《Sensors and Actuators A: Physical》：Tooth aging monitoring system based on secondary dentin analysis using ultrasound and artificial intelligence
编辑推荐：
牙齿作为生物年龄评估的重要指标，但传统 radiographic 方法存在辐射风险和主观误差。本研究创新性地结合超声成像与机器学习，通过分析牙齿次生牙本质厚度实现高精度年龄估算，分类准确率达99%和92%，采用单元件超声探头，设备紧凑且非侵入式，有效规避辐射暴露和复杂设备限制。
权泰阳（Taeyang Kwon）|马兹·萨尔曼（Maaz Salman）|成永浩（Yeongho Sung）|罗伯特·泰勒（Robert Taylor）|林海均（Hae Gyun Lim）
韩国釜山普庆国立大学（Pukyong National University）工业4.0融合仿生工程系，邮编48513
摘要
牙齿由于会经历与年龄相关的显著变化，因此可以作为评估生物年龄或确定身份不明个体年龄的宝贵指标。然而，以往的研究指出使用牙科X光片进行年龄估计存在局限性，例如评估者的专业技能、辐射暴露以及需要大型设备等因素会导致测量误差。在这项研究中，我们提出了一种新的牙龄估计方法，该方法具有高精度、非侵入性，并且使用紧凑的设备。我们获取了牙齿的超声信号，并利用机器学习分析了次级牙本质的厚度。通过MobileNetV2对频谱图图像进行分析时，牙齿样本按牙髓与牙本质比例分类的准确率为99%；而使用一维卷积神经网络对时间序列数据进行分析时，准确率为92%。超声的天然特性使得能够无创地获取牙齿信号。这种新型方法通过机器学习分析超声信号，提供了一个更简单、更安全的年龄估计系统，能够提供客观可靠的结果，且没有辐射暴露的风险。
引言
随着医疗技术的进步和预期寿命的延长，了解牙齿的生物老化过程变得至关重要，因为这直接关系到牙齿的功能持久性和整体健康。老化会导致不可逆的结构变化，例如牙髓钙化，从而增加牙齿断裂的风险并影响咀嚼效率[1]、[2]、[3]、[4]。这些可预测的生理变化使牙齿成为明确的生物指标，能够精确记录人类生命周期中的时间[5]、[6]。虽然法医学经常利用这些标志物进行个体识别，但其主要的临床意义在于客观量化生物老化过程，以评估组织的长期演变。
在老化过程中，牙齿内的各种组织（包括牙釉质、牙本质和牙髓）会经历许多变化。覆盖在牙齿最外层的牙釉质会直接受到各种物理和化学刺激的影响，导致随时间逐渐磨损。牙本质分为两种类型：早期形成的初级牙本质（PD）和终生持续形成的次级牙本质（SD）[2]、[7]。次级牙本质的沉积是一个由时间老化和日常功能使用中的累积外部刺激共同驱动的补偿性生理过程。它有助于增强牙齿的结构完整性，并通过降低牙本质的渗透性来保护牙髓，从而可能防止牙髓受到进一步的外部刺激。然而，这种持续的沉积会导致牙本质逐渐变厚，进而使牙髓腔变窄。结果，牙髓的总体体积减小，内部血管和神经的密度也随之降低[6]、[8]、[9]。
目前正在进行针对活体个体的非破坏性年龄估计技术研究，其中放射学方法尤为突出。这些方法通常通过将牙科X光片与牙科图谱或标准化参考图像进行比较来估计年龄。然而，这些方法本质上需要评估者的主观解读，这会影响估计结果，并且主要适用于儿童和青少年[10]、[11]、[12]、[13]、[14]。为了克服这些局限性，人们开发了基于次级牙本质形成进行年龄估计的方法。这些方法分析牙髓腔大小减小与实际年龄之间的相关性，或计算牙髓与牙齿的比例来进行年龄估计[15]、[16]。但在获取X光图像时，颌骨的弯曲弧度可能导致牙齿在平面上投影时出现失真，从而影响准确性。虽然使用3D扫描图像的方法可以部分解决失真问题，但计算机断层扫描仍存在根本性挑战，包括辐射暴露和需要大型设备[17]、[18]。
超声提供了一种高效的非侵入性和连续性检查方法，特别适合非破坏性检测[19]。这种方法可以在不损坏或破坏被分析对象的情况下检查内部结构和形状[20]、[21]、[22]、[24]。在牙科分析中，尤其是在检查活体个体的牙齿时，使用避免拔牙或部分切割等破坏性程序的技术至关重要，同时也要采用对人类组织风险最小的方法。超声满足了这些严格要求，提供了一种安全、非侵入性的解决方案，能够保护牙齿及其周围组织的完整性。它无需物理干预即可穿透内部结构，使其成为分析牙齿内部结构的合适且可靠的技术。最近的研究进一步验证了超声在牙科应用中的实用性，展示了其在提供牙齿形态和内部组成详细信息方面的有效性[25]、[26]、[27]。
