引用本文： 唐莉, 徐欣, 廖玍. 口腔医学领域人工智能研究前沿和热点分析. 中国循证医学杂志, 2022, 22(6): 684-691. doi: 10.7507/1672-2531.202202103 复制
人工智能是计算机科学、控制论、信息论、语言学等多种学科融合发展出的一门交叉学科。其内涵已从以知识工程为核心的狭义人工智能逐渐扩展到类人脑根据刺激自主运作的广义人工智能[1]。前者通常只执行某种特定功能，后者几乎能执行所有人类认知活动。通常认为人工智能具有归纳和适应能力、独立决策能力、持续学习能力、预测能力及运动和感知能力。人工智能领域在研究和应用的过程中，发展出不同的分支，主要包括专家系统、机器学习、神经网络、视觉系统和自然语言处理等技术[2]。
自1956年首次提出人工智能以来，人工智能已被广泛应用，并发挥着越来越重要的作用。人工智能席卷全球，被认为是“第四次工业革命”的核心驱动力。自2015年7月国务院印发的《关于积极推进“互联网+”行动的指导意见》将“互联网+人工智能”列入11项重点行动之一以来，我国出台了一系列重要政策如《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划（2018—2020）》等，逐步确立了人工智能在战略发展中的重要地位。在医学领域人工智能的应用主要包括基于人工智能算法的健康数据分析和基于人工智能技术的辅助设备[3]，作为医学分支的口腔医学也不例外。健康数据包括电子健康病历、实验室数据、影像学检查、基因组学和移动终端数据等，利用人工智能算法对海量数据进行数据挖掘，可发现新思路新方法，以帮助医生进行疾病诊断和治疗方案的选择[2]。人工智能在口腔医学领域拥有十分广阔的应用前景。本文旨在从文献计量学角度，分析口腔医学领域人工智能研究的现状和发展趋势，绘制相应知识图谱，探究该研究范畴的热点和前沿，以期为相关机构和学者掌握该研究领域的动态和快速定位热点研究方向提供参考。
1 资料和方法
1.1 纳入和排除标准
1.1.1 纳入标准
① 研究主题为口腔医学领域人工智能研究相关的文献；② 文献类型为“Article”和“Review”。
1.1.2 排除标准
信息缺失不全的文献。
1.2 文献检索策略
本文以Web of Science（WOS）数据库核心合集为数据来源，检索将人工智能相关的主题词与口腔医学领域相结合。通过查阅文献[4]和预检索，确定检索策略为：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）。按纳入与排除标准筛选文献，提取目标文献的全纪录与引用的参考文献，按照“download_*”形式命名，以纯文本文件形式导出保存到本地。所有的数据检索及下载于2022年1月5日完成。
1.3 研究方法
通过提取WOS数据库结果分析数据，对该领域的整体发文情况、高产机构和国家、高发文期刊等进行统计分析。根据普莱斯定律：在同一主题中，半数的论文为一群高生产力作者所撰。将产出机构和期刊按照发文量排序，选取累计发文量比例达总体的50%以上的机构和期刊视为研究领域的高产机构和期刊。采用CiteSpace软件对目标文献的作者、机构、国家进行合作网络分析，对关键词及引用文献进行共现分析、聚类分析，从而探寻口腔医学领域人工智能研究的分布、研究热点及趋势。根据需要设置软件整个时间跨度，单个时间分区即时间切片为1年。网络节点关联强度选择Cosine算法，设定时间片阈值为50，即抽取数据的前50个节点。根据可视化结果选择最小生成树算法（minimum spanning tree）对网络进行精简优化，根据研究需要选择相应的节点类型，其余参数同预设，绘制可视化知识图谱[5]。
2 结果
2.1 口腔医学领域人工智能研究的时间分布
初检共获得相关文献705篇，筛选后纳入585篇文献。第一篇口腔医学领域人工智能研究的文章发表于1987年，主要内容是探讨专家系统在口腔正畸治疗决策的应用[6]。1987—2011年，相关的研究年均发文量约3篇；2012年开始相关研究的发文量出现明显增长趋势，年均发文量约15篇；2018年以后呈现爆发式增长，2018—2021年发文量约占总发文量的70%（图1）。
图1
相关研究年累计发文量及逐年发文量时间趋势图
2.2 口腔医学领域人工智能研究的地域分布
