程度上提高醫師診療的效率和質量[27]；人工智能賦能遠程醫療可助力基層得到標準化和高質量的診療服務等。
盡管人工智能在口腔醫學領域有著廣闊的應用前景和社會經濟價值，但因該領域發展十分迅速，涉及醫療健康數據，數據構成復雜、流動性大，監管具有滯后性，會帶來一系列不可忽視的挑戰，如：數據和技術挑戰、社會倫理道德挑戰和組織管理挑戰[28]。在實踐過程中，應注意以下幾點：一是建立標準化、規范化的數據庫，對涉及患者隱私的數據去個人特征化；二是優化技術更新和審批流程，設立偏倚與評估機構，確保數據的正確使用；三是明確數據監管策略，制定詳細的數據安全保障規則；四是設立人工智能醫學倫理審查小組，針對其中的倫理問題進行嚴格權責管理[29-30]。
全球口腔醫學領域人工智能的研究規模持續擴大，以機器學習、專家系統和視覺系統等為代表的人工智能技術已廣泛融入醫療服務的各個環節，全面覆蓋醫院管理、臨床診療和預后評估，人工智能賦能的醫療服務不斷提高診療效率和服務水平。人工智能在口腔醫學應用為解決口腔醫療資源不均衡、負擔重等問題提出一條高可行性路徑，因此，通過深入了解口腔醫學領域人工智能研究的現狀，深度挖掘相關研究的熱點和前沿，聚焦行業難點，有利于行業凝練發展方向，齊心聚力不斷推動口腔智慧醫療產業數字化、遠程化、規范化、精準化發展，更好地為人們提供全生命周期口腔健康保障。