将人工智能（AI），特别是机器学习（ML）技术应用于超声数据分析显示出巨大潜力。有研究报道通过使用卷积神经网络（CNN）模型分析细胞的超声反射信号，开发出了实时监测和自动分类系统[28]、[29]、[30]、[31]、[32]、[33]。还有研究通过分析反射信号来量化微粒的浓度和大小[22]、[34]、[35]。这些研究表明，将超声与CNN结合使用可以获取和分析有关牙齿内部组成的信号，用于年龄估计和其他牙科分析。然而，目前尚未研究利用这种方法进行牙齿年龄估计的集成方案。尽管有关结合AI和牙齿年龄估计的研究不断涌现，但这些研究主要使用X光和锥形束计算机断层扫描等放射学图像作为数据[36]、[37]、[38]、[39]、[40]，这些方法存在辐射暴露的风险。尽管也有使用磁共振成像数据的研究，但这些方法需要非常庞大的设备，并且图像处理耗时且成本高昂[41]、[42]。超声信号数据有可能克服这些挑战，提供一种无辐射且更易获取的替代方案。
在这项研究中，我们提出了一种新的年龄估计方法，结合了超声技术和ML，以次级牙本质的形成作为关键指标。该方法通过ML分析提供客观准确的结果，而超声的天然特性使得数据获取非侵入性。此外，与我们现有的方法相比，我们使用了单个超声换能器，构建了一个更简单的系统。通过关注次级牙本质的形成来测量老化过程，我们创建了一个具有明显暴露牙本质的老化牙齿模型，模拟了老化的特征。由于结构特点，小鼠的牙齿符合我们的研究需求。小鼠门牙的牙釉质仅覆盖牙齿的唇侧，而其余（如远端、近端和舌侧）的牙本质则完全暴露[43]、[44]、[45]、[46]。我们的研究目标是通过适当分类利用CNN和其他ML模型分析的超声信号，展示准确年龄估计的潜力。
部分内容片段
按年龄分类的牙齿模型制备
所有动物实验程序均按照普庆国立大学（Pukyong National University）机构动物护理和使用委员会的规定（批准编号：PKNUIACUC-2024-07）以及美国国立卫生研究院关于实验室动物护理和使用的指南进行。牙齿取自我们实验室之前用于其他实验的小鼠尸体。考虑到结构特点，共选取了5颗下
制作的牙齿模型
图3显示了按年龄分类的加工后门牙的横截面。在拔牙过程中去除了牙髓。本研究通过分析超声反射信号特征来研究牙本质和牙髓腔厚度的差异，重点关注牙髓腔的厚度而非牙髓本身。因此，牙髓的缺失不会影响分析结果。如横截面图像所示，每个
讨论
在这项研究中，我们制作了模拟老化特征的牙齿模型，并通过结合AI的超声信号分析对这些模型进行了分类实验。这种方法在区分不同模型方面达到了高精度。尽管已经广泛研究了用于评估牙齿老化的非破坏性技术，但大多数传统方法依赖于放射学技术，这些技术涉及辐射暴露并需要大型设备。
结论
在这项研究中，我们提出了一个利用基于ML的超声信号分析来测量牙齿生物老化的系统。超声是一种非侵入性技术，能够在不产生辐射暴露风险的情况下分析内部结构。通过这种方法，我们能够在不承担先前风险（如辐射暴露）的情况下获取牙齿的内部信息。传统方法依赖于图像和主观评估来估计牙齿老化。然而，我们仅使用信号数据
伦理声明
所有动物实验程序均按照普庆国立大学（Pukyong National University）机构动物护理和使用委员会的规定（批准编号：PKNUIACUC-2024-07）以及美国国立卫生研究院关于实验室动物护理和使用的指南进行。牙齿取自我们实验室之前用于其他实验的小鼠尸体。
作者贡献声明
权泰阳（Taeyang Kwon）：撰写 – 审稿与编辑、撰写 – 原稿撰写、验证、资源准备、方法论、实验设计、数据管理。马兹·萨尔曼（Maaz Salman）：撰写 – 审稿与编辑、撰写 – 原稿撰写、验证、软件开发、资源准备、方法论、数据管理、概念构思。成永浩（Yeongho Sung）：撰写 – 审稿与编辑、验证、方法论、实验设计。罗伯特·泰勒（Robert Taylor）：撰写 – 审稿与编辑、验证、方法论。林海均（Hae Gyun Lim）：撰写 – 审稿与编辑、验证、监督
利益冲突声明
作者声明他们没有已知的可能会影响本文所报告工作的竞争性财务利益或个人关系。
致谢
本工作部分得到了韩国国家研究基金会（NRF）的资助（由韩国政府（MSIT）提供，项目编号为RS-2023-00236798、2022R1A5A8023404和RS-2024-00338853），以及普庆国立大学资助的全球联合研究计划（项目编号202412290001）的支持。图1中部分图标来自BioRender.com。
竞争性财务利益
作者声明没有竞争性财务利益。
权泰阳先生（Mr. Taeyang Kwon）于2023年在韩国釜山普庆国立大学获得生物医学工程学士学位。自2023年9月起，他一直在同所大学攻读工业4.0融合仿生工程硕士学位。他的研究兴趣包括用于生物检测的机器学习和超声传感器。