口腔医学领域人工智能研究产出最多的国家是美国，发文量接近总量的1/3。中国发文量55篇，位列第四。在发文量前20位的国家中，70%的国家位于欧洲和美洲，大多为发达国家，非洲无国家上榜（图2）。在高产研究机构中，中国的研究机构有北京大学和香港大学，发文量分别为12篇和11篇（表1）。
图2
人工智能在口腔医学领域应用研究高产出国家
表1
人工智能在口腔医学领域应用研究高产出机构
2.3 口腔医学领域人工智能研究的发文期刊分布
对口腔医学领域发表人工智能研究的期刊进行分析，高发文期刊如表2所示，发文量前3名的期刊分别是Oral Oncol、J Dent Res和Dentomaxillofac Rad。对期刊的主要学科方向进行梳理，发现除口腔综合性期刊以外，主要为口腔颌面外科学、口腔正畸学和口腔影像学专科期刊。
表2
口腔医学领域人工智能研究高发文期刊
2.4 合作网络分析
通过使用CiteSpace软件对口腔医学领域人工智能研究的国家/机构/作者合作情况进行可视化分析，可分别从宏观/中观/微观的视角探测相关研究的合作网络结构。根据发文时间分布，设置时间跨度为1987—2021年。在合作网络图谱中，每个节点代表不同的国家（机构/作者），节点直径大小代表发文的频次；节点上不同的颜色圆环从内到外代表着发文年份从远至今，从紫色开始的彩色圆环代表了近十年（2012—2021年）的发文情况，圆环的宽度代表该时间节点内发文量。节点之间的连线颜色代表国家（机构/作者）之间初次合作的年份。中介中心性由美国社会学家林顿·弗里曼教授提出的概念，指的是一个节点担任其他两个节点之间最短路径桥梁的次数，如果该节点担任桥梁次数越多，中介中心性就越大，意味着该节点在合作网络中越具有影响力。在CiteSpace中，中介中心性超过0.1的节点称为关键节点，在图谱中表现为节点带有紫色外圈[5]。
2.4.1 国家合作网络分析
在国家间合作网络图谱（图3）中6个国家中介中心性超过0.1，是合作网络的关键节点。美国不但中介中心性位于前列，也是发文最多的国家。英国虽然发文较少，但中介中心性位居第一。中国首次发文年份为2009年，中介中心性为0.1，这表明中国虽然起步较晚，但在该领域具有较大的研究潜力。
图3
国家间合作网络图谱
2.4.2 机构合作网络分析
机构间合作网络图谱里（图4）中国香港大学中介中心性大于0.1，说明中国已有研究机构在口腔医学领域的人工智能领域取得一定影响力。香港大学的合作频次为7次，连线对象大多为国外知名机构，但与中国国内研究机构之间连线较少，表明国内研究机构间的合作有待加强，需要提高中国在口腔医学领域人工智能研究的总体影响力。
图4
机构间合作网络图谱
2.4.3 作者合作网络分析
作者合作网络（图5）中主要合作网络是由以爱知学院大学Yoshiko和Eiichiro教授及朝日大学Akitoshi教授三位作者为核心的研究团队组成，其主要研究的方向为利用人工智能的算法对口腔疾病的影像学检查结果进行检测，探讨其在辅助临床诊断和提高诊疗效率等方面的价值。此外，以Kaan为核心的研究团队在2021年形成小型合作网络，其研究的主要方向为评估利用人工智能进行口腔疾病检测的系统。
图5
作者间合作网络图谱
2.5 关键词分析
口腔医学领域人工智能研究的文献更新迭代迅速，分析设置时间跨度为最近10年即2012—2021年。对共现关键词进行聚类分析，可展示关键词之间的异同亲疏关系。通常用聚类模块性Q值（modularity Q）与平均轮廓性S值（mean silhouette）作为评价标准，当Q>0.3，S>0.5，一般认为该聚类结构显著并可信度高[5,7]。本研究共生成14个聚类，整体Q=0.6882，S=0.9158。表明该聚类合理，结构显著。聚类从0开始编号，编号越小聚类规模越大，选取前7个聚类绘制时间线图（图6）。前七个聚落名分别是#0 artificial intelligence（人工智能）、#1 deep learning（深度学习）、#2 anatomic landmarks（解剖标志）、#3 image quality（图片质量）、#4 dental caries（龋病）、#5 computer simulation（计算机模拟）和#6 TOETVA（经口甲状腺切除术）。
图6
2012—2021年关键词共现时线图
