预测正畸治疗后切牙与面部轮廓变化：机器学习开辟新路径

《Head & Face Medicine》：Predicting changes of incisor and facial profile following orthodontic treatment: a machine learning approach

为解决正畸治疗中切牙和软组织变化难以精准预测的问题，研究人员开展了基于机器学习预测正畸治疗后切牙与面部轮廓变化的研究。结果显示 BP - ANN 模型预测能力强，并确定了关键影响因素。该研究为正畸决策和个性化美学预测提供了重要参考。

　　在追求美丽的道路上，正畸治疗成为许多人改善外貌的选择。然而，正畸治疗对牙齿和面部软组织的影响却充满不确定性。即使是经验丰富的专业医生，也只能凭借经验判断切牙和软组织变化的程度。以往常用的 VTO 软件，因临床误差较大，其可靠性受到质疑。传统的多元回归分析在预测软组织变化时也存在不足，尤其是在下巴和下唇区域，预测准确性较低。

为了突破这些困境，广州医科大学附属口腔医院等机构的研究人员开展了一项意义重大的研究。他们旨在利用跨学科方法，预测正畸治疗前切牙和面部轮廓的变化，并找出关键影响因素。

研究人员构建了三层反向传播人工神经网络模型（BP - ANN），对 346 名患者进行研究。这些患者均为青春期生长高峰期后的青少年和成年人，在广州医科大学附属口腔医院寻求固定正畸咨询。研究人员收集了患者治疗前的 28 项数据作为预测指标，包括模型测量（上下牙弓拥挤度、磨牙关系等）、头影测量分析（骨骼、牙齿和软组织分析）以及其他相关信息（年龄、性别等）。同时，收集治疗后的 4 项特定测量数据（U1 - SN、L1 - MP、Z 角和面部凸角），通过计算治疗前后的差值作为预测结果。

研究人员运用了多种关键技术方法。首先，采用 Python 编程语言构建、训练和测试 BP - ANN 模型。将连续输入数据通过最大 - 最小归一化处理到 [-1, 1] 范围，增强数据处理效果。数据集按 7:1.5:1.5 的比例随机分为训练集、验证集和测试集。利用 R 软件进行基线特征分析，通过卡方检验、t 检验和 Wilcoxon 秩和检验等方法对数据进行统计分析。运用 SHapley 可加性解释（SHAP）方法量化和排名各因素对个体预测的贡献。

研究结果表明，BP - ANN 模型在预测切牙和面部轮廓变化方面表现出色。在连续变量预测中，U1 - SN 的 MSE/MAE/R2 值分别为 0.0042/0.055/0.84，L1 - MP 的对应值为 0.0062/0.063/0.84，Z 角为 0.0027/0.043/0.80，面部凸角为 0.0042/0.050/0.73。在分类变量预测中，Z 角变化趋势的准确性 / 精确性 / 召回率 / F1 评分分别为 0.89/1.0/0.80/0.89，面部凸角变化趋势的对应值为 0.93/0.87/0.93/0.86 。

通过 SHAP 分析发现，不同指标对预测结果影响显著。U1 - SN、MP - SN 和 ANB 是影响 U1 - SN 变化的前三位因素；L1 - MP、ANB 和拔牙模式对 L1 - MP 变化影响最大；Z 角、MP - SN 和 LL 至 E 平面是影响 Z 角变化的关键因素；LL 至 E 平面、UL 至 E 平面和 Z 角则对预测面部凸角变化最为重要。

在讨论部分，研究人员指出，BP - ANN 模型在分析患者综合信息和预测正畸治疗前切牙及面部轮廓变化方面能力较强，且对切牙的预测拟合度优于软组织。定性预测比定量预测更准确，这是因为定性预测依赖指南和观察，而定量预测受多种复杂因素影响，如生物力学反应、患者个体差异等。

该研究意义重大，为正畸治疗前的个性化美学预测提供了有价值的参考，尤其是在拔牙必要性存在不确定性或判断哪些患者可能从面部轮廓变化中受益时。同时，也为深入探索颅面骨骼、牙齿和软组织结构之间的潜在关系提供了理论支持。