CN108735292B - 基于人工智能的可摘局部义齿方案决策方法和系统 - Google Patents

Abstract

本发明涉及涉及计算机辅助领域，并提供了一种基于人工智能的可摘局部义齿方案的决策方法和系统，该方法包括以下步骤：获取牙列病例数据，提取牙列数据的病例特征；在预先构建的案例库中对牙列病例数据进行案例检索；对相似度较高的案例，直接将该最相似案例作为初始方案供参考；对于相似度较低的牙列病例结合规则库通过案例推理对病例进行规则推理，将推理结果对应的案例作为初始方案，对初始方案进行评价，并根据评价结果确定是否需要对该初始方案进行相应调整，并得到最终义齿设计方案。本发明提供的方案基于人工智能对义齿设计方案进行智能决策，将义齿设计过程结合案例检索和案例推理分成不同决策层次，获得智能准确的决策参考数据。

Description

基于人工智能的可摘局部义齿方案决策方法和系统

技术领域

本发明涉及识别技术领域，尤其是一种基于人工智能的可摘局部义齿方案决策方法和系统。

背景技术

牙齿是陪伴人类最久的器官之一，牙齿是否健康决定了人们生活质量的水平，除了影响到人们的消化系统、发音语言、颞下颌关节外，还会影响到面部美观和心理健康。因此缺失牙需通过义齿进行修复，恢复口腔的功能，减轻口腔内存留牙齿和其他组织的负担。根据2017年发布的第四次全国口腔流行病调查结果显示，我国至少有8944万人患有牙缺失，其中65-74岁老年人存留牙数22.5颗。一般针对牙列缺损的口腔修复有三种类型：活动义齿、固定义齿和种植义齿。固定义齿需要将旁边的天然牙磨小用于搭桥，种植义齿需要往颌骨里打入种植体，这两种修复方式对患者本身的口腔状况要求较高，老年人的身体和口腔状况不一定适合，而且这两种修复方式的费用比较高。活动义齿由于价格低廉，适应症广泛，治疗过程安全可逆的优点广，是目前使用最广泛的牙缺失修复方式。然而，目前我国有缺牙的65至74岁老年人中修复的比例为63.2％，但仍有近一半的老年人未能及时修复缺失牙齿，而农村偏远地区患者修复比例远远低于城市水平。近些年的活动义齿的设计方法存在一系列问题。首先从缺失一个牙到全口牙齿仅存一个，都是可摘局部义齿的修复范围。人类口腔缺牙形式多种多样，按排列组合方法可有65536种，再加上临床患者口腔内存在的牙齿的形态、部位的差异以及不同的学术观点，使可摘局部义齿的设计方案及形式更加复杂。除此之外，还要考虑到患者的美观、生理及支点线面(

支托的连线叫支点线，支点线构成的面叫做支点面)的生物力学，使得可摘局部义齿的设计与制作，历来被认为是口腔医学中较为复杂的课题。

国务院2017年7月印发了《新一代人工智能发展规划》(以下简称《规划》)，提出了面向2030年我国新一代人工智能发展的指导思想、战略目标、重点任务和保障措施，部署构筑我国人工智能发展的先发优势，加快建设创新型国家和世界科技强国。《规划》明确了我国新一代人工智能发展的战略目标：到2020 年，人工智能总体技术和应用与世界先进水平同步，人工智能产业成为新的重要经济增长点，人工智能技术应用成为改善民生的新途径；到2025年，人工智能基础理论实现重大突破，部分技术与应用达到世界领先水平，人工智能成为我国产业升级和经济转型的主要动力，智能社会建设取得积极进展；到2030 年，人工智能理论、技术与应用总体达到世界领先水平，成为世界主要人工智能创新中心。

随着人工智能技术的发展，在可摘局部义齿的研究领域开始尝试将人工智能技术与可摘局部义齿的设计相结合。其中基于案例推理(Cases-Based Reasoning,CBR)的方法是人工智能领域一项重要的推理方法，其通过以往案例知识的检索与匹配给出新问题的求解过程和结果。CBR对领域知识模型的要求相对宽松，大大方便了领域知识的获取，用户可以增加、修改和完善案例，增量式的学习使案例库的覆盖度随系统的使用逐渐增大，系统的判断力不断提高。其局限性是检索速度会随着检索范围的增大而降低，并且较难准确地表达容易被人理解的概念，其对噪声也比较敏感。而基于规则推理(Rule-Based Reasoning,RBR)的系统又称为产生式系统，这种运行机制将规则通过逻辑关系串联起来，经过逻辑推导，得出需要的结论。大部分基于规则的临床决策系统可分为三部分—知识库、推理引擎和交流机制。知识库存储编译后的相关医学数据的规则推理引擎将患者的信息与知识库中的规则相结合；交流机制为用户提供一个良好的交互界面。这种方法符合医生的思维习惯，在临床决策中得到广泛的应用。基于规则的优点是效率高、存储空间小和知识库容易构造；不足之处是推理复杂、专家知识难以增量获取、表述规则难度大、维护困难等。