结合聚落标签和聚落内关键词可知，过去10年内，口腔医学领域人工智能研究的主要技术是深度学习和机器人手术。深度学习是机器学习延伸出的一类人工智能方法的总称，学习是指从数据中发现各种规律尤其是分类规律，深度体现在可直接输入原始数据，由模型通过学习，在对数据特征的多次变换后，给出适合分类的特征表示[8]。深度学习常用于各种监督模式识别问题，常用的方法有用于图像识别的卷积神经网络等。通过对标准化口腔影像（包括数字化根尖片、曲面断层片、侧位片、CBCT、口内照片、病理组织切片等）进行识别和判读，区分不同的解剖组织结构，辨别正常和异常情况，对疾病进行诊断，并进一步进行分类和治疗难度分级。虽然人工智能模型在检测和诊断龋齿[9]、根尖周病变[10]、牙周炎[11]、口腔癌性病变[12]、颞下颌关节疾病[13]、错颌畸形[14]等口腔疾病中展现出巨大的应用价值，但目前大部分研究主要处于临床试验阶段。
经口手术机器人（transoral robotic surgery，TOR）最早于2009年经美国食品和药物管理局（food and drug administration，FDA）批准用于临床治疗早期口咽癌。有研究表明，经口机器人手术与传统开放手术相比，拥有相似的治疗效果，且创伤小、不会造成头面部手术疤痕影响美观，能提供清晰稳定的手术视野，术后并发症少，神经损伤概率低，吞咽功能恢复快、降低气管切开率[15]等。此外，医生还可通过机器人系统进行术前设计、模拟效果、术中导航、远程控制。值得注意的是，虽然被称作机器人手术，TOR仍依赖人工远程控制机械臂进行手术操作。
口腔医学领域人工智能研究的主要数据是口腔影像学数据。口腔影像检查是口腔疾病常用的辅助检查手段，而随着锥形束CT（cone-beam computed tomographic，CBCT）的普及，使得口腔医生能够更好地从三维角度进行图像分析，但是其图像较为复杂，需要仔细阅读解释。口腔影像学检查为人工智能技术提供了丰富的数据来源，而通过深度学习，计算机可更准确、快速、全面地提供影像检查的信息。但是由于影像质量和标准的参差，使得模型具有局限性，距离临床实践的成果转化仍有一段距离。
口腔医学领域人工智能研究的内容包括龋病、口腔医学教育和头颈部肿瘤。龋病是口腔最常见疾病，根据2017年全球疾病负担报告，未经治疗的恒牙龋齿是最常见的问题[16]。快速准确的检测和诊断对龋齿的预防和治疗及防止感染向牙髓扩散至关重要。人工智能技术也在龋病的影像学诊断和早期监测中被广泛应用。数字化模型可提供三维的形象直观地展示解剖结构[17]，帮助医学生理解理论课的内容。此外，机器人仿真患者[18]、增强现实与虚拟现实的应用，可模拟真实医疗环境，使得医学生获得沉浸式的临床前培训，减少因训练不足造成的医疗意外，也有利于促进远程口腔医疗的发展。本研究发现头颈部肿瘤不仅是口腔领域人工智能应用的主要场景，还是该领域的热点前沿。
突现性反映了节点在某一时期突增的情况，在图谱中表现为节点带有红色外圈，是CiteSpace软件分析的重要指标参数。通过对关键词的突现性分析，可挖掘某一领域的研究前沿与热点。我们将相关研究在2012—2021年突现性较高即短时间内使用频次激增的关键词排列出来，见表3。根据突现词的关联可发现口腔医学领域人工智能研究的前沿主要是口腔肿瘤研究和新型治疗手段研究。
表3
突现强度前20关键词
口咽癌（oropharyngeal cancer）、鳞状细胞癌（squamous cell carcinoma）等口腔癌相关突现词主要集中分布在2013—2018年。口腔癌是头颈部常见的恶性肿瘤之一，死亡率相对高。根据中国国家癌症中心报告，2022年我国预计新增31 733例口腔癌患者，将有15 745人死于口腔癌[19]。口腔癌是遗传和环境因素共同作用的多因素疾病，其发病机制仍未明了。在口腔癌中，口腔鳞状细胞癌约占90%，主要源于鳞状上皮细胞的发育异常，可由口腔潜在恶性疾病（oral potentially malignant disorders，OPMD）发展而来。OPMD一类发生在口腔黏膜、具有癌变潜能的疾病总称，其病因复杂，与局部刺激和全身因素密切相关，主要包括口腔扁平苔藓、白斑和红斑等口腔疾病，临床表现形式多样、特征具有重叠性，诊断相对困难，且并非所有的OPMD都会发展为恶性肿瘤结局。仅通过视诊和触诊等常规口腔检查，鉴别诊断难度大。再者，组织活检具有一定技术要求，采样偏倚可能造成误诊。此外，高质量的卫生资源数量有限且分布不均。