基于机器学习和深度神经网络的急慢性颞下颌关节紊乱病临床与MRI标志物研究及其预测价值

本研究针对颞下颌关节紊乱病（TMD）从急性向慢性转化的预测难题，通过整合临床行为指标与MRI结构特征，利用逻辑回归和深度神经网络（DNN）模型开展多维度分析。研究发现关节噪声、磨牙症、疼痛强度及关节盘前移位（ADD）、关节间隙狭窄等是慢性TMD的关键预测因子，DNN模型预测性能达79.49%。该研究为早期识别慢性TMD提供了人工智能驱动的综合预测策略，对推动个体化干预具有重要意义。

　　

颞下颌关节紊乱病（Temporomandibular Disorders, TMD）是影响颞下颌关节（TMJ）、咀嚼肌及相关结构的常见疾病，临床表现为疼痛、关节噪声和下颌功能障碍。全球约31%的成年人受其影响，女性患病风险是男性的1.5–2.2倍。TMD疼痛可分为急性（症状持续时间<6个月）和慢性（≥6个月）两类，慢性TMD因症状持久、治疗反应差，对患者生活质量造成严重损害，且常伴随焦虑、抑郁等心理问题。目前，预测哪些患者会从急性发展为慢性TMD仍面临挑战，其机制涉及结构、行为和心理等多因素交互作用。

近年来，影像学和行为因素分析为理解TMD慢性化提供了新思路。磁共振成像（Magnetic Resonance Imaging, MRI）可清晰显示关节结构异常，而磨牙症、睡眠障碍等行为因素也与疾病持续相关。然而，这些因素之间复杂的相互作用使传统方法难以准确预测慢性化进程。人工智能技术的发展，特别是机器学习和深度学习模型，为从多维度数据中挖掘预测规律提供了新工具。

在此背景下，由Yeon-Hee Lee、Seonggwang Jeon等研究人员在《Communications Medicine》发表了一项研究，旨在通过整合临床特征、睡眠行为及MRI影像指标，构建预测慢性TMD的人工智能模型，从而为早期干预和个体化管理提供依据。

本研究采用回顾性设计，共纳入239例TMD患者（女性161例，男性78例，平均年龄35.60±17.93岁），根据症状持续时间分为急性组（<6个月）和慢性组（≥6个月）。所有患者均依据DC/TMD Axis I标准确诊。收集的数据包括临床症状（如关节噪声、疼痛、磨牙症）、睡眠相关变量（睡眠时间、STOP-Bang评分）以及TMJ的MRI影像表现（包括关节盘前移位(ADD)、关节间隙狭窄、骨关节炎(TMJ-OA)和积液等）。MRI采用3T系统获取T2加权和质子密度（Proton Density, PD）序列图像。研究方法综合运用逻辑回归和深度神经网络（Deep Neural Network, DNN）模型进行预测分析，并通过SHAP框架增强模型可解释性。

研究结果显示，慢性TMD患者占总人群的51.05%，其临床表现与急性组存在显著差异。慢性组更频繁出现关节噪声（70.5% vs. 52.1%）、磨牙症（31.1% vs. 15.4%），且疼痛强度更高（VAS评分：4.82±2.47 vs. 3.64±2.38）。睡眠方面，慢性组患者睡眠时间更短（6.41±2.37小时 vs. 7.37±2.17小时），STOP-Bang评分更高（3.02±2.09 vs. 2.39±1.73），提示阻塞性睡眠呼吸暂停（OSA）风险增加。MRI影像分析显示，慢性组中ADD（86.9%）、TMJ-OA（82.0%）和关节间隙狭窄（88.5%）的发生率显著高于急性组，而关节积液虽常见但组间差异不显著。

通过单因素逻辑回归分析，识别出多个慢性TMD的显著预测因子，其中关节间隙狭窄（OR=4.320）、ADD（OR=4.292）和TMJ-OA（OR=3.275）的影响最强。行为因素中，磨牙症（OR=2.488）、关节噪声（OR=2.193）及睡眠时间缩短（OR=0.826）也与慢性化显著相关。多因素回归进一步确认磨牙症为最具预测力的因子（OR=4.048）。深度神经网络（DNN）模型预测慢性TMD的准确率达79.49%，较逻辑回归（75.50%）提高近4%，但差异未达统计学显著性（p=0.3067）。

可视化分析通过2D和3D网络图展示了各因素与慢性TMD的关联强度，其中ADD与关节间隙狭窄呈现强相关性（r=0.82）。预测模型中，睡眠时间（cut-off=6.75小时）、VAS疼痛评分（cut-off=4.5）和STOP-Bang总分（cut-off=2.5）被确定为最佳阈值。

本研究结论强调，行为因素（如磨牙症、睡眠障碍）和TMJ结构改变（如ADD、关节间隙狭窄）是区分急慢性TMD的关键预测指标。整合这些特征的AI模型可显著提升慢性疾病的早期识别能力，为临床制定个性化干预策略提供依据。尽管DNN模型在性能上略有优势，但逻辑回归因易于解释更适用于临床环境。未来需通过更大规模、前瞻性研究验证这些预测因子，并探索更先进的AI架构以优化预测精度。

研究成果不仅深化了对TMD慢性化机制的理解，也展示了多模态数据融合与人工智能在临床预测中的应用潜力，对改善TMD患者长期预后具有重要价值。