通常来讲，每一名为患者设计缺失牙齿的技术人员需要经过长达数年的训练，且设计出一个符合要求的牙齿也是非常耗时的。为了解决这一问题，最近流行的生成式对抗网络（Generative Adversarial Networks, GAN）便派上了用场。近日，来自加州大学伯克利分校和 Glidewell Dental Lab 的研究人员建立了一个新型 GAN 模型，可以自动生成牙冠模型图。

GAN 是一种深度学习模型，通过生成模型（Generative Model）和判别模型（Discriminative Model）的互相博弈对抗来进行输出。在训练过程中，研究人员向生成模型中输入数据来生成图片，判别模型将对这张图片的真实性进行判别。生成模型的目标就是尽量生成真实的图片去欺骗判别模型，而判别模型的目的就是尽量把生成模型输出的图片和真实的图片区分开来。这样，二者就构成了一个动态的“博弈过程”。在最理想的状态下，训练的最终结果就是生成模型能够输出一张图片，而判别模型无法判断这张图片的真实性，那么这张生成的图片就足够“以假乱真”了。

▲训练 GAN 模型的过程示意图（图片来源：arXiv.org）

而这一技术对于生成牙冠模型图来说非常适合。研究人员使用了 1500 组口腔上下颌图像对 GAN 模型进行训练，这其中既包括牙齿完好的图像，也包括牙齿缺失的图像。同时，研究人员使用了另外 1570 组图像对模型进行验证，最后再使用 243 组进行测试。

在完成了模型的训练之后，研究人员就要对该模型进行实际应用了。首先，研究人员对缺失牙齿部位的上下颌，以及上下颌间的距离进行扫描，从而生成二维图像，然后利用经过训练的 GAN 中的生成模型来预测最符合的牙冠图像。最后，研究人员利用计算机辅助设计（CAD）工具将生成的二维冠状曲面转化为 3D 模型。

研究人员已经把人工智能生成的图像与人类技术人员制作的牙冠进行了比较，结果发现人工智能图像中牙齿的细节更加丰富，且更加适应咬合和咀嚼等动作。目前，这一 GAN 模型已经在真正的牙齿上进行了内部测试和临床验证。

▲该研究的共同作者之一、Glidewell 机器学习团队主管 Sergei Azernikov 博士（图片来源：LinkedIn）

“利用最新的技术，医生有望获得更加准确的结果，这意味着患者将能够得到更好的治疗，”该研究的共同作者之一、Glidewell 机器学习团队主管 Sergei Azernikov 博士表示：“人工智能很快就会以多种不同的方式应用于牙科领域，并将产生非常深远的影响。医生花费在日常任务上的时间将会大幅缩短，从而能够让他们用更多的时间来对患者进行诊断和治疗。”