这导致很多口腔癌患者尤其是身处偏远地区的患者无法进行早期诊断，延误治疗，导致生存率低下，预后较差。在此环境下，人工智能具有与传统的基础和临床研究不同的优势。得益于信息技术的发展，人工智能算法可在庞大的电子健康数据中，挖掘出与疾病发生、发展密切相关的因素[20]，构建疾病风险预测模型。通过疾病相关因素的综合评估，有助于对不同患者采取个性化的预防或治疗方案，尤其是有利于潜在恶性疾病癌变或癌症复发风险高患者的识别和监控[21]。通过计算机深度学习算法建立识别模型，可对标准化口腔影像检查进行识别和判读，有望作为一种早期口腔癌性病变筛查的决策支持手段广泛开展。
3 讨论
口腔医学领域人工智能的研究起源于20世纪末，但发展缓慢，直至2012年才有明显增长，其原因与人工智能的发展密不可分[22]。一般来说，交叉学科的发展总是与其中具有旺盛生命力的新兴学科的发展紧密相连。正是在2012年，深度卷积神经网络模型的提出[23]，掀起了深度学习热潮。口腔医学领域人工智能研究的激增表明该研究已成为领域热点。美国是发文量最多的国家，其发文被引率也位居前列，研究团队众多，在口腔医学领域人工智能的研究方面有较大的影响力。中国总发文量位于第四，研究团队除北京大学和香港大学外，其他研究机构还处于初步探索阶段，国内团队间合作也有待加强。但在国家政策支持下，仍有较大发展空间。未来高校进行口腔医学学科建设除保持现有优势外，还应紧跟时代潮流，突破传统学科边界，借鉴其他学科的技术和经验，进行学科合作，重视交叉人才的培养，借助最新科学技术为传统科学研究注入活力。
口腔是人体与外界交互的重要门户，因其特殊的解剖结构，具有极其复杂的微生态环境，各类高发的口腔疾病如龋病、牙周病等多是由遗传因素和环境因素共同导致的复杂疾病。口腔疾病发病率和患病率高，且大多为慢性疾病，常因没有明显的疼痛或导致生命危险而被忽视，从而延误诊疗，导致预后不佳，给个人和社会造成沉重的经济负担。2017年全球疾病负担研究显示，全世界近35亿人患有口腔疾病，是世界主要公共卫生问题之一[16]。口腔疾病会直接影响患者营养摄入，严重影响生活质量，近年来许多研究还发现其与全身疾病密切相关，可能存在共同的危险因素如口腔微生物、不良生活习惯等[24-25]。根据世界卫生组织研究表明，大多数国家之间及国家内部都存在着口腔医疗资源分布不均现象，健康口腔健康状况与经济水平相关性很大，很多低收入人群口腔问题较为严重，但普遍存在缺少口腔卫生保健知识，获得初级口腔卫生服务的机会少等问题[26]。随着医疗服务体系和模式改革，强调个体化医疗的精准医疗和以预防为中心的全生命周期健康管理逐渐成为口腔疾病防治的发展方向。面对尚未明确的复杂口腔疾病、慢性病的长期管理、日益庞大的疾病数据等问题，人工智能可突破传统医疗视角，通过建立更加健全、标准的口腔健康档案数据库，实现综合分析、动态追踪，精准赋能口腔医学领域科研、教学、诊疗等环节的某些需求，如充分利用多维度医疗数据，采用人工智能模型挖掘以往易被忽略的疾病相关因素，提高口腔疾病的早期预防、早期诊断和早期治疗的敏感性和特异性[20]；基于大数据的人工智能决策支持系统，可迅速给出诊断和治疗方案建议，一定程度上提高医师诊疗的效率和质量[27]；人工智能赋能远程医疗可助力基层得到标准化和高质量的诊疗服务等。
尽管人工智能在口腔医学领域有着广阔的应用前景和社会经济价值，但因该领域发展十分迅速，涉及医疗健康数据，数据构成复杂、流动性大，监管具有滞后性，会带来一系列不可忽视的挑战，如：数据和技术挑战、社会伦理道德挑战和组织管理挑战[28]。在实践过程中，应注意以下几点：一是建立标准化、规范化的数据库，对涉及患者隐私的数据去个人特征化；二是优化技术更新和审批流程，设立偏倚与评估机构，确保数据的正确使用；三是明确数据监管策略，制定详细的数据安全保障规则；四是设立人工智能医学伦理审查小组，针对其中的伦理问题进行严格权责管理[29-30]。
全球口腔医学领域人工智能的研究规模持续扩大，以机器学习、专家系统和视觉系统等为代表的人工智能技术已广泛融入医疗服务的各个环节，全面覆盖医院管理、临床诊疗和预后评估，人工智能赋能的医疗服务不断提高诊疗效率和服务水平。人工智能在口腔医学应用为解决口腔医疗资源不均衡、负担重等问题提出一条高可行性路径，因此，通过深入了解口腔医学领域人工智能研究的现状，深度挖掘相关研究的热点和前沿，聚焦行业难点，有利于行业凝练发展方向，齐心聚力不断推动口腔智慧医疗产业数字化、远程化、规范化、精准化发展，更好地为人们提供全生命周期口腔健康保障。
