基于图神经网络与扩散模型预测正颌手术结果：开启精准医疗新时代

正颌手术（OGS）用于矫正严重牙颌面畸形，但传统手术结果预测方法准确性低。研究人员开展基于图神经网络和扩散模型预测 OGS 结果的研究，开发 GPOSC-Net 模型。结果显示该模型预测准确，能生成高保真图像，有助于手术规划和临床决策。

　　正颌手术，堪称口腔医学领域的 “魔法”，它能矫正严重的牙颌面畸形，让患者绽放自信笑容，甚至还能满足部分人对美的追求。然而，这场 “魔法” 要想完美施展，精准预测手术结果至关重要。只有准确预知术后效果，医生才能为患者挑选出最佳治疗方案，让患者满意。但传统预测方法却状况百出。以往靠追踪侧位头颅片来预测，依据硬组织标志点对应软组织标志点的移动比例，可这比例受骨头移动方向、软组织厚度和张力、手术类型、错颌类型等众多因素干扰，导致预测准确性大打折扣，偏差大到难以应用于临床。那些商用正畸诊断程序，虽能模拟术后变化给出临床指南，却依旧无法精准呈现实际改变。在三维预测方面，CBCT 虽有优势，能精准重现颅面结构，但辐射剂量较高，而且不同研究的预测效果也参差不齐，难以满足临床需求。

在这样的困境下，来自韩国多所大学医院和牙科医院的研究人员挺身而出，决心攻克这一难题。他们开展了一项极具创新性的研究，利用图神经网络和扩散模型，致力于实现正颌手术结果的精准预测。最终，他们成功开发出 GPOSC-Net 模型。这项研究成果发表在《Nature Communications》上，为正颌手术领域带来了新的曙光。

研究人员为了开展此项研究，采用了多种关键技术方法。他们收集了来自 9 所大学医院和 1 所牙科医院的 707 对患者的术前术后侧位头颅片数据，构建数据集。利用图卷积神经网络（GCNN）预测手术移动，再结合基于扩散模型生成术后侧位头颅合成图像。训练过程中采用 Adam 优化器调整网络权重，并通过数据增强策略提升模型的鲁棒性和泛化能力。

下面来详细看看研究结果：

• 标志点比较：研究人员让两位正畸医生（ODs）在测试集中的术后真实侧位头颅片（post-ceph）和合成侧位头颅片（spost-ceph）上标记标志点。将所有标志点分为颅底、牙齿、颌骨、上轮廓和下轮廓五个解剖组。结果显示，内部和外部测试集的标志点平均误差都在 1.5mm 以内，与过去研究中观察真实头颅片时观察者之间的差异相近或更小。这表明合成图像上的标志点位置与真实术后图像的标志点位置差异并不显著，模型预测较为准确。
• 累积成功率比较：根据 “误差 < 2.0mm” 的标准评估每个组的成功预测率（SPR）。结果发现，不受正颌手术影响的颅底标志点 SPR 非常高，而受手术影响位置改变的其他部位标志点 SPR 较低，软组织标志点的 SPR 低于硬组织标志点。内部测试中，颅底、牙齿、颌骨、上轮廓和下轮廓的 SPR 分别为 94%、79.1%、78.1%、91.2% 和 76.5%；外部测试中，相应的 SPR 分别为 96.5%、80%、81.2%、89.3% 和 74.9%。
• 视觉图灵测试：研究人员邀请了两位正畸医生和两位口腔颌面外科医生进行视觉图灵测试（VTT）。他们向医生展示 57 对随机选择的真实和合成图像，让医生判断。结果所有检查者的平均准确率为 49.55%，接近理想的 50%。这意味着即使是经验丰富的专家，也难以区分真实和合成的头颅片，说明合成图像的质量相当不错。
• 数字孪生：研究人员基于预期手术移动量（IASM）生成一系列合成图像，让医生选择最合适的作为治疗目标。如果选择的图像基于 IASM 在 0.8 - 1.2 之间的合成图像，则被认为是正确答案。结果医生选择的平均准确率达到 90.0%。此外，通过问卷调查评估合成图像在临床应用中的实用性，发现合成图像在向患者解释手术计划和预测手术结果方面有很大帮助，但在制定实际手术计划方面存在一定局限性。
• 消融研究：研究人员对比了生成对抗网络（GAN）和扩散模型等不同条件和网络的性能。实验发现，添加术前头颅片标志点坐标、手术移动向量和术前头颅片轮廓线等条件，能显著提升模型性能，尤其是改善下颌的描绘。

综合来看，研究人员成功开发出 GPOSC-Net 模型，它由基于 GCNN 和扩散模型的两部分组成。通过大量实验验证，该模型能准确预测头影测量标志点的移动，生成高保真的术后侧位头颅合成图像。虽然目前研究存在一些局限，比如依赖二维图像无法体现实际三维变化，研究对象仅为亚洲人群等，但它为手术规划和临床决策提供了有价值的参考，有望改善医患沟通，提升正颌手术的整体质量。未来，随着技术的发展和研究的深入，相信这一模型会不断完善，在正颌手术领域发挥更大的作用。