梅宏翔 程俊豪 李一洲 马凰税 张恺文 寿宇珂 李杨

    1.口腔疾病研究国家重点实验室 国家口腔疾病临床医学研究中心

    四川大学华西口腔医院，成都 610041；2.四川大学计算机学院，成都 610041

    人工智能是指任何感知环境并采取行动以最大程度实现既定目标的设备。作为人工智能的核心，机器学习能评估给定数据集中的未知依赖关系，并用这种关系来预测新的结果。其主要包括两种类型：1)监督学习，使用标记过的训练数据集学习来建立模型；2)无监督学习，使用未标记的训练数据集的共同特征来建立模型。机器学习解决了如何自动改进计算机系统模型的问题，逐渐成为应用系统的首选开发方法[1]。医学作为数据密集型领域，机器学习在医学领域中具有极大的应用前景。研究[2]已经证明，与传统统计学方法相比，机器学习方法能够做出更为准确的肿瘤诊断及预后判定。口腔医学作为医学的分支学科，具备了医学临床思维的理念和方法。目前，研究者已经使用机器学习对临床检查图像、生化检测、基因组信息以及生活习惯等信息进行学习，以期能够对口腔颌面部疾病实现早期诊断、鉴别诊断以及预后预测。本文就机器学习在口腔颌面部囊肿及肿瘤中的应用进行综述。

    1 图像识别

    目前，组织病理及影像学图片是诊断口腔颌面部囊肿和肿瘤的重要指标，而图像识别技术在计算机领域逐渐成熟。图像需要经过预处理、图像分割、特征提取等处理后才能被纳入分类器中构建模型，不同的图像、处理方式及分类器将会决定模型的性能差异。

    1.1 囊肿诊断

    1.1.1 组织病理学图像 囊肿的诊断主要依赖于组织学染色的图像，目前已经有许多研究对这一领域进行了探索。Landini等[3]早在2003年就开始研究口腔囊肿的上皮细胞分割方法。其对苏木精-伊红(hematoxylin-eosin staining，HE)染色图像使用颜色反卷积算法进行基于光密度的细胞核定位，去卷积提取核酸位置，直方图均衡化后通过设立光密度阈值分离出上皮区室，并通过分水岭变换将上皮图像分割为细胞轮廓。这样分割所得的不规则图像进行层距离变换以确定任意点的层级，循环进行，并引入局部向量以得到层的相对参考位置。这一研究首次提供了描述牙源性角化囊肿细胞的“栅栏状”和“极化”特征的定量测量方法。与Landini不同的是，Eramian等[4]主要着眼于口腔囊肿上皮的整体分割。其对HE染色图像进行亮度和色度的标准化处理后，根据色度标准进行阈值处理，初步将图像分割为组织和非组织区域。然后根据最大流算法获取最小切割并提取分割的二值图像 ......