人工智能是计算机科学、控制论、信息论、语言学等多种学科融合发展出的一门交叉学科。其内涵已从以知识工程为核心的狭义人工智能逐渐扩展到类人脑根据刺激自主运作的广义人工智能[1]。前者通常只执行某种特定功能，后者几乎能执行所有人类认知活动。通常认为人工智能具有归纳和适应能力、独立决策能力、持续学习能力、预测能力及运动和感知能力。人工智能领域在研究和应用的过程中，发展出不同的分支，主要包括专家系统、机器学习、神经网络、视觉系统和自然语言处理等技术[2]。
自1956年首次提出人工智能以来，人工智能已被广泛应用，并发挥着越来越重要的作用。人工智能席卷全球，被认为是“第四次工业革命”的核心驱动力。自2015年7月国务院印发的《关于积极推进“互联网+”行动的指导意见》将“互联网+人工智能”列入11项重点行动之一以来，我国出台了一系列重要政策如《新一代人工智能发展规划》、《促进新一代人工智能产业发展三年行动计划（2018—2020）》等，逐步确立了人工智能在战略发展中的重要地位。在医学领域人工智能的应用主要包括基于人工智能算法的健康数据分析和基于人工智能技术的辅助设备[3]，作为医学分支的口腔医学也不例外。健康数据包括电子健康病历、实验室数据、影像学检查、基因组学和移动终端数据等，利用人工智能算法对海量数据进行数据挖掘，可发现新思路新方法，以帮助医生进行疾病诊断和治疗方案的选择[2]。人工智能在口腔医学领域拥有十分广阔的应用前景。本文旨在从文献计量学角度，分析口腔医学领域人工智能研究的现状和发展趋势，绘制相应知识图谱，探究该研究范畴的热点和前沿，以期为相关机构和学者掌握该研究领域的动态和快速定位热点研究方向提供参考。
1 资料和方法
1.1 纳入和排除标准
1.1.1 纳入标准
① 研究主题为口腔医学领域人工智能研究相关的文献；② 文献类型为“Article”和“Review”。
1.1.2 排除标准
信息缺失不全的文献。
1.2 文献检索策略
本文以Web of Science（WOS）数据库核心合集为数据来源，检索将人工智能相关的主题词与口腔医学领域相结合。通过查阅文献[4]和预检索，确定检索策略为：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）。按纳入与排除标准筛选文献，提取目标文献的全纪录与引用的参考文献，按照“download_*”形式命名，以纯文本文件形式导出保存到本地。所有的数据检索及下载于2022年1月5日完成。
1.3 研究方法
通过提取WOS数据库结果分析数据，对该领域的整体发文情况、高产机构和国家、高发文期刊等进行统计分析。根据普莱斯定律：在同一主题中，半数的论文为一群高生产力作者所撰。将产出机构和期刊按照发文量排序，选取累计发文量比例达总体的50%以上的机构和期刊视为研究领域的高产机构和期刊。采用CiteSpace软件对目标文献的作者、机构、国家进行合作网络分析，对关键词及引用文献进行共现分析、聚类分析，从而探寻口腔医学领域人工智能研究的分布、研究热点及趋势。根据需要设置软件整个时间跨度，单个时间分区即时间切片为1年。网络节点关联强度选择Cosine算法，设定时间片阈值为50，即抽取数据的前50个节点。根据可视化结果选择最小生成树算法（minimum spanning tree）对网络进行精简优化，根据研究需要选择相应的节点类型，其余参数同预设，绘制可视化知识图谱[5]。
2 结果
2.1 口腔医学领域人工智能研究的时间分布
初检共获得相关文献705篇，筛选后纳入585篇文献。第一篇口腔医学领域人工智能研究的文章发表于1987年，主要内容是探讨专家系统在口腔正畸治疗决策的应用[6]。1987—2011年，相关的研究年均发文量约3篇；2012年开始相关研究的发文量出现明显增长趋势，年均发文量约15篇；2018年以后呈现爆发式增长，2018—2021年发文量约占总发文量的70%（图1）。
图1
相关研究年累计发文量及逐年发文量时间趋势图
2.2 口腔医学领域人工智能研究的地域分布
口腔医学领域人工智能研究产出最多的国家是美国，发文量接近总量的1/3。中国发文量55篇，位列第四。在发文量前20位的国家中，70%的国家位于欧洲和美洲，大多为发达国家，非洲无国家上榜（图2）。在高产研究机构中，中国的研究机构有北京大学和香港大学，发文量分别为12篇和11篇（表1）。
