基于多任务学习的头颅侧位片自动诊断分类模型开发及其临床应用价值

本研究针对传统头影测量分析中人工标注耗时、易产生误差以及单一任务学习模型性能不足等问题，北京口腔医院（首都医科大学附属）团队创新性地构建了基于ResNeXt50_32×4d网络的多任务学习模型，实现了8项临床诊断指标（包括矢状/垂直向骨面型、上下颌前后向位置及切牙倾斜度等）的同步自动分类。该模型平均推理时间仅0.0096秒，6项分类准确率达0.8-0.9，AUC均超过0.9，显著提升了分类性能并降低计算成本，为口腔正畸数字化诊断提供了新范式。

　　

在口腔正畸临床实践中，头颅侧位片分析犹如医生的"导航仪"，通过测量颅颌面结构关系为诊断提供依据。然而传统方法依赖人工标注19个标志点并计算角度距离，不仅耗时费力，还存在观察者间差异大、测量误差累积等问题。更棘手的是，当患者数据处于临界值时，不同分析方法可能得出矛盾结论，这让临床新手无所适从。面对这些挑战，北京口腔医院（首都医科大学附属）的研究团队另辟蹊径，尝试让AI像资深正畸专家那样"看图说话"，直接从头颅侧位片中读出诊断结论。

这项发表在《BMC Oral Health》的研究，创新性地采用多任务学习框架，让单个模型同时处理8项关联诊断任务。研究人员收集了3310张14岁以上患者的侧位片，由5-8年资历的医师标注后，再经20年经验专家复核确认。通过ResNeXt50_32×4d网络构建共享层提取共性特征，配合任务专属层捕捉特异性，采用动态权重平均策略平衡不同任务。关键技术包括：基于中国人群正常值范围的分类标准制定、在线数据增强防止过拟合、焦点损失函数处理数据不平衡，以及自助法生成1000次重采样验证稳定性。

研究结果显示：

1. 分类效率：模型平均处理时间仅0.0096秒，参数规模较单任务模型减少87.5%

2. 性能指标：矢状骨面型分类AUC达0.954（Class III准确率95.5%），垂直骨面型AUC 0.943，上下颌位置分类准确率80.1-83.7%

3. 误判规律：如所示，错误多集中在相邻类型（如将Class II误判为Class I），未见跨型误判

4. 可视化验证：展示典型病例，模型能准确识别下颌前突伴下切牙唇倾等复合特征

讨论部分指出，该研究突破传统"测量-比对"模式的局限：

• 技术层面：通过特征共享机制，模型发现骨性II类与上切牙舌倾的内在关联，印证了牙槽代偿理论

• 临床价值：为临界病例提供更接近专家经验的判断，如SN-GoGn角受下颌旋转影响时，模型仍能保持90.6%准确率

• 应用前景：未来可结合自动标志点检测，构建"定量测量+定性诊断"的双重校验系统

值得注意的是，模型对牙齿区域的分类性能（平均准确率80.0%）仍略低于骨骼区域（82.7%），研究者认为这与牙齿图像区域较小相关。该成果为口腔AI领域提供了重要方法论参考——通过多任务协同训练，既能提升小样本任务的性能，又能显著降低计算资源消耗。正如通讯作者Xie XJ教授强调的，这套系统并非要取代医生，而是成为正畸医生的"智能听诊器"，帮助更高效地捕捉颅面结构的关键特征。