ChatGPT，GNN……能力逼近甚至超越人类专家的AI技术将如何塑造未来口腔诊疗实践？

2022年底，一款名为ChatGPT的人工智能聊天机器人程序刷屏海内外社交媒体。除了能准确回答大部分常识性问题，ChatGPT甚至可以完成复杂的编程与学术论文撰写工作。ChatGPT被广泛认为是一个里程碑式事件，在此之后人类大量自然语言处理（NLP）相关的工作形态将被改变，甚至有可能直接被AI替代。

上一次人工智能如此“光芒夺目”还是在2020年底，DeepMind公司开发的人工智能AlphaFold2在国际蛋白质结构预测竞赛中夺冠，大部分预测结果达到了人类设计的最复杂物理仪器观测一样的水平。相关研究成果于2021年登上世界顶级期刊《Nature》杂志封面，同年入选《Science》杂志年度十大科学突破榜单并问鼎榜首（图一）。

图一 AlphaFold相关研究登上《Nature》和《Science》杂志封面

算法设计上，AlphaFold2从图的角度出发直接端到端地建模蛋白质的三维空间结构。不同于传统CNN卷积神经网络，AlphaFold2使用基于注意力机制的模块和图网络（Graph Network）将蛋白质的结构和生物信息整合到了深度学习算法中。

AlphaFold2将折叠的蛋白质视为“空间图”，其中氨基酸残基是网络节点，网络边表示节点之间的复杂关系。例如图二所示研究人员提出构建出一个特殊的“三角形自注意力机制（Triangular self-attention）”，来学习计算氨基酸之间的关系图。正是由于创新性的模型设计，AlphaFold2才得以实现原子级别的预测精度。

图二 三角形自注意力机制用来学习计算氨基酸之间的关系

除此之外在输入图规模非常大的情况下，图网络模型仍然能保持良好的扩展性能。例如近期，又一条同样来自DeepMind团队的人工智能新闻引发关注，同样基于图网络模型开发的GraphCast（图三），可实现60秒内预测10天内的天气，性能优于世界上最准确的机器学习天气预报系统（中期天气预报），“完胜”世界顶级气象台。

图三 基于图网络模型开发的GraphCast

AlphaFold和GraphCast虽然分别应用于蛋白质结构和天气预测，底层技术都利用了图网络模型实现高精度的空间几何结构建模。

口腔医学和临床实践同样对于数据分析有着严苛要求。例如针对广泛应用的口内扫描数据开发智能分析算法，需要模型准确识别出牙齿上大量毫米级的几何结构和特征，这对人工智能算法精准度的要求很高，技术难度很大。

DeepCare羽医甘蓝研究团队创新性地使用新一代图网络学习技术（GNN）实现了对超大规模口内扫描点云数据的建模，模型可以实现精确度99%以上的牙齿实例分割（图四左），以及平均误差小于0.2毫米的牙齿关键点检测（图四右）。

临床实践中，通过与三维放射影像CBCT等数据结合使用而提供有效的多模态融合信息，辅助医生完成包括种植、正畸等一系列治疗方案设计工作。不同于由人力主导的临床方案设计，新的设计流程由AI引擎驱动，同时保证医生可以在任何阶段参与，以媲美甚至超过人类顶级医生的准确度、在几秒钟之内即可完成人类需要几十分钟才能做完的工作，准确而高效。

图四 精确度99%以上的牙齿实例分割（左图） 平均误差小于0.2毫米的牙齿关键点检测（右图）

【彩蛋】

我们向ChatGPT提出了关于口腔医疗的问题。首先，我们请ChatGPT给出一份以《人工智能在口腔医疗中的作用》为主题的文章提纲。ChatGPT表现出色，内容符合逻辑且层次递进。

面对阻生牙治疗相关的口腔治疗领域专业问题时，ChatGPT列举的常见治疗方法结果详尽但偏宽泛，还不能像成熟的医生询问患者阻生牙的具体病症，出具个性化的诊疗方案。

​技术蕴藏着极大的潜力，亟待我们发掘。 随着技术的迭代升级，相信3-5年后ChatGPT及其他生成性语言模型有能力结合医学文献与患者症状和检查检验结果，协助医生编写病历，推荐个性化的手术治疗方案，赋能患者全生命周期就诊旅程。

作为口腔智能化基础设施的建设者，DeepCare羽医甘蓝正在运用世界前沿的算法技术，创造革新性的口腔辅助诊断与辅助方案设计产品。正如ChatGPT在第一个问题的结论中所言，我们希望发挥人工智能在口腔医疗中的重要作用，赋能口腔医疗全产业链，为全球消费者提供更好的医疗服务。

引用文献：

[1] Jumper, John, et al. "Highly accurate protein structure prediction with AlphaFold." Nature 596.7873 (2021): 583-589.

[2] DeepTech深科技 施一公独家专访. https://mp.weixin.qq.com/s/FNnkeIAoN1Ps2liN74oVlw

[3] Lam, Remi, et al. "GraphCast: Learning skillful medium-range global weather forecasting." arXiv preprint arXiv:2212.12794 (2022).