轻量化深度学习模型在口腔诊疗中的应用进展
发布时间:2026-11-11   |   来源:中国口腔颌面外科杂志
关键词: 轻量化深度学习模型 口腔诊疗 口腔科

作者:高安琪,王旭东,上海交通大学医学院附属第九人民医院口腔颅颌面;黄昕睿,张晓凡,洪义,上海交通大学;张少霆,上海商汤善萃医疗科技有限公司;陈磊,上海科学智能研究院


过去十年间,人工智能(artificial intelligence,AI)尤其是深度学习技术的突破为医疗领域带来了革命性变革。通过挖掘医疗数据内在规律,AI 系统能够提取并解析关键医学特征,为临床决策提供支持。在肺结节等疾病诊断中,AI 模型准确率已与专业医师相当。近年来,由于医疗数据的持续积累、AI 算法的发展和计算基础设施的提升,医疗大模型特别是专科多模态基础模型高速发展,如肿瘤病理学基础模型、内镜视频分析基础模型等。相比面向有限任务与场景的深度学习模型,基础大模型在多模态、多器官及医疗下游任务中适应性更强、通用性更高,能执行多模态任务且性能更优。


研究显示,随着参数规模的增加,模型整体性能稳步提升。目前,AI 应用于医学场景的难点在于如何实现轻量化。有研究提出,AI 临床应用受限的关键原因在于缺乏可靠的外部验证,将模型部署落地至各级医院进行数据采集与分析是关键。然而,医疗数据具有高维度、大尺度特点,医疗基础模型或高性能深度学习模型对计算资源需求远超其他领域,同时大多数方法倾向于使用更复杂的模块以提升模型性能,带来高昂的计算开销与能耗。因为计算资源的限制,计算负载较高的模型并不适合真实的临床环境,尤其是移动医疗设备。


轻量化深度学习模型的本质是通过合适的模型压缩技术,在保持模型性能(如图像处理精确性、诊断或预测准确性等)的前提下,显著降低计算复杂度、存储需求和能耗,使模型摆脱对高性能计算设备的依赖,向低功耗、低成本、可广泛部署的边缘计算设备迁移部署。因此,轻量化模型成为深度学习在现实世界落地与医学人工智能发展到关键阶段的关键纽带。


1. 轻量化深度学习模型在医学中的应用


医学轻量化模型大幅度提高了图像分割与疾病诊断的效率,在此选取各医学领域影响力较大、具有代表性的轻量化模型进行介绍。基于MobileNetV2构建主干网络或采用八元数超复数系统构建轻量级U-Net,实现眼底视杯、视盘、视网膜血管分割,适用于青光眼等各类眼病早期筛查。Chen 等通过DropConnect 压缩参数,在胃癌病理切片中实现99.8%的AUC,适合基层医院部署,用于胃癌的可靠微观病灶检测与辅助诊断。


Wu 等提出的超轻量级医学图像分割算法UltraLight VM-UNet,可在保持0.049 M 的极低参数量和0.060 每秒10 亿次的浮点运算数(giga floating-point operations per second,GFLOPs)计算复杂度的同时,在皮肤病变、口腔溃疡、脾脏分割等不同场景数据集上展现出与现有轻量级和经典医学图像分割模型相媲美甚至更优的分割性能。


资源更为受限的手术场景对AI 模型轻量化、实时性、准确度要求更高。由于数据可及性与手术特点,腔镜手术视频分析是术中辅助轻量化模型研究快速发展的领域之一。研究采用多尺度空洞卷积、轻量化通道注意力机制等方法,动态实时分割腹腔镜下肝脏、息肉等结构,准确度达91.5%~97.6%,实时处理速度达6~32 ms/帧,解决了术中目标形态多变、边界模糊、器械干扰导致的传统模型精度不足和计算资源受限问题,快速准确定位切除目标,降低手术风险。


此外,术中实时手术器械分割可强化手术机器人视觉反馈,支持术中自主器械跟踪、安全预警等任务,提升机器人辅助微创手术的可行性和操作效率。部分轻量化模型已在硬件平台上进行了相关测试,以验证其在可穿戴或床旁设备轻量化部署的可行性。基于长短期记忆网络的轻量化模型,在保持85.8%~97.1%心律失常诊断敏感性的同时,仅需30~60 ms 即可在Moto 360 等小型低功耗处理器上完成推理。


