机械疗法在正畸治疗中应用的研究进展

机械疗法因其安全性而被广泛应用于医学研究和临床实践。机械疗法通常包括体外冲击波治疗、低强度脉冲超声和振动治疗等,可以通过多种途径作用于蛋白、细胞和组织,产生独特的治疗效果。近年来,随着研究的进步,利用机械疗法辅助正畸治疗得到了越来越多的关注。本文综述了近年来机械疗法作为正畸辅助治疗的研究进展及相关机制,为未来的临床研究提供指导。

基于人工智能的正畸病例客观评级系统临床应用效果研究

目的研究基于人工智能的美国正畸专家认证委员会(American Board of Orthodontics,ABO)客观评级系统(objective grading system,OGS)临床应用效果。方法收集2016年1月至2023年7月于首都医科大学附属北京口腔医院正畸科结束正畸治疗的38例患者治疗后石膏模型行回顾性分析,使用iTero Element■扫描仪生成数字化模型,应用人工智能ABO-OGS测量系统自动测量评分,记为人工智能组;1名主治医师和1名主任医师基于3D打印数字化模型使用ABO测量尺行手动测量评分,分别记为手动测量主治组和手动测量主任组。共测量2次,间隔2周,记录测量时间和各项指标评分。结果人工智能组、手动测量主治组和手动测量主任组测量评分时间依次为(0.18±0.00)、(292.94±27.10)、(210.00±21.21)s,差异具有统计学意义(F=980.288,P<0.001);3组均具有较好的测量评分一致性,ABO-OGS总分的ICC值分别达0.897、0.869、0.929;仅人工智能组各项指标2次测量评分比较,差异均无统计学意义(均P>0.05)。人工智能组在颊舌向倾斜度指标2次测量评分的差值低于手动测量主治组,但边缘嵴高度指标差值高于手动测量主任组,差异均有统计学意义(均P<0.05)。基于2次测量评分的均值进行组间比较分析时,人工智能组的大部分指标测量评分偏高,与手动测量主治组相比,其覆盖、咬合接触指标及总分较高;与手动测量主任组相比,其排齐、边缘嵴高度、颊舌向倾斜度、覆盖和咬合接触指标及总分较高,差异均有统计学意义(均P<0.05)。结论人工智能ABO-OGS测量系统重复性较好且用时短,但其测量评分普遍高于手动评分,仍需进一步调整优化。

基于卷积神经网络的头影测量自动定点研究

目的基于卷积神经网络开发头影测量自动定点模型,以期为智能识别头颅侧位X线片上缺失的标志点并高精度实现头影测量自动定点提供参考。方法收集2015年1月至2021年1月于首都医科大学口腔医学院正畸科就诊的错畸形患者的481张头颅侧位X线片,其中男性240张,女性241张,年龄(24.5±5.6)岁。以5名正畸专业研究生为标注人员,手动定位481张头颅侧位X线片中的61个头影测量标志点;以2名正畸主治医师为审核人员,进行定点校准;以2名正畸主任医师为仲裁人员,作出最终决策。建立数据集:其中341张作为训练集,40张作为验证集,100张作为测试集。研发一种基于卷积神经网络(CNN)的自动定点模型CephaNET,通过将原始图像输入特征提取模块和卷积姿态机模块,使用深监督技术,训练CephaNET模型高精度定位标志点;将训练集通过直方图均衡化、裁剪、调节亮度,增强为1684张,训练模型对比网络输出的高斯热力图与设置的阈值,以识别标志点缺失情况。测试集100张头颅侧位X线片用于检测模型的准确性。评价标准使用缺失标志点[颈点(Cv点)和Bolton点]识别成功率、平均径向误差(MRE)以及2.0、2.5、3.0、3.5和4.0mm范围内成功检测率(SDR)。结果针对1张头影测量X线片,CephaNET模型平均在0.13 s内识别并定位61个常用标志点;Cv点识别成功率为92.7%(38/41),Bolton点识别成功率为94.3%(50/53),平均为93.5%。测试集MRE为(1.19±0.91)mm,2.0、2.5、3.0、3.5和4.0 mm范围内SDR分别为85.4%、90.2%、93.5%、95.4%、97.0%。结论本项研究研发的自动定点模型可适应头颅侧位X线片标志点缺失的情况,并高精度定位61个常用的头影测量标志点,满足不同头影测量分析要求。

基于深度学习的头颅侧位X线片自动诊断分类研究

目的基于深度学习构建头颅侧位X线片自动诊断分类模型,为正畸临床诊断提供参考。方法收集2015年1月至2021年12月就诊于首都医科大学口腔医学院正畸科的正畸患者头颅侧位X线片2894张,构建数据集,包括1351例男性和1543例女性,年龄(26.4±7.4)岁。先由1名正畸专业主治医师和1名博士研究生(正畸工作年限分别为8和5年)进行人工定点,测量头影测量项目并进行初分类,再由1名正畸专业主任医师和1名主治医师(正畸工作年限均超过20年)进行核查,内容包含8项骨性和牙性诊断分类。数据按7∶2∶1的比例分别纳入训练集、验证集和测试集。使用开源DenseNet121网络(一种深度学习模型)构建头颅侧位X线片自动诊断分类模型。模型训练后,使用测试集计算模型的分类准确性、精确性、敏感性、特异性,输出受试者工作曲线并计算曲线下面积评估模型性能;输出热力图,可视化模型关注区域。结果成功构建头颅侧位X线片自动诊断分类模型,其对1张头颅侧位X线片作出8项诊断分类平均需要0.112 s。其中5项诊断分类的准确性为80%~90%,包括矢状骨面型、下颌发育、垂直骨面型、上前牙倾斜情况和下前牙突出情况;3项诊断分类的准确性为70%~80%,包括上颌发育、下前牙倾斜情况、上前牙突出情况。各项诊断分类的总体95%可信区间曲线下面积均≥0.90。热力图显示,分类成功的头颅侧位X线片的激活区域分布于分类相关结构区域。结论本项研究基于DenseNet121网络构建了头颅侧位X线片自动诊断分类模型,其可实现8项临床常用诊断项目的快速分类。