图2
人工智能在口腔医学领域应用研究高产出国家
表1
人工智能在口腔医学领域应用研究高产出机构
2.3 口腔医学领域人工智能研究的发文期刊分布
对口腔医学领域发表人工智能研究的期刊进行分析，高发文期刊如表2所示，发文量前3名的期刊分别是Oral Oncol、J Dent Res和Dentomaxillofac Rad。对期刊的主要学科方向进行梳理，发现除口腔综合性期刊以外，主要为口腔颌面外科学、口腔正畸学和口腔影像学专科期刊。
表2
口腔医学领域人工智能研究高发文期刊
2.4 合作网络分析
通过使用CiteSpace软件对口腔医学领域人工智能研究的国家/机构/作者合作情况进行可视化分析，可分别从宏观/中观/微观的视角探测相关研究的合作网络结构。根据发文时间分布，设置时间跨度为1987—2021年。在合作网络图谱中，每个节点代表不同的国家（机构/作者），节点直径大小代表发文的频次；节点上不同的颜色圆环从内到外代表着发文年份从远至今，从紫色开始的彩色圆环代表了近十年（2012—2021年）的发文情况，圆环的宽度代表该时间节点内发文量。节点之间的连线颜色代表国家（机构/作者）之间初次合作的年份。中介中心性由美国社会学家林顿·弗里曼教授提出的概念，指的是一个节点担任其他两个节点之间最短路径桥梁的次数，如果该节点担任桥梁次数越多，中介中心性就越大，意味着该节点在合作网络中越具有影响力。在CiteSpace中，中介中心性超过0.1的节点称为关键节点，在图谱中表现为节点带有紫色外圈[5]。
2.4.1 国家合作网络分析
在国家间合作网络图谱（图3）中6个国家中介中心性超过0.1，是合作网络的关键节点。美国不但中介中心性位于前列，也是发文最多的国家。英国虽然发文较少，但中介中心性位居第一。中国首次发文年份为2009年，中介中心性为0.1，这表明中国虽然起步较晚，但在该领域具有较大的研究潜力。
图3
国家间合作网络图谱
2.4.2 机构合作网络分析
机构间合作网络图谱里（图4）中国香港大学中介中心性大于0.1，说明中国已有研究机构在口腔医学领域的人工智能领域取得一定影响力。香港大学的合作频次为7次，连线对象大多为国外知名机构，但与中国国内研究机构之间连线较少，表明国内研究机构间的合作有待加强，需要提高中国在口腔医学领域人工智能研究的总体影响力。
图4
机构间合作网络图谱
2.4.3 作者合作网络分析
作者合作网络（图5）中主要合作网络是由以爱知学院大学Yoshiko和Eiichiro教授及朝日大学Akitoshi教授三位作者为核心的研究团队组成，其主要研究的方向为利用人工智能的算法对口腔疾病的影像学检查结果进行检测，探讨其在辅助临床诊断和提高诊疗效率等方面的价值。此外，以Kaan为核心的研究团队在2021年形成小型合作网络，其研究的主要方向为评估利用人工智能进行口腔疾病检测的系统。
图5
作者间合作网络图谱
2.5 关键词分析
口腔医学领域人工智能研究的文献更新迭代迅速，分析设置时间跨度为最近10年即2012—2021年。对共现关键词进行聚类分析，可展示关键词之间的异同亲疏关系。通常用聚类模块性Q值（modularity Q）与平均轮廓性S值（mean silhouette）作为评价标准，当Q>0.3，S>0.5，一般认为该聚类结构显著并可信度高[5,7]。本研究共生成14个聚类，整体Q=0.6882，S=0.9158。表明该聚类合理，结构显著。聚类从0开始编号，编号越小聚类规模越大，选取前7个聚类绘制时间线图（图6）。前七个聚落名分别是#0 artificial intelligence（人工智能）、#1 deep learning（深度学习）、#2 anatomic landmarks（解剖标志）、#3 image quality（图片质量）、#4 dental caries（龋病）、#5 computer simulation（计算机模拟）和#6 TOETVA（经口甲状腺切除术）。
图6
2012—2021年关键词共现时线图