同样,Liu 等优化的心电图分析模型诊断准确率达到96%,计算量仅为传统卷积神经网络(convolutional neural network,CNN)的1/5,在WindowsPC 平台上每个信号的处理时间17~27 ms。上述模型有望实现心律失常的持续监测,显著提升室颤等危急事件的检出率,对突发心脏事件的基层筛查与实时报警具有重要意义。已有模型成功部署至便携式设备并进行了性能测试,如基于MobileNetv2 架构的膀胱分割与容量评估模型已集成至便携式超声设备,为尿潴留等泌尿疾病的床旁快速诊断提供支持,尤其适用于资源有限的基层医疗场景。


值得注意的是,上述模型通过创新架构设计,在参数量大幅降低的同时性能反而提升,符合医师群体对轻量化技术的期待,不仅是单纯的技术参数优化,而是更关注如何实现“临床可落地可信赖的轻量化”。最终目标是使AI 模型融入诊疗特别是基层医疗全流程,在技术效能与临床价值之间达到最佳平衡。


2. 轻量化深度学习模型在口腔诊疗中的应用


大部分口腔疾病呈现出即刻检查、即刻诊断、即刻处理的特点,高度依赖医师的专业经验,对椅旁快速全面诊断提出了很高要求。同时,口腔医学领域影像学资料丰富,包括二维照片、全景片、头颅正侧位片、数字化病理切片、根尖片等,三维螺旋CT、锥形束CT (cone beam CT,CBCT)、磁共振(magnetic resonance imaging,MRI)、口内扫描、面部扫描等。如何在临床上实时、高效、准确处理纷繁复杂的多模态影像学信息,是口腔诊疗的关键挑战与深度学习模型突破的核心方向。由于口腔公开数据集稀缺,数据获取途径有限,标注难度和成本相对更高,大部分口腔医学领域轻量化模型的任务较为简单,主要集中于简单图像分割与常见疾病分类。


2.1 口腔解剖结构分割


口腔颌面部解剖精细复杂,在椅旁诊疗过程中高度依赖医师经验,存在一定阅片负担。轻量化分割模型的发展提高了影像学资料的处理效率,但仍处于测试研发阶段。有研究直接采用或适当改进经典轻量化架构如YOLO5、MobileNetV2,通过知识蒸馏、通道压缩与Ghost 模块优化、改进卷积块或卷积方式等方法,减少U-Net 等传统卷积神经网络的参数量与计算量,用于快速、准确分割全景片中的牙与颌骨结构,全景片中阻生牙的检测与分类、磨牙中C 型根管的检测,照片中舌裂纹提取、牙痕检测及唇、舌、牙等分割任务。


与二维影像数据相比,三维数据的存储与传输需求更高,处理更复杂。三维数据更多采用Transformer 注意力机制,建立断层空间联系,以保证模型精度。使用MobileNet 轻量化网络主干,通过3D 卷积核分解、深度可分离卷积模块等方法优化U-Net,完成CBCT 气道分割与评估、整颗牙、牙釉质、牙槽骨分割、种植体与牙槽骨关系评估。对于口内扫描模型三维点云数据,相关轻量化研究较少。Liu 等采用标量注意力替代传统卷积,实现了97.53%的牙分割准确率,单牙分割时间仅0.1 s,完全满足椅旁实时需求。


2.2 口腔疾病诊断


2.2.1 基于X 线片口腔疾病诊断与预测


龋齿、牙周炎、根尖周病变、阻生牙等常见口腔疾病均通过全景片、根尖片等X 线片辅助诊断,要求医师进行椅旁快速准确诊断并实施相应治疗以缓解患者不适。与上述分割模型相似,诊断轻量化模型的构建也采取两种策略: 一是以经典轻量化网络YOLO8、MobileNetV2、InceptionV3为模型主干,二是使用部分卷积、膨胀卷积、非对称卷积等设计改进卷积方式,瓶颈设计、模型剪枝、概率表示和注意力模块优化等设计。