早期的RBR以方法为主的医疗决策支持系统解决了部分医疗诊断问题,但其对医学知识的获取瓶颈问题仍未解决。CBR方法为医学知识的获取提供了一种新的方式,但是其获取的知识是以“隐性”的方式存在于病案库中,基于CBR 的医疗决策支持系统的性能过分依赖于其病案库的数量和质量,已被专家总结的诊断规则无法发挥应有的作用。因此,本发明提供了一种结合RBR和CBR 的人工智能设计方案，并用于对可摘局部义齿的设计，使其发挥各自的优点，最终就是使用规则指导案例检索，并达到检索出来的案例应该尽可能的少，检索出来的案例应尽可能的与目标案例相关、相似或匹配，进一步增强了系统的决策支持能力。

发明内容

本发明所要解决的技术问题是：针对上述现有义齿设计中存在的问题，提供一种虚拟活动义齿设计方法及设计系统，用于医生和技师提供有效的义齿设计方案，有助于义齿设计方案的医技交流。

一种基于人工智能的可摘局部义齿方案的决策方法，该方法包括以下步骤：步骤S1，获取牙列病例数据，进行数据预处理，提取牙列数据的病例特征；步骤S2，在预先构建的案例库中对牙列病例数据进行案例检索；

步骤S3，对相似度较高的案例，认为案例库中与病例最相似的案例与病例处理结果是相同的，可直接将该最相似案例作为初始方案供参考，并输出该初步决策结果；对于相似度较低的牙列病例，认为是无法找到最相似的案例，则继续步骤S4；

步骤S4，结合规则库通过案例推理对病例进行规则推理，将推理结果对应的案例作为初始方案，并输出该初始决策结果；

步骤S5，对步骤S3和步骤S4中的初始方案进行评价，并根据评价结果确定是否需要对该初始方案进行相应调整，并得到最终义齿设计方案。

进一步的，该方法还包括步骤S6，记录最终义齿设计方案以及最终义齿方案的评价结果作为最终有效的决策结果，并将该有效的义齿决策结果作为新的案例加入到案例库，同时更新案例推理所使用的决策树。

进一步的，在步骤S1和S2中是基于预定的牙列数据格式建立义齿设计案例库和提取牙列病例特征；

所述义齿设计案例数据库是一个包含若干组由牙列状况数据和对应的义齿设计方案构成的案例所组成的数据库，在对牙齿数据和义齿设计方案按照预设的编码规则进行编号和存储后，在每一个案例中，一组牙列数据包括其中所有牙齿状况的编码数据以及牙齿的属性参数，并且一组牙列数据对应一个活动义齿支架的设计方案，这样相关联的一组牙列数据和一个活动义齿设计方案即构成了一个案例；

对于病例牙列数据，按照同样的编码规则对病例牙列中的牙齿进行编码。

进一步的，一组牙列数据包括按照一定的编码规则对牙列中所有牙齿进行编码的编码数据，首先对于牙列中的每一颗牙齿，将牙齿情况按照AA-B-C-DD 的格式进行编码，其中AA位表示牙位，B位表示牙齿是否存在，C位表示松动度，DD表示倾斜方向；

对于每一个义齿设计方案的活动义齿支架，按照EE-F-G-HH的格式进行编码，其中EE位表示牙位，F位表示牙齿是否存在，G位表示与缺牙位置的关系，HH位表示卡环编号。

进一步的，将从牙列数据中选取相应的编码位和属性参数作为决策的特征参数，将所有特征参数的取值映射为符号，并基于符号化的特征参数取值在案例库中进行相似性检索，确定是否有与病例状况相似的案例，如果在基于案例特征的相似性检索后确定有相似的案例，则可以将该相似案例对应的义齿设计方案作为该牙列缺损病例的初始参考义齿设计方案，如果没有符合的或相似的则通过后续的案例推理进行处理。

进一步的，计算案例相似度的算法如下：

(1)按照如下计算方法计算输入的当前特征参数和数据库中案例的特征参数集的相似度：

对于当前病例牙列数据x和案例库中的案例牙列数据y，计算其状态特征之间的相似度，考虑两者的特征参数，对于第k个特征参数，计算特征参数之间的相似度s_k(x,y)：

对于第k个特征参数，定义一个指示变量δ_k，如果该属性是非对称属性且两个对象的该属性的值都为0，或者如果一个对象的第k个属性具有遗漏值则有δ_k＝0，否则δ_k＝1；

计算两个对象之间的总相似度similarity(x，y)：

(2)将计算得到的各案例按照总相似度降序排序，根据预设的条件判断在前K个相似的案例是否有符合条件的案例。

进一步的，步骤S4中还需要先根据从案例库中提取的推理规则和牙列数据编码格式构建相应的推理决策树，推理决策树通过对样本数据进行处理，使用归纳算法生成规则，并能够以内部节点和分枝这类树状结构存储和表示规则。

进一步的，在进行案例推理时，对于已经将各个牙齿按照AA-B-C-DD的格式进行编码的病例编码数据，判断编码数据中各标志位的值，并与推理决策树进行对比，判断该数据所属的具体分类，并将该所属分类对应的义齿设计方案作为对应的初步决策结果。

