【摘 要】
：
目的基于深度学习开发用于正畸图像数据自动分类的多分类正畸图像识别模型，为正畸图像数据管理提供参考。方法收集2020年10至11月和2021年6至7月首都医科大学口腔医学院正畸科采集的35000张正畸临床图像，图像全部来自于490例正畸治疗患者，男女性别比例为49∶51，年龄范围为4~45岁。根据纳入及排除标准进行数据清洗，最终纳入数据集中的图像数据包括面像17453张（包括正面像、正面微笑像、右侧90°面像、左侧90°面像、右侧45°面像和左侧45°面像）、口内像8026张［包括正面像、右侧像、左侧像、上
【机 构】
：
首都医科大学口腔医学院正畸科，北京 100050首都医科大学口腔医学院正畸科，北京 100050首都医科大学口腔医学院正畸科，北京 100050首都医科大学口腔医学院正畸科，北京 100050北京朗视
其他文献
患儿女，1岁5月龄，因“发现智力运动发育落后1年余”就诊。患儿表现为特异性面部特征与全面性发育迟缓，基因检测提示TCF4基因新发错义变异c.1739G>T（p.Arg580Leu），结合表型诊断为皮特-霍普金斯综合征。皮特-霍普金斯综合征是1种全球罕见的神经发育障碍疾病，该病尚无特效疗法，以个体化康复功能训练为主。
患儿女，7岁，因“间断腹痛20d”就诊于北京儿童医院。经影像学检查、肿瘤标志物、病理检查诊断为卵巢无性细胞瘤。既往因反复感染、淋巴结肿大，经免疫功能测定和基因检测诊断为PI3Kδ过度活化综合征（APDS）。予西罗莫司、丙种球蛋白治疗APDS的同时，经过手术及化疗，肿瘤完全缓解，患儿感染频率较前下降。
患儿男，30分钟龄，生后呻吟、气促、哭声弱。母亲4年前拟诊混合性结缔组织病，孕期擅自停药。患儿双下肢及阴囊水肿，血红蛋白、中性粒细胞、血小板、纤维蛋白原反复降低，天冬氨酸转氨酶升高。患儿27日龄起出现反复高热，肝、脾肿大，甘油三酯3.9mmol/L，自然杀伤细胞活性降低，血清铁蛋白1342μg/L，骨髓中发现噬血现象，诊断新生儿巨噬细胞活化综合征，给予甲泼尼龙2mg/（kg·d）、环孢素4mg/（kg·d），治疗1个月余痊愈停药，随访6个月未复发，发育正常。
幼年型皮肌炎（JDM）是儿童期罕见的自身免疫性炎症性肌炎，特征为皮肤和横纹肌的非化脓性炎症，临床表现为特征性皮疹、近端肌无力及肌酶升高，JDM可累及其他内脏器官系统，突出影响胃肠道和呼吸系统，严重者出现呼吸衰竭需重症监护管理。对JDM患儿的管理需要定期评估疾病活动度和脏器损伤程度以及通过标准化的测量工具评估治疗反应。本文总结了国内外常用的JDM病情评估方法，对评估工具的内容、特点、应用情况等进行综述，为临床医师进行JDM病情评估、指导治疗及预后提供参考依据。
随着联合化疗以及造血干细胞移植技术的不断完善，儿童急性髓系白血病（AML）的预后有了明显改善。然而核孔蛋白98（NUP98）重排AML作为一组特殊的白血病亚型，预后显著不良，疾病诱导缓解率低，移植相关复发率高，亟待新的诊疗策略。本文对儿童NUP98重排AML的流行病学特征、发病机制、临床以及分子生物学特征进行综述，旨在为NUP98重排AML的诊治提供指导。
软骨发育不全（ACH）是1种导致儿童致死致残性生长发育障碍性疾患的罕见病，主要临床表现为四肢短小、大头畸形、颅面部异常以及三叉手畸形等，相关并发症包括椎管狭窄、胸腰椎后凸、膝内翻、睡眠呼吸暂停、肥胖和中耳炎等。ACH的疾病特性决定了对该疾病需要进行多学科、长时程的临床管理。本文将结合国内外指南，从临床诊断及产前诊断、多学科综合管理及最新治疗进展等方面进行系统的阐述。
点云数据是口腔虚拟手术设计、颜面不对称分析等环节的基础，颅颌面三维特征在口腔颌面外科、正畸矫治设计中发挥关键作用。随着口腔数字化技术临床应用的普及，颅颌面三维特征的自动化构建成为研究发展趋势，因而基于颅颌面点云数据的三维解剖标志点定点和对称参考平面构建算法备受关注。本文结合笔者团队研究及国内外研究进展，论述基于颅颌面点云数据，构建解剖标志点和对称参考平面特征的数学算法和深度学习算法，阐述该领域的发展历程和最新研究进展，分析探讨各种方法的优势及局限，以期为口腔临床研究和应用提供参考。
数字化技术在口腔颌面外科诊断和治疗领域的应用，促进了口腔颌面外科由传统的经验依赖性诊疗模式逐步向数字化外科过渡。但目前数字化外科技术的应用场景还存在一定局限。近期，人工智能逐渐进入蓬勃发展阶段，以数字化、智能化为目标的“数智化”口腔颌面外科成为学科发展的重要方向。笔者结合所在单位和国内外研究成果，论述口腔颌面外科领域人工智能的应用现状及存在问题，以期推进人工智能在口腔颌面外科诊疗领域的深入发展。
随着人工智能技术的发展，其在口腔正畸领域得到了广泛的应用。在精确测量、多维度诊断、方案设计、疗效预测等方面，人工智能具备较大的应用前景。同时，人工智能的应用也存在一定的局限，如由患者个体差异性、人工智能的“黑箱”属性带来的风险，医疗责任划分不明造成的隐患等。本文就人工智能在口腔正畸研究领域的应用历史及现状进行总结和分析，并探讨其未来可能的发展趋势，以供临床参考。
像、右侧
像、左侧
像、上颌
面像（原始）、上颌
面像（翻转后）、下颌
面像（原始）、下颌
面像（翻转后）、覆
覆盖像］、X线片4 115张［包括头颅侧位X线片（左侧）、头颅侧位X线片（右侧）、头颅正位X线片、曲面体层X线片以及手腕骨X线片］、其他非正畸图像684张。由正畸专业博士研究生、副主任医师、主任医师共同组成标注团队，使用图像标注工具对正畸图像进行分类标注。图像类别包括6类面像、8类口内像、5类X线片以及其他图像，共计20种分类标签。每个标签的数据按8∶1∶1的比例利用Pthyon计算机语言中的Random函数随机分为训练集、验证集和测试集，使用改进的SqueezeNet网络（一种深度学习模型）进行训练，使用ImageNet自然图片开源数据集中的13 000张作为额外的非正畸图像进行异常数据处理的算法优化，构建基于深度学习模型的多分类正畸图像识别模型。根据测试集的预测结果，利用精确率、召回率、F1分数以及混淆矩阵作为正畸图像分类准确性的指标，评价该模型的预测能力。使用梯度加权分类激活映射方法生成热力图，验证该模型进行图像分类判断逻辑的可靠性。