基于机器学习的面部疼痛鉴别诊断模型：三叉神经痛与颞下颌关节紊乱病的精准区分

《Neurosurgery》：Outcomes After Repeat-Percutaneous Balloon Compression for Recurrent Trigeminal Facial Pain

本研究通过机器学习算法开发了一种能够准确区分三叉神经痛（TN）和颞下颌关节紊乱病（TMD）的诊断模型。该模型结合标准化问卷和口腔面部检查，达到约90%的准确率，为临床鉴别这两种治疗策略截然不同的疼痛疾病提供了可靠的决策支持工具。

　　

背景与目标

颞下颌关节紊乱病（TMD）和三叉神经痛（TN）是导致口面部疼痛的两种重要疾病，但其病因机制和治疗方案存在显著差异。TMD作为肌肉骨骼系统疾病，影响约5%-12%的人群，年管理成本高达40亿美元；而TN作为神经病理性疼痛，患病率仅为0.03%-0.3%。由于患病率差异悬殊，临床实践中易出现误诊误治。本研究旨在开发基于机器学习（ML）的人工智能（AI）诊断系统，实现TMD与TN的精准鉴别。

研究方法

研究纳入了101例经专家确诊的患者（TMD 59例，TN 42例），所有患者均完成包含47个项目的面部疼痛问卷，并接受标准化口腔检查。检查内容包括：下颌中线偏移（E1）、颞下颌关节（TMJ）触痛（E2）、关节弹响（E3）、咀嚼肌触痛（E4）和咬合痛（E5）五个维度。采用随机森林（Random Forest）、逻辑回归（Logistic Regression）和支持向量机（SVM）三种算法进行模型训练，通过5折交叉验证评估性能。

研究结果

随机森林算法在完整特征集（问卷+检查）中表现最优，测试集F1加权得分达0.953（95% CI: 0.855-1.000），ROC曲线下面积（AUC）为0.952。特征重要性分析显示，最具预测价值的指标包括：TMJ触痛（准确度下降0.062）、疼痛是否为短暂电击样发作（Q7，下降0.052）、咀嚼肌触痛（下降0.029）以及磨牙症病史（下降0.024）。值得注意的是，28.8%的TMD患者报告存在短暂性电击样疼痛，这提示此类症状并非TN的特异性表现。

讨论与展望

本研究首次系统验证了ML模型在TMD/TN鉴别诊断中的临床应用价值。特征重要性结果与临床经验高度吻合：短暂性疼痛和手术缓解史支持TN诊断，而肌肉触痛和磨牙症倾向TMD。特别值得注意的是，符合国际头痛疾病分类（ICHD-3）中"伴持续性疼痛的三叉神经痛"（TN2）诊断标准的患者，可能实质上是TMD被误诊为TN。针对类别不平衡问题的补充实验表明，基于平衡数据训练的模型在模拟真实世界（TMD:TN=10:1）场景下仍保持0.874的F1分数，显著优于直接使用不平衡数据训练的模型（0.696）。

研究局限性包括需要多中心外部验证，以及临床工作流程整合等实际问题。未来研究将聚焦于扩大样本量、纳入更多疼痛亚型，并探索模型在初级诊疗场景中的应用潜力。

结论

通过结合标准化问卷和针对性体格检查的机器学习模型，可实现TMD与TN的准确鉴别（约90%准确率）。该工具有助于减少因疾病患病率差异导致的误诊，为制定个体化治疗方案提供科学依据。