当存在编号为“X7-0-0-00”即表示存在游离缺失的情况，具体到口腔中各个部位中，当17-0-0-00和27-0-0-00存在即表示上颌游离缺失，37-0-0-00和 47-0-0-00即表示下颌游离缺失。

另一方面，本发明提供了一种基于权利要求1-9中任一义齿方案决策方法构建的基于智能推荐的虚拟活动义齿设计系统，其特征在于，所述系统用于执行所述决策方法中的各步骤。

综上所述，由于采用了上述技术方案，本发明的有益效果是：

1.本发明提供的系统方案实现了牙齿缺失、松动、倾斜等多种情况的组合描述，涵盖1152³²种口腔状况。

2.本发明提供的系统方案基于人工智能的义齿方案决策方法和决策系统，通过人工智能方法建立的用于铸造支架可摘义齿设计的案例库和推理规则，将义齿设计过程结合案例检索和案例推理分成不同决策层次,真实模拟口腔高级修复专家的临床检查、诊断,并给出修复前推荐计划和最终的义齿修复方案，辅助临床医生进行方案制定，使得大型医院医生减少工作负荷，提高工作质量。

3.本发明提供的系统方案可以在修复方案完成后自动生成卡环注释，及牙体预备(根据义齿部件放置的要求对牙齿进行适当的磨除)方案，指导临床医生操作；输出结果还可以连接3D打印机、输出设计图与标准化工作授权书，直接对接义齿加工厂交加工中心制作义齿，解决由于医师绘画水平、习惯不一，导致医生给技师制作假牙的设计单上支架绘制图标不统一，加工厂可能辨认信息困难的问题，大大提高了义齿制作工作效率，减少返工几率，使得患者拥有更舒适、简单的就医体验。

附图说明

本发明将通过例子并参照附图的方式说明，其中：

图1为本发明方法流程图。

图2为本发明实施例中的活动义齿结构图。

图3为本发明实施例中的牙位编号图。

图4为推理决策树的示意图。

具体实施方式

本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。

首先需要说明的是，在以下实施例中“病例”仅代表数据类型属于待测试数据或待处理数据，以用于区分“案例”数据(样本数据)，并且通过本发明各实施例得到的处理结果也仅仅为参考数据，在临床上为医生提供初步的参考数据，对于最终的治疗方案还需要医生结合综合情况以及自身的临床经验来决定，因此本发明各实施例均不属于疾病的诊断或治疗方法。

本发明将CBR-RBR混合模型的人工智方法能用于可摘局部义齿的决策，该决策方法如图1所示，相应的处理步骤如下：

步骤S1，获取牙列病例数据，进行数据预处理，提取牙列数据的病例特征。

步骤S2，在预先构建的案例库中对牙列病例数据进行案例检索。

步骤S3，对相似度较高的案例，认为案例库中与病例最相似的案例与病例处理结果是相同的，可直接将该最相似案例作为初始方案供参考，并输出该初步决策结果；对于相似度较低的牙列病例，认为是无法找到最相似的案例，则继续步骤S4；

步骤S4，结合规则库通过案例推理对病例进行规则推理，将推理结果对应的案例作为初始方案，并输出该决策结果；

步骤S5，对步骤S3和步骤S4中的初始方案进行评价，并根据评价结果确定是否需要对该初始方案进行相应调整，并得到最终方案；

步骤S6，记录最终方案以及最终方案的评价结果作为最终有效的决策结果，并将该有效的义齿决策结果作为新的案例加入到案例库，同时更新案例推理所使用的决策树规则。

在步骤S1中，需要对案例库和提取的特征进行描述：基于预定的牙列数据格式建立义齿设计案例库和提取牙列病例特征；

所述活动义齿设计案例数据库是一个包含若干组由牙列状况数据和对应的义齿设计方案构成的案例所组成的数据库，在构建数据库之前，首先需要对牙列数据格式和义齿设计方案数据进行设定。

对于牙列数据，是按照一定的编码规则对牙列中的牙齿进行编码，在本实施例中采用如下的编码规则：

首先对于牙列中的每一颗牙齿，将牙齿情况按照AA-B-C-DD的格式进行编码，对于AA位表示牙位(牙位编码采用FDI牙位编号规则)；B位表示牙齿是否存在(存在1/缺失0)，C位表示松动度(不松0/松动1)，DD表示倾斜方向(正00/近中01/远中02/颊侧03/舌侧04/近颊05/近舌06/远颊07/远舌08，其中近中表示牙齿偏向靠近牙列中线的一侧，远中反之；颊侧表示牙齿偏向靠近颊粘膜的一侧，舌侧反之；近颊表示牙齿偏向近中且偏向颊侧；近舌表示牙齿偏向近中且偏向舌侧；远颊表示牙齿偏向远中且偏向颊侧；远舌表示牙齿偏向远中且偏向舌侧)。通常情况下当只有第2位B的编码数字为非0的时候后面才有需要考虑义齿设计的意义，即牙齿存在时才安放活动义齿的修复部件。在默认情况下牙齿编码为XX-1-0-00，即表示XX牙位的牙齿存在且无松动、无倾斜。

