编辑推荐：
为探究上颌窦囊肿影响因素及临床管理策略，研究人员构建预测模型，发现高风险因素，为诊疗提供依据。
上颌窦囊肿，这个在鼻窦囊肿中最为常见的疾病，发病率仅次于上颌窦炎。它就像一个隐藏在人体中的 “小恶魔”，早期常常没有明显症状，可一旦囊肿增大，就可能引发一系列问题，比如脸颊的闷胀疼痛、同侧牙痛，严重时还会导致鼻中隔偏曲、鼻窦炎等症状 。对于需要进行上颌窦底提升手术的患者来说，上颌窦囊肿更是一个 “大麻烦”，它会增加手术风险，降低手术成功率。
目前，关于上颌窦囊肿的发病因素和临床管理存在诸多争议。虽然之前有研究提出了解剖和牙源性等相关因素，但并没有形成统一的结论。而且，传统的线性统计方法难以处理各种影响因素与上颌窦囊肿之间复杂的非线性关系。在这样的背景下，昆明医科大学附属口腔医院等机构的研究人员开展了一项重要研究，旨在构建上颌窦囊肿的预测模型，并探索其聚类模式，为该疾病的预防和临床管理提供理论依据。这项研究成果发表在《Head & Face Medicine》杂志上。
研究人员为了开展此项研究，采用了多种关键技术方法。首先，收集了昆明医科大学附属口腔医院 2016 年 6 月至 2024 年 6 月期间 3093 例患者的 6000 张上颌窦锥形束计算机断层扫描（CBCT）图像作为样本队列。然后，运用多种统计方法对可能的影响因素进行筛选，再利用机器学习（ML）方法构建预测模型。通过对比多个 ML 模型的各项指标来选择最优模型，还使用 SHapley Additive exPlanations（SHAP）值对模型进行解释，并借助 K-mean 聚类算法对风险因素进行分类。
研究结果如下：
- 特征变量筛选结果：通过对 6000 张 CBCT 图像的分析，发现性别、年龄、牙髓状况、牙周状况、牙根与上颌窦底的关系、上颌窦底形态、上颌窦外侧壁血管情况、上颌窦黏膜状况、上颌窦炎的存在、上颌窦发育情况以及上颌窦底皮质骨状况等因素，与上颌窦囊肿的发生有显著关联。经过 LASSO 回归进一步筛选，确定了最终的特征变量12。
- 多模型综合分析结果：研究人员对比了 9 种 ML 分类器，包括逻辑回归、极端梯度提升（XGBoost）、轻量级梯度提升机（LightGBM）等。综合分析受试者工作特征（ROC）曲线下面积（AUC）、精确率 - 召回率（PR）曲线、校准曲线和决策曲线分析（DCA）等指标后，发现 XGBoost 模型表现最佳3。
- 最优模型构建与分析结果：构建 XGBoost 模型并进行 10 折交叉验证，结果显示训练集、验证集和测试集的平均 AUC 值分别为 0.939、0.923 和 0.921，表明该模型性能优异，具有良好的分类和判别能力，适用于构建上颌窦囊肿的预测模型4。
- 模型的可解释性：利用 SHAP 分析，发现牙周状况和牙髓状况与上颌窦囊肿的发生呈正相关，即牙周和牙髓状况越严重，囊肿发生率越高。还明确了各特征的重要性顺序，牙周状况最为关键，平均可改变上颌窦囊肿预测绝对概率约 13 个百分点5。
- 在线预测模型构建：研究人员成功开发了基于网络的网络计算器，方便临床医生使用 XGBoost 模型预测上颌窦囊肿发生的概率。
- 聚类分析结果：运用 K-mean 聚类算法将所有样本分为 2 个数据簇类别。Cluster1 以健康牙齿、轻度和中度牙周炎、年龄 < 35 岁为主，囊肿发生率低；Cluster2 以根尖病变、严重牙周炎、年龄≥53 岁为主，囊肿发生率高。由此确定了根尖病变、严重牙周炎和年龄≥53 岁为上颌窦囊肿的高风险因素6。
在研究结论与讨论部分，该研究通过大样本 CBCT 图像数据和先进的 ML 技术，深入分析了上颌窦囊肿的特征变量，构建了预测模型，为预防和个性化治疗提供了新的思路和工具。研究发现的多个特征变量，如性别、年龄、牙源性因素等，在囊肿形成过程中相互作用。XGBoost 模型凭借其优势，结合 SHAP 分析，能有效揭示影响囊肿发生的关键因素。K-mean 聚类算法确定的高风险因素，提示临床实践中应重点关注相关患者的上颌窦健康。不过，该研究也存在一些局限性，比如无法区分上颌窦潴留囊肿和假性囊肿，CBCT 诊断存在误诊风险等。未来研究可结合病理检查和分子生物学技术，进一步深入探究上颌窦囊肿的发病机制，提高诊断准确性。总体而言，这项研究成果为上颌窦囊肿的防治和临床决策提供了重要的理论支持，对推动该领域的发展具有重要意义。
