《The Journal of Prosthetic Dentistry》：Predicting postrestorative facial appearance in edentulous patients using deep learning: A prospective cohort study
编辑推荐：
三维重建与深度学习结合预测无牙颌患者术后面部形态，通过双注册子网络实现几何转换建模，16例临床验证显示鼻尖、口角等关键点预测误差≤6.88mm，专家视觉评分4.2/5，证实AI技术可提升修复规划精度。
Hongyang Ma | Minjie Wu | Yu Han | Shengyu Lu | Wenjia Dong | Xuliang Deng | Zhihui Tang | Yuwei Wu | Zilong Zeng
哈尔滨医科大学第二附属医院口腔种植学系教授，中国哈尔滨
摘要
问题陈述
由于复杂的软组织动态，无牙患者的修复后面部外观仍难以预测，这给修复治疗计划和患者咨询带来了挑战。传统方法在模拟对心理状态和临床成功至关重要的美学结果方面缺乏精确性。
目的
本研究旨在开发FacePointNet，一种双向深度学习模型，以预测无牙患者牙齿修复后的面部变化，通过定量指标和专家评分的视觉相似性得分（VSS）来改进修复前的规划。
材料与方法
16名无牙患者接受了修复前后的三维（3D）面部扫描。FacePointNet是一种具有双向配准子网络的点集神经网络，使用复合损失函数（几何损失和一致性损失）学习双向几何变换。性能通过4折交叉验证进行评估，评估指标包括倒角距离（CD）、欧几里得距离（ED）和3位口腔种植外科医生的VSS评分。由于数据残差非正态，选择了Wilcoxon符号秩检验来比较修复前后的分布。
结果
人工智能（AI）预测的3D形态与修复结果相匹配，平均标志点误差为3.80至5.98毫米（鼻尖：2.17毫米；左侧口角：6.88毫米）。预测结果与实际结果之间没有显著差异（P>0.05）。专家评审者报告了高度的视觉一致性（VSS：4.2/5），尤其是在鼻唇沟处。
结论
FacePointNet在修复前可视化局部面部变化方面展示了临床实用性。未来的工作应扩大数据集，整合生物力学数据，并改进动态建模，以提高整体预测的准确性，推动AI驱动的精准修复学发展。
部分摘录
材料与方法
本研究获得了北京大学口腔医院伦理委员会的批准（PKUSSIRB-202393156），并遵守了《赫尔辛基宣言》的指导原则。研究纳入了16名完全无牙、计划进行全口种植支持固定或可摘义齿修复的参与者。纳入标准要求参与者完全无牙、计划接受固定或可摘义齿，并且能够配合研究。
结果
图4展示了无牙患者的三阶段面部重建工作流程，包括修复前（A）、修复后实际情况（B）以及AI预测的（C）3D形态数据，这些数据来自临床扫描和预测算法。补充表1中的定量验证使用了9个面部标志点，量化了16名参与者修复前后面部形态的差异。总体平均ED范围为3.80至5.98毫米。
讨论
本研究通过建立一种双向深度学习框架，推进了AI驱动的修复学发展，用于预测无牙患者的修复后面部变化。原假设（预测结果与实际结果之间没有差异）未被推翻。P>0.05表明预测结果足够准确地再现了实际变化。在该基准下，模型在特定标志点区域展示了高精度（D3，P=0.464）。
结论
根据这项前瞻性队列研究的结果，得出以下结论：
- 深度学习利用FacePointNet准确预测无牙患者修复后面部结果的潜力得到了证实（P>0.05）。
- 该方法实现了显著的预测准确性，表明其在牙齿修复计划和患者咨询中的实用性。
- 未来的研究应扩大数据集并整合多模态输入，以提高预测的全面性。
患者同意
所有参与者均签署了参与研究以及同意在线开放获取出版物中公开其身份信息和图像的同意书。
作者贡献声明
Hongyang Ma：概念设计、方法论、初稿撰写、严格审稿。
Minjie Wu：方法论、数据管理。
Yu Han：数据管理。
Shengyu Lu：概念设计。
Wenjia Dong：设计。
Yuwei Wu：严格审稿、方法论修订。
Zilong Zeng：概念设计、方法论、撰写及编辑。
Xuliang Deng：监督。
Zhihui Tang：监督。
致谢
本研究得到了北京自然科学基金（L242135）、中国国家重点国际科技合作研发计划（2024YFE0107100）、中国国家青年科学基金（82401196）以及北京大学口腔医学院第二口腔中心临床研究基金（PKUSS-SDC2023012）的支持。