对于每一个义齿设计方案，即活动义齿支架，将设计方案按照EE-F-G-HH 的格式进行编码，对于EE位表示牙位(同FDI编号法)，F位表示牙齿是否存在(存在1/缺失0)，G位表示与缺牙位置的关系(非基牙0/远中游离1/远中有牙2，其中非基牙指不在其上安放任何义齿部件的牙齿，远中游离表示这颗牙齿的远中没有任何一颗牙齿，远中有牙反之)，HH位表示卡环编号，在默认情况下牙环类型为XX-1-0-00，即表示XX牙位的牙齿存在且非基牙，不放置任何卡环。

需要说明的是，对于活动义齿修复的完整设计包括支架、人工牙和基托，本方案只针对支架方案，如图2所示，活动义齿支架包括卡环和连接体，本实施例先根据当前口腔状况计算出卡环的种类和位置，然后在系统中自动绘制连接体。

其中对于牙齿编号AA位和卡环编号的EE位均表示牙位，即牙齿的编号，在一个实施例中牙位编码采用FDI牙位编号规则：每颗牙用两位阿拉伯数字表示，第一位表示牙齿所在的象限:病人的右上、左上、左下、右下在恒牙为1、2、3、4，第二位表示牙齿的位置:从中切牙到第三磨牙为1-8；具体的编号方法如图3所示，对于上颌和下颌的牙齿按照图上所标编号示例进行编号。

卡环编号的HH位表示卡环的编号，即对不同的卡环进行编码，从而通过编码表示对应的义齿卡环方案。在一个实施例中该位的编号规则如下：

需要说明的是，在本实施例中均默认为近中支托，近中绕行。如果需要远中，则更换数字编码，如近中三臂01，远中三臂10；近中I杆11，远中I杆 a1。

相应的卡环注释如下：

三臂卡环：固位臂起于基牙颊侧远中倒凹区，对抗臂包绕远中舌线角(远中三臂卡环相反)

圈形卡环：固位臂起于基牙颊侧或舌侧的倒凹区，止于舌侧或颊侧的非倒凹区

回力卡环：基牙唇侧倒凹区—远中面(支托)—舌侧—近中舌侧(小连接体)

反回力卡环：舌侧倒凹区—远中面(支托)—颊侧—近中颊侧(小连接体)

对半卡环：颊侧固位臂&支托，舌侧对抗臂&支托

间隙卡环：位于天然牙3、4之间的

外展隙

联合卡环：卡环臂&卡环体&HE支托

延伸卡环：(长臂卡环)卡环臂延伸至邻牙的倒凹区

尖牙卡环：近中切支托—顺舌面近中边缘嵴向下—至舌隆突方向上转—沿舌面远中边缘嵴至远中切角—反折至唇面进入近中倒凹区

I杆：从网状连接体伸出的引伸臂沿龈缘下方至少3mm平行延伸，成直角转向HE方，I杆末端(约2mm)进入倒凹区(深度0.25-0.5mm)，止于基牙颊侧龈方1/3

T杆：基本要求同I杆，T杆只有一个末端进入基牙颊侧龈1/3的固位倒凹

L杆：基本要求同I杆，L杆末端位于基牙舌侧或颊侧龈方1/3固位倒凹

U杆：基本要求同I杆，U杆伸出两个指状固位臂进入基牙颊侧龈1/3的固位倒凹

近中邻面板：邻面板宽度约为基牙颊舌尖距离的1/2或基牙颊舌径1/3，

龈向伸展为基牙牙冠长度1/2-2/3，邻面板尽量向舌侧延伸，厚度约为1.0mm，最厚部分靠近基牙舌侧，略越过基牙远中舌侧轴角(可摘局部义齿设计图谱，可摘局部义齿设计图解韩科)

远中邻面板：同上

RPI卡环组：近中

支托：同上述支托

远中邻面板：同上

I杆：同上

RPA卡环组：近中

支托：同上述支托

远中邻面板：同上

Aker卡环：从邻面板伸出，固位臂末端进入基牙颊侧近中倒凹

舌板：覆盖于下前牙的舌隆突区之上，与舌隆突形态相协调，进入牙间舌外展隙，上缘呈扇形波浪状

腭板：覆盖于上前牙的舌隆突区之上，与舌隆突形态相协调，进入牙间舌外展隙，上缘呈扇形波浪状

缺失牙：以网状结构覆盖表示，上颌网状结构覆盖舌尖区域略偏颊侧，下颌覆盖至中央沟略偏颊侧，颊侧方向终止为网格状。

牙体预备方案：

对于

支托：形态：圆三角形，由近

面边缘嵴处向

面中心逐渐变窄；长度：磨牙近远中径的1/4，前磨牙近远中径的1/3；宽度：磨牙颊舌径的1/3，前磨牙颊舌径的1/2。

对于舌隆突支托：形态：与舌隆突形态相协调的V字形，位于尖牙舌面龈1/3与中1/3处，支托最宽处偏舌侧，延伸至邻面处宽度逐渐缩窄，长度： 2.5～3mm，宽度：约为2mm。