结合聚落标签和聚落内关键词可知，过去10年内，口腔医学领域人工智能研究的主要技术是深度学习和机器人手术。深度学习是机器学习延伸出的一类人工智能方法的总称，学习是指从数据中发现各种规律尤其是分类规律，深度体现在可直接输入原始数据，由模型通过学习，在对数据特征的多次变换后，给出适合分类的特征表示[8]。深度学习常用于各种监督模式识别问题，常用的方法有用于图像识别的卷积神经网络等。通过对标准化口腔影像（包括数字化根尖片、曲面断层片、侧位片、CBCT、口内照片、病理组织切片等）进行识别和判读，区分不同的解剖组织结构，辨别正常和异常情况，对疾病进行诊断，并进一步进行分类和治疗难度分级。虽然人工智能模型在检测和诊断龋齿[9]、根尖周病变[10]、牙周炎[11]、口腔癌性病变[12]、颞下颌关节疾病[13]、错颌畸形[14]等口腔疾病中展现出巨大的应用价值，但目前大部分研究主要处于临床试验阶段。
经口手术机器人（transoral robotic surgery，TOR）最早于2009年经美国食品和药物管理局（food and drug administration，FDA）批准用于临床治疗早期口咽癌。有研究表明，经口机器人手术与传统开放手术相比，拥有相似的治疗效果，且创伤小、不会造成头面部手术疤痕影响美观，能提供清晰稳定的手术视野，术后并发症少，神经损伤概率低，吞咽功能恢复快、降低气管切开率[15]等。此外，医生还可通过机器人系统进行术前设计、模拟效果、术中导航、远程控制。值得注意的是，虽然被称作机器人手术，TOR仍依赖人工远程控制机械臂进行手术操作。
口腔医学领域人工智能研究的主要数据是口腔影像学数据。口腔影像检查是口腔疾病常用的辅助检查手段，而随着锥形束CT（cone-beam computed tomographic，CBCT）的普及，使得口腔医生能够更好地从三维角度进行图像分析，但是其图像较为复杂，需要仔细阅读解释。口腔影像学检查为人工智能技术提供了丰富的数据来源，而通过深度学习，计算机可更准确、快速、全面地提供影像检查的信息。但是由于影像质量和标准的参差，使得模型具有局限性，距离临床实践的成果转化仍有一段距离。
口腔医学领域人工智能研究的内容包括龋病、口腔医学教育和头颈部肿瘤。龋病是口腔最常见疾病，根据2017年全球疾病负担报告，未经治疗的恒牙龋齿是最常见的问题[16]。快速准确的检测和诊断对龋齿的预防和治疗及防止感染向牙髓扩散至关重要。人工智能技术也在龋病的影像学诊断和早期监测中被广泛应用。数字化模型可提供三维的形象直观地展示解剖结构[17]，帮助医学生理解理论课的内容。此外，机器人仿真患者[18]、增强现实与虚拟现实的应用，可模拟真实医疗环境，使得医学生获得沉浸式的临床前培训，减少因训练不足造成的医疗意外，也有利于促进远程口腔医疗的发展。本研究发现头颈部肿瘤不仅是口腔领域人工智能应用的主要场景，还是该领域的热点前沿。
突现性反映了节点在某一时期突增的情况，在图谱中表现为节点带有红色外圈，是CiteSpace软件分析的重要指标参数。通过对关键词的突现性分析，可挖掘某一领域的研究前沿与热点。我们将相关研究在2012—2021年突现性较高即短时间内使用频次激增的关键词排列出来，见表3。根据突现词的关联可发现口腔医学领域人工智能研究的前沿主要是口腔肿瘤研究和新型治疗手段研究。
表3
突现强度前20关键词
口咽癌（oropharyngeal cancer）、鳞状细胞癌（squamous cell carcinoma）等口腔癌相关突现词主要集中分布在2013—2018年。口腔癌是头颈部常见的恶性肿瘤之一，死亡率相对高。根据中国国家癌症中心报告，2022年我国预计新增31 733例口腔癌患者，将有15 745人死于口腔癌[19]。口腔癌是遗传和环境因素共同作用的多因素疾病，其发病机制仍未明了。在口腔癌中，口腔鳞状细胞癌约占90%，主要源于鳞状上皮细胞的发育异常，可由口腔潜在恶性疾病（oral potentially malignant disorders，OPMD）发展而来。OPMD一类发生在口腔黏膜、具有癌变潜能的疾病总称，其病因复杂，与局部刺激和全身因素密切相关，主要包括口腔扁平苔藓、白斑和红斑等口腔疾病，临床表现形式多样、特征具有重叠性，诊断相对困难，且并非所有的OPMD都会发展为恶性肿瘤结局。仅通过视诊和触诊等常规口腔检查，鉴别诊断难度大。再者，组织活检具有一定技术要求，采样偏倚可能造成误诊。此外，高质量的卫生资源数量有限且分布不均。这导致很多口腔癌患者尤其是身处偏远地区的患者无法进行早期诊断，延误治疗，导致生存率低下，预后较差。在此环境下，人工智能具有与传统的基础和临床研究不同的优势。得益于信息技术的发展，人工智能算法可在庞大的电子健康数据中，挖掘出与疾病发生、发展密切相关的因素[20]，构建疾病风险预测模型。通过疾病相关因素的综合评估，有助于对不同患者采取个性化的预防或治疗方案，尤其是有利于潜在恶性疾病癌变或癌症复发风险高患者的识别和监控[21]。通过计算机深度学习算法建立识别模型，可对标准化口腔影像检查进行识别和判读，有望作为一种早期口腔癌性病变筛查的决策支持手段广泛开展。