通过全景片诊断浅龋、深龋、根尖周病变,并根据术前阻生牙位置、形态,预测拔牙后口鼻窦交通,通过照片诊断牙结石、牙磨耗与牙裂纹,通过根尖片诊断原发性牙髓病伴继发性牙周病、原发性牙周病、原发性牙周病伴继发性牙髓病、原发性牙髓病和真性联合病变5 类根尖周病变,结果表明,轻量化模型可在保持较高精度的同时(mAP50 85%~99.1%,mIoU 78.67%~79.76%),显著降低模型复杂度(参数量1.81~34.9 M,FLOPs 9.9~23.47 G),并实现实时推理(22~117.6 帧/s),有效解决了小病灶检出、边缘分割模糊、重叠病变鉴别等临床难点,为口腔疾病的大规模筛查和椅旁实时诊断提供了可靠的技术支持。


2.2.2 口腔癌的早期筛查与诊断


口腔癌预后与诊断时机密切相关—早期诊断5 年生存率可达80%~90%,晚期发现则生存率骤降至20%~30%,且伴随严重语言、咀嚼和吞咽功能障碍。然而,该病早期症状常与普通口腔炎症相似,临床漏诊率高达30%。目前诊断金标准依赖组织活检,患者依从性不足并存在3~7 天的检测周期延迟。因此,推行社区筛查和定期口腔检查具有重要意义,但传统大规模筛查成本高昂,定期口腔检查患者依从性低。


在此背景下,开发用于口腔癌早期筛查、临床辅助诊断和居家监测的轻量化AI 模型成为突破方向。基于“大数据驱动”的彩色照片诊断模型可替代专业医师的目视检查,对患者口内异常黏膜病变做出基本判断。采用EfficientNet-B0、MobileNet等轻量化网络,结合梯度单边采样、深度可分离卷积、特征融合或复用等轻量化模块设计,通过引入挤压激励模块、倒置残差结构以及注意力机制平衡精度与计算效率,训练数据类型包括正常口腔黏膜、口腔良性病变、癌前病变、口腔癌等,模型可快速准确鉴别诊断正常口腔黏膜、口腔溃疡、鹅疮、牙龈炎、口腔癌、癌前病变、潜在恶性病变,部分模型特别聚焦于舌黏膜、颊黏膜、唇黏膜。


有研究整合患者年龄、性别、生活习惯文本与照片多模态数据,模拟医生综合诊断逻辑,将潜在恶性病变的漏诊率降低22%,尤其对无明显溃疡的色斑型病变检测敏感性提升15%,同时参数量较ResNet50 减少70%,较FLOPs降低40%。上述研究将专家知识与临床经验集成于轻量化深度学习模型,解决了传统诊断中主观误差大、早期病变识别率低的问题,为基层医疗提供低成本筛查方法。


对于已取样活检的患者,获得正确的诊断至关重要。以EfficientNet-B0、MobileNetV3 等轻量化网络为主干,或自设计4 层卷积与4 层子采样神经网络提取图像特征,根据病理切片判断是否为口腔黏膜鳞癌。结果表明,轻量化模型可弥补上皮异常增生等微小病变的漏诊问题,将口腔鳞癌早期检出率从78%提升至98%,较传统深度学习模型减少85%,支持在移动设备或低算力终端运行,将单例病理分析时间从15 min 缩短至0.5 min,极大提高了诊疗效率。但需要注意的是,研究使用的病理切片存在代表性不足的问题,如包含舌部与颊黏膜样本,但未覆盖牙龈、硬腭等部位;未纳入其他口腔疾病(如白斑、扁平苔藓),无法区分口腔癌与癌前病变。


2.3 口腔健康管理边缘设备


大多数口腔疾病呈渐进性发展,如龋齿、牙周炎、黏膜白斑等,在疾病早期患者无明显症状与不适感,疾病后期牙及其周围组织已产生不可逆损伤,最终导致拔牙或组织切除,创伤与后期修复成本大大增加。早防早治、日常监测是维护口腔健康的重要途径,轻量化深度学习模型在这方面展现出强大的应用前景。