在对牙齿数据和义齿设计方案按照上述的编码规则进行编号和存储后，在每一个案例中，一组牙列数据包括其中所有牙齿状况的编码数据以及牙齿的属性参数，并且一组牙列数据对应一个活动义齿支架的设计方案，这样相关联的一组牙列数据和一个活动义齿设计方案即构成了一个案例。

在所述的初始化步骤中将所有案例进行整合形成活动义齿设计案例数据库，并用于后续的案例匹配和推荐。

基于同样的数据格式，对病例牙列中的每一颗牙齿的状况按照前述定义的 AA-B-C-DD的格式进行编码，各标志位的含义和编号规则与前述规则保持一致，从而得到检测后的牙列编码数据。

在一个实施例中，还需要记录案例和病例对应的牙齿的属性参数。牙齿属性参数包括对应主人的年龄、性别等。

在一个实施例中，将从牙列数据中选取相应的编码位和属性参数作为决策的特征参数，如表1所示。

表1从案例和病例中提取的特征参数

在步骤S2和S3中，通过对案例库中的案例进行相似性检索，可以确定是否有与病例状况相似的案例，如果在基于案例特征的相似性检索后确定有相似的案例，则可以将该相似案例对应的义齿设计方案作为该牙列缺损病例的初始参考义齿设计方案。如果没有符合的或相似的则通过后续的案例推理进行处理。

在进行相似性计算时，将所有特征参数的取值映射为符号。比如，用4个字节表示缺牙部位的信息，每个变量从低位到高位分别对应于第1至第8颗牙齿，若某颗牙齿缺失，则将对应牙位置为1，如左侧6、7缺失,右侧6缺失，则缺失情况可表示为：ML＝0110000，MR＝00100000。然后，就可方便的用计算机语言描述规则，如上述情况相应的规则用计算机语言描述为： (ML＝＝0x60)&&(MR＝＝0x20)。对于字符型的特征参数，根据其属性值的不同分别映射，如特征Loose的取值包括不松、松动I、松动II&III，则这三个参数值分别映射0、1、2。采用以上方法可灵活、简单的将各种牙列情况用计算机语言描述。

在进行相似性检索时，实质上也是从数据库中检索出一个或者多个案例，这些案例的状态特征与当前病例的的状态特征最为相似。在本实施例中采用多种相似度量的算法来计算两两案例之间的状态特征集的相似度。

在另一个实施例中对案例相似度的计算可以通过计算案例库中每一个案例到目标案例的距离，并选择距离最小的那个案例，即采用最近邻法进行计算，该方法的计算过程可描述如下：

(1)计算案例与目标案例单个特征属性的相似度，通常使用欧氏距离；

(2)将单个调整属性的匹配度进行加权计算，获得案例与目标病例的综合匹配度；

(3)综合匹配度作为衡量目标案例与案例相似度的依据，决策出合适的相似案例，以达到检索的目的。

最近邻算法计算相似度的研究一般停留在确定属性值的基础上，对于不确定的、不精确的模糊属性而言，不能很好的解决案例模糊属性的相似度问题。一般来说，案例特征同时存在结构化数据与非结构化数据，直接采用传统的欧拉距离相似度计算方法会产生较大的实际偏差。本实施例中将模糊数学的隶属度方法引入与欧拉距离相似度计算相结合，形成新的检索方法，能够较好地解决模糊案例检索问题。

在一个实施例中具体的计算相似度的算法如下：

(1)按照如下计算方法计算输入的当前特征参数和数据库中案例的特征参数集的相似度：

对于当前检测牙列数据x和数据库中案例牙列数据y计算其状态特征之间的相似度，考虑两者的特征参数，对于第k个特征参数，计算特征参数之间的相似度s_k(x,y)：

对于第k个特征参数，定义一个指示变量δ_k，如果该属性是非对称属性且两个对象的该属性的值都为0，或者如果一个对象的第k个属性具有遗漏值【遗漏值就是空值，有些时候某一个数据对象的某些属性值没有获取到，就称为遗漏值】则有δ_k＝0，否则δ_k＝1。

计算两个对象之间的总相似度similarity(x，y)：

(2)将计算得到的各案例按照总相似度降序排序，根据预设的条件判断在前K个相似的案例是否有符合条件的案例。

在该检索步骤中属于查询和检索处理步骤，随着系统的输入依次搜索和统计相关的案例信息，涉及到大量的数据库查询操作，系统通过SQL命令完成与数据库的交互。

而对于没有从案例库中检索到相似案例的情况，则通过后续的案例推理的方法确定合适的义齿设计方案。首先需要构建相应的推理规则。

决策树通过对样本数据进行处理，使用归纳算法生成规则，并能够以内部节点和分枝这类树状结构存储和表示规则，相对于产生式规则的推理方法，基于决策树的推理方法的突出优点是可解释性。决策树节点中的条件简单、易于理解它的图形输出能够直观地展示各种可能的结果和结果中误判的频率当获得新的信息时能够很容易修正决策树。在规则获取方面,决策树通过进行宽度优先搜索,从根节点到叶节点的每条路径对应于条件的合取,因而这些路径可以用“IF-THEN”表示并形成规则库,解决了基于产生式规则系统难以更新规则的问题。另外，决策树还可以通过剪枝简化结构，避免“过度拟合”，使生成的规则具有更好的泛化推理能力。