3 讨论
口腔医学领域人工智能的研究起源于20世纪末，但发展缓慢，直至2012年才有明显增长，其原因与人工智能的发展密不可分[22]。一般来说，交叉学科的发展总是与其中具有旺盛生命力的新兴学科的发展紧密相连。正是在2012年，深度卷积神经网络模型的提出[23]，掀起了深度学习热潮。口腔医学领域人工智能研究的激增表明该研究已成为领域热点。美国是发文量最多的国家，其发文被引率也位居前列，研究团队众多，在口腔医学领域人工智能的研究方面有较大的影响力。中国总发文量位于第四，研究团队除北京大学和香港大学外，其他研究机构还处于初步探索阶段，国内团队间合作也有待加强。但在国家政策支持下，仍有较大发展空间。未来高校进行口腔医学学科建设除保持现有优势外，还应紧跟时代潮流，突破传统学科边界，借鉴其他学科的技术和经验，进行学科合作，重视交叉人才的培养，借助最新科学技术为传统科学研究注入活力。
口腔是人体与外界交互的重要门户，因其特殊的解剖结构，具有极其复杂的微生态环境，各类高发的口腔疾病如龋病、牙周病等多是由遗传因素和环境因素共同导致的复杂疾病。口腔疾病发病率和患病率高，且大多为慢性疾病，常因没有明显的疼痛或导致生命危险而被忽视，从而延误诊疗，导致预后不佳，给个人和社会造成沉重的经济负担。2017年全球疾病负担研究显示，全世界近35亿人患有口腔疾病，是世界主要公共卫生问题之一[16]。口腔疾病会直接影响患者营养摄入，严重影响生活质量，近年来许多研究还发现其与全身疾病密切相关，可能存在共同的危险因素如口腔微生物、不良生活习惯等[24-25]。根据世界卫生组织研究表明，大多数国家之间及国家内部都存在着口腔医疗资源分布不均现象，健康口腔健康状况与经济水平相关性很大，很多低收入人群口腔问题较为严重，但普遍存在缺少口腔卫生保健知识，获得初级口腔卫生服务的机会少等问题[26]。随着医疗服务体系和模式改革，强调个体化医疗的精准医疗和以预防为中心的全生命周期健康管理逐渐成为口腔疾病防治的发展方向。面对尚未明确的复杂口腔疾病、慢性病的长期管理、日益庞大的疾病数据等问题，人工智能可突破传统医疗视角，通过建立更加健全、标准的口腔健康档案数据库，实现综合分析、动态追踪，精准赋能口腔医学领域科研、教学、诊疗等环节的某些需求，如充分利用多维度医疗数据，采用人工智能模型挖掘以往易被忽略的疾病相关因素，提高口腔疾病的早期预防、早期诊断和早期治疗的敏感性和特异性[20]；基于大数据的人工智能决策支持系统，可迅速给出诊断和治疗方案建议，一定程度上提高医师诊疗的效率和质量[27]；人工智能赋能远程医疗可助力基层得到标准化和高质量的诊疗服务等。
尽管人工智能在口腔医学领域有着广阔的应用前景和社会经济价值，但因该领域发展十分迅速，涉及医疗健康数据，数据构成复杂、流动性大，监管具有滞后性，会带来一系列不可忽视的挑战，如：数据和技术挑战、社会伦理道德挑战和组织管理挑战[28]。在实践过程中，应注意以下几点：一是建立标准化、规范化的数据库，对涉及患者隐私的数据去个人特征化；二是优化技术更新和审批流程，设立偏倚与评估机构，确保数据的正确使用；三是明确数据监管策略，制定详细的数据安全保障规则；四是设立人工智能医学伦理审查小组，针对其中的伦理问题进行严格权责管理[29-30]。
全球口腔医学领域人工智能的研究规模持续扩大，以机器学习、专家系统和视觉系统等为代表的人工智能技术已广泛融入医疗服务的各个环节，全面覆盖医院管理、临床诊疗和预后评估，人工智能赋能的医疗服务不断提高诊疗效率和服务水平。人工智能在口腔医学应用为解决口腔医疗资源不均衡、负担重等问题提出一条高可行性路径，因此，通过深入了解口腔医学领域人工智能研究的现状，深度挖掘相关研究的热点和前沿，聚焦行业难点，有利于行业凝练发展方向，齐心聚力不断推动口腔智慧医疗产业数字化、远程化、规范化、精准化发展，更好地为人们提供全生命周期口腔健康保障。
