基于Vision Transformer的深度学习模型预测无牙颌患者种植体数量：一项用于个体化治疗规划的前瞻性研究

本研究针对无牙颌患者种植治疗规划中植入数量决策依赖临床经验、存在主观差异的问题，开发了基于全景片和Vision Transformer（ViT）的深度学习回归模型。研究通过919个无牙颌区域数据训练模型，最终实现MSE 0.0460、R2 0.9189的高精度预测，误差分布符合正态假设。该模型为标准化种植治疗规划提供了可靠的数据驱动支持，尤其有助于经验不足的临床医生提升决策一致性。

　　

随着全球人口老龄化趋势加剧，无牙颌（edentulism）的患病率显著上升，人们对 dental implant（牙种植体）治疗的需求日益增长。然而，确定无牙颌区域所需种植体的数量却是一项复杂且高度依赖临床经验的决策过程，受解剖结构、骨质量、咬合力分布及美学要求等多重因素影响。传统方法主要依靠医生对 panoramic radiographs（全景片）和 cone-beam computed tomography（CBCT，锥形束计算机断层扫描）影像的主观解读，不同医师之间往往存在较大差异，这种不一致性可能导致治疗计划的不确定性，影响患者预后。

在这一背景下，人工智能（AI）与深度学习技术在口腔医学领域的应用逐步深入，从最初的图像识别扩展到辅助诊断、手术规划及预后预测。尽管已有研究利用深度学习预测第三磨牙拔除难度、种植体骨整合成功率等，但针对无牙颌患者种植体数量预测的回归模型研究仍属空白。为此，来自韩国嘉泉大学（Gachon University）健康科学与技术系的 Sae Byeol Mun、Seung Rim Yoo、Young Jae Kim、Kyuhyung Kim、Bong Chul Kim 和 Kwang Gi Kim 团队开展了一项创新性研究，旨在开发一种基于 Vision Transformer（ViT）架构的深度学习模型，通过分析全景片预测无牙颌患者所需种植体数量，为临床提供标准化、数据驱动的决策支持。该研究发表于《International Dental Journal》。

研究人员首先构建了回顾性数据集，纳入2019–2023年间在韩国圆光大学大田牙科医院接受种植治疗的628例患者（女性341例，男性287例，平均年龄60.0±14.7岁），共标记919个无牙颌感兴趣区域（ROI）。由两位口腔颌面外科医生基于全景和CBCT影像达成共识，确定每个区域可植入的种植体数量（Implant Count, IC）。数据预处理包括ROI裁剪、零填充、尺寸调整、归一化及通道复制，以适配ViT模型输入要求。

模型构建方面，研究采用基于Transformer的ViT-Base架构（google/vit-base-patch16-224-in21k），利用迁移学习策略进行训练。模型将图像切分为16×16图像块，通过自注意力机制捕捉全局上下文信息，最终利用[CLS]标记的输出特征经自定义回归头（含全连接层、ReLU激活与Dropout正则化）预测连续型IC值。训练采用5折交叉验证，以Adam优化器最小化均方误差（MSE）损失，并辅以残差图、箱线图及Q-Q图等可视化诊断验证模型假设。

研究结果

模型性能评估：ViT回归模型在测试集上表现出色，MSE为0.0460，平均绝对误差（MAE）为0.0871，决定系数（R2）与解释方差得分（EVS）均为0.9189，表明模型能解释91.89%的数据变异，预测误差控制在±1个种植体以内，具备临床适用潜力。

可视化诊断：线性回归散点图显示预测值与实际值高度重合；残差图呈现随机分布，满足同方差性假设；箱线图显示残差中位数接近零且异常值极少；Q-Q图证实残差服从正态分布，模型拟合优度良好。

讨论与结论

本研究首次将ViT架构应用于牙种植体数量预测任务，证明了深度学习在复杂治疗规划中的有效性。模型通过全局注意力机制捕捉无牙颌区域与周围解剖结构的空间关系，克服了传统CNN模型感受野有限的局限。结果提示，该模型可作为经验不足医师的量化决策工具，减少治疗方案的主观差异性，提升诊疗一致性。

研究仍存在一定局限性：首先，标注数据仅基于两位专家共识，若扩大评估医师规模可进一步提升标签可靠性；其次，单中心数据和小样本量限制了模型泛化能力。未来需纳入多机构数据、整合三维分割技术和更多临床变量（如骨密度、咬合力参数）以优化预测精度。

该研究为AI驱动牙科治疗规划提供了重要范式，标志着口腔医学向标准化、个性化决策迈出关键一步。随着技术迭代与临床验证的深入，此类模型有望集成于实时诊疗系统，最终提升患者护理质量与治疗可及性。