原则上，决策树从根结点到叶结点的每一条路径都可以表示为一个分类规则。路径中的测试条件构成规则前件的合取项，叶结点的类标号赋给规则后件。如图4显示了一个由决策树生成规则集的例子，其中的规则集是不完全的，包含的规则是互斥的，其中的某些规则是可以简化的。

具体到本实施例中，按照目前国际流行的Kennedy分类方法，牙列缺损可分为4类：

肯式1类：牙列双侧游离缺失

肯式2类：牙列单侧游离缺失

肯式3、4类：牙列非游离缺失

除第4类外，每一类牙列缺损按情况的不同分为若干亚类，亚类是指除有各类型的主要缺隙外，尚有另外的缺牙间隙。

例如对于已经将各个牙齿按照AA-B-C-DD的格式进行编码的病例编码数据，当存在编号为“X7-0-0-00”即表示存在游离缺失的情况。具体到口腔中各个部位中有17-0-0-00和27-0-0-00存在表示上颌游离缺失，37-0-0-00和47-0-0-00存在表示下颌游离缺失。

进一步的，对于通过牙列编码数据推理该病例所属类别并对义齿设计方案进行决策所使用的推理规则进行说明如下：

1.判断所属的牙齿缺分方式

(1.1)当上颌中17-0-0-00&27-0-0-00同时发生，或者下颌中37-0-0-00& 47-0-0-00同时发生，则表示该牙列缺损属于肯氏1类双侧游离缺失；

(1.2)当上颌：17-0-0-00或27-0-0-00发生、且17-0-0-00&27-0-0-00 不同时发生，或者当下颌：37-0-0-00或47-0-0-00发生、且37-0-0-00& 47-0-0-00不同时发生，则表示该牙列缺损属于肯氏2类单侧游离缺失；

(1.3)当上颌中无17-0-0-00&27-0-0-00发生，或是下颌中无37-0-0-00 &47-0-0-00发生，则表示牙列缺损属于肯氏3、4类非游离缺失；

若判断为肯式3类或4类，邻近缺隙的第一颗存在的牙齿如果是12-22、 32-42(前述的FDI牙位编号)，则放置邻面板卡环；如果是13、23、33、43 则放置尖牙卡环；如果是14-17、24-27、34-37、44-47则放置三臂卡环。

2.判断是否属于亚类

(2.1)当已识别为肯氏1类，并且如果存在AA-1-X-XX的近中存在 AC-0-0-00，AB-1＝AC，即为肯氏1类亚类，此时相应的决策结果为在缺失牙两侧基牙默认放置三臂卡环；

例如15-17、25-27、13缺失，即17-0-0-00&27-0-0-00同时发生，识别为肯氏1类；匹配两侧从后向前遇到的第一个缺牙区的设计(15-17、25-27缺失)，并且14-1-0-00且13-0-0-00同时发生，识别为肯氏1类亚类，于是在缺失牙 (13)两侧基牙(14.12)默认放置三臂卡环。

(2.2)当识别为肯氏2类，如果存在AA-1-X-XX的近中存在AC-0-0-00，AB-1＝AC，即为肯氏2类亚类，此时相应的决策结果为在缺失牙两侧基牙默认放置三臂卡环；

例如对于15-17、13缺失，此时17-0-0-00单独发生，因此识别为肯氏2 类；进一步的，匹配两侧从后向前遇到的第一个缺牙区的设计(15-17缺失)，并且14-1-0-00且13-0-0-00同时发生，识别为肯氏2类亚类，于是在缺失牙(13) 两侧基牙(14.12)默认放置三臂卡环。

(2.3)当识别为肯氏3、4类，匹配两侧遇到的第一个缺牙区的设计；如果还有其他缺失，缺失牙两侧默认放置三臂卡环。

以此类推，基于牙列编码数据和从案例库中提取的推理规则，可以对病例进行相应的案例推理，当得到病例的推理结果、即病例在推理决策树中所属节点后，即可得到该节点对应的方案作为最终的决策方案。

对另一部分的决策树和推理规则简单陈述如下：

3.判断缺隙是否跨中线

3.1)11-0-0-00&21-0-0-00同时发生，跨中线

3.2)11-0-0-00&21-0-0-00未同时发生，非跨中线

(3.1)若判断为肯式1类非跨中线，邻近缺隙的第一颗存在的牙齿，如果是12-22、32-42(FDI牙位编号)，则放置邻面板卡环；如果是13、23、33、 43则放置尖牙卡环；如果是14-17、24-27、34-37、44-47则放置RPI、RPA、 RPT等组合卡环；若上颌14、24存在，或下颌34、44存在，则在其上放置