Swamikannan 等与Song 等基于MobileNet 轻量化模型作为后端,开发口腔癌检测的远程医疗移动应用程序,整合到智能手机中,实现“拍照-分析-诊断”一体化离线筛查;而且个人设备上的处理能够保护隐私,实现非侵入性、实时口腔癌筛查。对于常规口腔卫生保健,Khuntia 等将微型摄像头集成于牙科印模托盘,构建低成本可穿戴的口腔检查工具,通过Wi-Fi 传输图像至云端,通过YOLOv7 算法实现实时龋齿检测,采用高效扩展层聚合网络减少计算复杂度,检测灵敏度达94%。将早期检测时间从年均一次常规检查缩短至按需自查。


Fahim 等将训练后模型嵌入智能手表内部,将传感器信号输入前馈多层感知机网络以识别牙清洁活动,用于生成个性化通知,实时提醒未刷牙行为与牙刷更换。Hu 等研发了集成于牙科保持器的智能传感系统,通过口内压电传感阵列,收集咬合产生的压力信号;并将其输入一个轻量级且强大的物理感知注意力网络,用于夜磨牙、紧咬牙、咬合干扰、早接触等咬合异常情况识别,准确度达97%。以上研究与产品为居家便携式口腔健康监测提供了高效工具,尤其适合资源有限的医疗场景与个体使用。


3. 轻量化模型在口腔医学诊疗应用中的展望


医疗领域现阶段大部分轻量化研究仍聚焦于模型开发,尚未真正尝试实际部署,且缺乏有力的临床验证。仅少数轻量化模型进行了硬件平台测试或成功集成至移动端应用。被开发的轻量化模型有望嵌入普通计算机或医疗设备,用于临床门急诊、社区初筛等场景的实时影像处理与诊断; 也可嵌入手术室设备,实现实时视频解析与手术引导;或嵌入便携式可穿戴设备或床旁监护设备,进行持续实时监测。在口腔医学领域,轻量化深度学习模型有望被嵌入全景X 线机、CBCT 机、口腔扫描等口腔影像设备,在患者完成检查时进行口腔基本解剖结构分割,为后续诊疗决策提供依据。


与临床腔镜手术相比,轻量化深度模型在口腔颌面外科手术术中辅助方面的研究有所缺失,可能与颌面部手术操作空间狭窄,术野受限,数据资料采集较为困难有关。颞下颌关节镜与腹腔镜手术有相似的特点,可以借鉴相关研究,进行数据采集与轻量化模型训练。现有轻量化模型尚未涉及颌面部复杂疾病诊断及治疗规划预测,如颌面部骨折、错畸形面部美学分析与排牙等,此类模型的轻量化与终端部署将大幅度降低诊疗的不确定性与方案制定的时间及人工成本。此外,现有的大多数轻量化模型研究均为单模态单任务,少数研究做出了多模态单任务轻量化模型的尝试,其结果令人满意。


近年来多模态多任务基础模型迅猛发展,其性能效果高度契合临床诊疗需求。各类医疗基础模型的轻量化研究与部署,以验证其临床应用是AI 落地医疗场景的必经之路。与其他医学图像领域相比,口腔诊疗具有多模态数据融合需求高、结构精细、变异性强等特点。口腔医学领域基础模型尚无相关研究发布,其研发与轻量化是推动口腔智能化发展的重要方向之一。


总之,轻量化深度学习模型在口腔诊疗中的应用展现出显著潜力,尤其在解剖结构分割、疾病诊断及便携设备集成方面取得了初步成果。通过模型压缩和架构优化,实现了高精度与低资源消耗的平衡。然而,当前研究仍面临数据稀缺、多模态任务覆盖不足及临床验证缺乏等挑战。未来需推动多模态大模型轻量化、手术实时辅助系统开发,加强跨学科合作,促进技术向基层医疗和居家监测场景的落地。


来源:高安琪,黄昕睿,张晓凡,等.轻量化深度学习模型在口腔诊疗中的应用进展[J].中国口腔颌面外科杂志,2025,23(05):517-522.DOI:10.19438/j.cjoms.2025.05.014.


(本网站所有内容,凡注明来源为"医脉通",版权均归医脉通所有,未经授权,任何媒体、网站或个人不得转载,否则将追究法律责任,授权转载时须注明"来源:医脉通"。本网注明来源为其他媒体的内容为转载,转载仅作观点分享,版权归原作者所有,如有侵犯版权,请及时联系我们。)
0
收藏
添加表情
全部评论
我要投稿
发表评论
扫码分享

微信扫码分享

回到顶部