古今的牙科放射學
一八九五年十一月，德國科學家威廉·康拉德．倫琴發現了X光。一個月後（聖誕節前幾天），他拍攝了全球首張醫學X光片，那是他太太戴著戒指的手（圖一）。在一九零一年，他榮獲諾貝爾物理學獎。在一八九六年一月，同為德國人的牙醫，弗里德里希．奧托．沃克霍夫緊接地嘗試為自己的牙齒照X光，成為牙科界的先驅（圖二）。他躺在地上，張著嘴，在二十五分鐘內保持靜止，坦言是種折磨。惟他並未榮獲任何諾貝爾獎。
Photo from MedCrave
Photo from MedCrave
時至今天，X光已經成為牙醫不可或缺的工具。牙齒的形狀太細小，而且藏在口腔裡，故不容易進行檢查。倘若我們到酒樓點一籠燒賣，四顆互相黏住，我們尚可用筷子將它們輕輕分開，看看它們之間有否夾著一絲毛髮。可是，若要檢查兩顆牙齒的鄰面有否蛀牙，我們只能用各種可視化的工具，例如是燈、鐳射熒光或X光。
牙科X光片的尺寸如同波鞋的尺寸般，以碼數表示，可分為0至4號。當數字越大，尺寸便會越小。一般而言，小童會用0號，而成人則常用2號。2號片體積為31毫米乘41毫米，大概像兩小片朱古力拼在一起。拍X光片卻不如吃朱古力般輕易，須準確地放在要檢查的牙齒背後，所以病人或會感到不適。由於X光的尺寸和拍攝技術均由歐美研發，而亞洲人的上顎和舌底空間相對較淺，故此未能百分之百應用於病人之上。最近日本有一項研究指出，日本人的口腔空間太小，導致在95%的情況下，牙醫都未能準確地應用教科書上的水平投影技術（paralleling technique）來拍攝X光[1]。
人工智能、X光與牙科應用
電子科技和互聯網發展逐漸成熟。近年媒體都常常談及大數據和人工智能，從新聞、劇集到電子遊戲，人工智能都用得上。本港兩所醫學院亦不時發表科研報告，展示人工智能如何協助診斷病症。
簡單來說，人工智能可透過電腦模擬人類的認知和行為。它分析現有的數據，然後讓電腦學習，並對新的數據做預測或判斷。在牙科放射學中，牙醫常運用卷積神經網路（CNN）去模擬人類，並透過人工智能和機器學習來進行診斷。
Poedjiastoeti和Suebnukarn兩位學者利用CNN技術來辨別兩種顎骨毛病：成釉細胞瘤和齒源性角化囊腫。此兩種毛病都會侵蝕顎骨，在X光片上能看到明顯的變化。不過兩者造成的變化可以非常相似，專科醫生須仔細地查看才分辨得到，並配合活體組織檢查的病理報告一同考慮。由此可見，分辨兩者並非一時三刻可以完成的任務。上述兩位學者先找來500張X光片，一半有成釉細胞瘤，另一半有齒源性角化囊腫。他們將成像和診斷輸入CNN，使它學習。學習完成後，找來100張新的X光片，並以CNN和5名口腔頜面放射科的專科醫生，去分辨新的X光片應屬於哪一種毛病。結果顯示CNN和專科醫生的準繩度只相差千分之一，不過前者只用了38秒，後者卻平均用了23分鐘（圖三）。
Photo from Healthc Inform Res
除了腫瘤和囊腫以外，人工智能亦可透過X光片去評估骨質疏鬆的風險和牙周病的嚴重程度。在法醫齒學的角度，CNN也可以檢視X光片去推敲病人的年齡。例如是智慧齒，它一般在青少年時期生長，CNN能辨認智慧齒的生長程度（例如：完全未生長、牙冠已長成、牙根生長中、整顆牙齒完全長成），然後估算病人的年齡。有時候病人的X光片成像會顯得模糊，若他們重拍，需再承受吸收輻射的風險。人工智能可以幫助圖像重構，減少雜訊和瑕疵，增強品質，改善成像的診斷價值。這一切都因為倫琴和沃克霍夫而變得有可能。
Text by 香港大學牙醫學院放射學導師楊偉勤醫生
[1]Taguchi, M., Wamasing, P., Watanabe, H. et al. Applying the paralleling technique in intraoral periapical radiographs for Japanese patients by analyzing CT images. Oral Radiol 37, 311–320 (2021). https://doi.org/10.1007/s11282-020-00454-x