支托。

(3.2)若判断为肯式1类跨中线，邻近缺隙的第一颗存在的牙齿如果是 12-22、32-42(前述FDI牙位编号)，则放置邻面板卡环；如果是13、23、33、 43则放置尖牙卡环；如果是14-17、24-27、34-37、44-47则放置三臂卡环；

若上颌14、24存在，或下颌34、44存在，则在其上放置

支托；

若上颌16、26存在，或下颌36、46存在，则在其上放置三臂卡环。

(3.3)若判断为肯式2类非跨中线，邻近缺隙的第一颗存在的牙齿，如果是12-22、32-42(前述的FDI牙位编号)，则放置邻面板卡环；如果是13、23、 33、43则放置尖牙卡环；如果是14-17、24-27、34-37、44-47则放置RPI、RPA、 RPT等组合卡环；

若上颌14、24存在，或下颌34、44存在，则在其上放置

支托。

(3.4)若判断为肯式2类跨中线，邻近缺隙的第一颗存在的牙齿如果是 12-22、32-42(前述FDI牙位编号)，则放置邻面板卡环；如果是13、23、33、 43则放置尖牙卡环；如果是14-17、24-27、34-37、44-47则放置三臂卡环；

若上颌14、24存在，或下颌34、44存在，则在其上放置

支托。

若上颌16、26存在，或下颌36、46存在，则在其上放置三臂卡环。

由此可见，对于可摘局部义齿可根据牙列缺损的类型、余牙数目、基牙条件和有无亚类等分类进行设计。当通过找出牙列缺损特点的规律性内容，将这些规律内容用于构建案例推理所使用的推理规则，几乎覆盖了正常情况的各种牙列缺损。当通过许多以上形式的规则组成时，即形成了推理决策树。结合使用案例编号的搜索，以及可靠的推理机制，本实施例中采用如上所述的演绎推理的推理方式，根据缺失牙的情况，一层层地推进，最后自动决策出局部义齿设计方案。

最后在步骤S5和S6中还需要对步骤S3和步骤S4中的初始方案进行评价，并根据评价结果确定是否需要对该初始方案进行相应调整，得到最终方案，并最终方案的评价结果作为最终有效的决策结果，并将该有效的义齿决策结果作为新的案例加入到案例库，同时更新案例推理所使用的决策树规则。

对于从前面步骤中得到的初步义齿设计决策方案，判断其中是否有能够完全适用于解决当前牙列状态问题的方案，如果有则不需要进行任何修改，直接采用该义齿设计方案作为最终有效的牙列义齿设计决策方案，反之进入案例修正阶段，即采用某种策略在该初步匹配推荐案例的基础上做适当修改，使之适用于解决当前牙列状态的新问题。所述判断的方法可以是基于自动评价系数的计算或匹配度打分的计算方法进行判断，也可以是基于人工经验的判断。

实施例2为一种基于智能推荐的虚拟活动义齿设计决策系统，该系统是基于前述任一实施例中的义齿方案决策方法构建的，并且所述系统用于执行前述任一实施例中决策方法中的各步骤，以完成对虚拟活动义齿设计方案的智能决策。

在另一个实施例中，还可以基于实施例2中的义齿设计系统来建立辅助临床决策专家系统和活动义齿设计平台RD-designer，该系统是一个基于知识库的智能推理系统，涉及知识获取知识库、推理控制机制以及智能人机界面的研究，集人工智能和口腔修复科学领域知识于一体；结合华西口腔医院国内顶尖修复专家专业知识与海量临床病例，结合深度学习智能算法，以打造便捷、高效、智能的一体化活动义齿设计专家系统。用户通过人机交互方式输人牙列缺损信息，然后由计算机根据知识库中的知识。经推理机的推理，对牙列缺损情况进行归类，选择出基牙、基托、固位体和连接体，确定可摘局部义齿修复方案，最后调用图形库中的图形，将修复方案显示在屏幕上。

该系统核心优势在于综合考虑基牙多种属性，纳入旧义齿信息输入，在输出活动义齿设计方案的同时，给出牙体预备方案，并通过患者正面微笑照片与支架设计颊面观图纸进行拟合，从而达到DSD美学预测，满足不同个性化美学需求。另外该系统还可将最终活动义齿支架设计图像发送至通过手机、PC 等移动终端，提供3D建模，使得用户能够更加清楚地认识到活动义齿的构造和以及其在牙周组织位置，认识到义齿对口腔组织的美观、舒适度、健康各方面的预期影响。

通过上述的各实施例中描述的基于人工智能的义齿方案决策方法和决策系统，通过人工智能方法建立的用于铸造支架可摘义齿设计的案例库和推理规则，将义齿设计过程结合案例检索和案例推理分成不同决策层次,真实模拟口腔高级修复专家的临床检查、诊断,并给出修复前推荐计划和最终的义齿修复方案，辅助临床医生进行方案制定，使得大型医院医生减少工作负荷，提高工作质量；输出结果还可以连接打印机、输出设计图与标准化工作授权书，直接对接义齿加工厂交制作义齿。解决由于医师绘画水平、习惯不一，导致医生给技师制作假牙的设计单上支架绘制图标不统一，加工厂可能辨认信息困难的问题，大大提高了义齿制作工作效率，减少返工几率，使得患者拥有更舒适、简单的就医体验。

本发明并不局限于前述的具体实施方式。本发明扩展到任何在本说明书中披露的新特征或任何新的组合，以及披露的任一新的方法或过程的步骤或任何新的组合。

Claims (8)

1.一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，该方法包括以下步骤：

步骤S1，获取牙列病例数据，进行数据预处理，提取牙列数据的病例特征；

步骤S2，在预先构建的案例库中对牙列病例数据进行案例检索；

步骤S3，对相似度较高的案例，认为案例库中与病例最相似的案例与病例处理结果是相同的，可直接将该最相似案例作为初始方案供参考，并输出初始决策结果；对于相似度较低的牙列病例，认为是无法找到最相似的案例，则继续步骤S4；

步骤S4，结合规则库通过案例推理对病例进行规则推理，将推理结果对应的案例作为初始方案，并输出初始决策结果；

步骤S5，对步骤S3和步骤S4中的初始方案进行评价，并根据评价结果确定是否需要对该初始方案进行相应调整，并得到最终义齿设计方案；

具体地，将从牙列数据中选取相应的编码位和属性参数作为决策的特征参数，将所有特征参数的取值映射为符号，并基于符号化的特征参数取值在案例库中进行相似性检索，确定是否有与病例状况相似的案例，如果在基于案例特征的相似性检索后确定有相似的案例，则可以将该相似案例对应的义齿设计方案作为该牙列缺损病例的初始参考义齿设计方案，如果没有符合的或相似的则通过后续的案例推理进行处理；

其中，计算相似度的算法如下：

(1)按照如下计算方法计算输入的当前特征参数和数据库中案例的特征参数集的相似度：

对于当前病例牙列数据x和案例库中的案例牙列数据y，计算其状态特征之间的相似度，考虑两者的特征参数，对于第k个特征参数，计算特征参数之间的相似度s_k(x,y)：

对于第k个特征参数，定义一个指示变量δ_k，如果该属性是非对称属性且两个对象的该属性的值都为0，或者如果一个对象的第k个属性具有遗漏值则有δ_k＝0，否则δ_k＝1；

计算两个对象之间的总相似度similarity(x，y)：

(2)将计算得到的各案例按照总相似度降序排序，根据预设的条件判断在前K个相似的案例是否有符合条件的案例。

2.如权利要求1所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，还包括步骤S6，记录最终义齿设计方案以及最终义齿方案的评价结果作为最终有效的决策结果，并将该有效的义齿决策结果作为新的案例加入到案例库，同时更新案例推理所使用的决策树。

3.如权利要求1所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，在步骤S1和S2中是基于预定的牙列数据格式建立义齿设计案例库和提取牙列病例特征；

所述义齿设计案例数据库是一个包含若干组由牙列状况数据和对应的义齿设计方案构成的案例所组成的数据库，在对牙齿数据和义齿设计方案按照预设的编码规则进行编号和存储后，在每一个案例中，一组牙列数据包括其中所有牙齿状况的编码数据以及牙齿的属性参数，并且一组牙列数据对应一个活动义齿支架的设计方案，这样相关联的一组牙列数据和一个活动义齿设计方案即构成了一个案例；

对于病例牙列数据，按照同样的编码规则对病例牙列中的牙齿进行编码。

4.如权利要求3所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，一组牙列数据包括按照一定的编码规则对牙列中所有牙齿进行编码的编码数据，首先对于牙列中的每一颗牙齿，将牙齿情况按照AA-B-C-DD的格式进行编码，其中AA位表示牙位，B位表示牙齿是否存在，C位表示松动度，DD表示倾斜方向；

对于每一个义齿设计方案的活动义齿支架，按照EE-F-G-HH的格式进行编码，其中EE位表示牙位，F位表示牙齿是否存在，G位表示与缺牙位置的关系，HH位表示卡环编号。

5.如权利要求4所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，步骤S4中还需要先根据从案例库中提取的推理规则和牙列数据编码格式构建相应的推理决策树，推理决策树通过对样本数据进行处理，使用归纳算法生成规则，并能够以内部节点和分枝这类树状结构存储和表示规则。

6.如权利要求5所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，在进行案例推理时，对于已经将各个牙齿按照AA-B-C-DD的格式进行编码的病例编码数据，判断编码数据中各标志位的值，并与推理决策树进行对比，判断该数据所属的具体分类，并将该所属分类对应的义齿设计方案作为对应的初步决策结果。

7.如权利要求6所述的一种基于人工智能的可摘局部义齿方案的决策方法，其特征在于，当存在编号为“X7-0-0-00”即表示存在游离缺失的情况，具体到口腔中各个部位中，当17-0-0-00和27-0-0-00存在即表示上颌游离缺失，37-0-0-00和47-0-0-00即表示下颌游离缺失。

8.一种基于权利要求1-7中任一义齿方案决策方法构建的基于智能推荐的虚拟活动义齿设计系统，其特征在于，所述系统用于执行所述决策方法中的各步骤。

Images