伤口修复中的双重途径激活：一项关于甜菜红素和茶黄素对牙周韧带成纤维细胞影响的体外研究

《Journal of Oral Biology and Craniofacial Research》：Dual pathway activation in wound repair: An in vitro study of betanin and theaflavin on periodontal ligament fibroblasts

本研究通过220例全景X光片数据，利用XGBoost算法建立下颌第三磨牙萌出及并发症预测模型，验证其临床应用价值，AUC-ROC达0.92，准确性90.5%，模型校准良好，可辅助临床决策。

　　### 机器学习在下颌第三磨牙阻生及并发症预测中的应用

下颌第三磨牙阻生是全球口腔医学领域中最为常见的发育性问题之一，其发生率在不同人群中存在显著差异，从25%到超过70%不等。这种阻生状态通常伴随着一系列潜在并发症，例如冠周炎、囊肿形成、邻牙根吸收以及第二磨牙龋坏等。这些并发症不仅可能引起患者的疼痛和不适，还会增加治疗的复杂性。因此，准确预测下颌第三磨牙是否阻生以及其是否可能发展为临床显著的并发症，对于制定合理的治疗策略至关重要。

传统的预测方法主要依赖于主观的影像学解读和临床判断，但这种方法容易受到不同牙医经验水平和对解剖结构理解差异的影响。近年来，机器学习（ML）技术在医疗领域的应用迅速发展，尤其是在涉及影像学分析和复杂诊断决策的领域。在口腔颌面外科（OMFS）中，机器学习已被广泛应用于骨折识别、病理分类、正颌手术规划以及围术期风险评估等方面，其表现甚至可以与经验丰富的专家相媲美。这种技术的引入为口腔医学领域带来了新的可能性，尤其是在提高诊断准确性、减少主观偏差以及支持个性化治疗规划方面。

然而，目前关于下颌第三磨牙阻生预测的机器学习研究仍然较为有限。大多数研究集中在影像识别或分类任务上，而较少关注预测模型在临床决策中的实际应用。本研究旨在填补这一空白，通过开发和验证基于机器学习的模型，利用可获取的临床和影像学变量，提高下颌第三磨牙阻生及并发症预测的准确性和可靠性。研究采用了一种综合的方法，不仅关注阻生状态的预测，还对相关的并发症进行风险评估，从而为临床提供更全面的决策支持。

在本研究中，研究团队收集了220例患者的全景影像，并结合患者的年龄、性别、牙齿角度、Pell和Gregory分类、阻生深度、根发育情况、下颌支关系以及与下颌管的接近程度等变量，构建了一个包含多个预测因子的数据集。通过对这些变量的系统分析，研究团队发现了一些关键的预测因子，如偏向角、Pell和Gregory II类以及根发育不完全等，这些因素在阻生预测中具有显著意义。此外，研究还对不同机器学习算法进行了比较，包括逻辑回归、随机森林和XGBoost，并发现XGBoost在所有评估指标中表现最佳，其AUC-ROC值达到0.92，准确率达到90.5%，Kappa值为0.82，表明该模型具有较高的预测能力和与专家意见的一致性。

在并发症预测方面，研究团队构建了另一个模型，用于评估阻生下颌第三磨牙是否会导致其他问题，如冠周炎、第二磨牙龋坏、囊肿形成以及下颌神经受累等。模型的AUC-ROC值为0.85，表明其在区分阻生牙是否发展为并发症方面具有良好的能力。此外，模型的校准曲线也显示出良好的一致性，特别是在中高风险范围内的预测概率与实际观察结果之间的匹配度较高，进一步验证了模型的可靠性。

研究还通过特征重要性分析，揭示了哪些变量对模型预测能力贡献最大。结果表明，牙齿角度、Pell和Gregory分类以及阻生深度是影响阻生状态预测的关键因素，而根发育情况和与下颌管的接近程度则在一定程度上影响了并发症的风险评估。这一发现与临床经验一致，即这些解剖学特征在阻生牙的诊断和治疗决策中具有重要意义。此外，研究团队还采用了SHAP（Shapley Additive Explanations）方法，以提供更直观的模型解释，帮助临床医生理解不同变量对预测结果的具体影响。

为了确保模型的可靠性，研究团队采取了多种验证策略。首先，他们采用了交叉验证和网格搜索方法，以优化模型的参数设置并减少过拟合的风险。其次，他们通过与多位经验丰富的口腔外科医生的临床判断进行对比，发现模型与专家意见之间具有较高的一致性，进一步证明了其在实际应用中的价值。此外，研究还考虑了数据集中的类别不平衡问题，并通过调整类别权重和采用其他校准方法来确保模型在不同风险水平上的准确性。

尽管本研究取得了显著成果，但其局限性也必须得到充分认识。首先，由于该研究是回顾性的，可能存在选择偏差和记录不完整的问题。虽然研究团队尽力确保数据的高质量和完整性，但回顾性研究固有的局限性仍然存在。其次，数据集来源于单一机构，可能无法充分代表不同人群的解剖学和影像学特征，因此模型的外部推广能力受到一定限制。此外，研究主要依赖于二维全景影像，这可能导致某些解剖结构的失真，从而影响模型对下颌管位置的判断。最后，模型的预测结果仍需在外部、多中心以及前瞻性研究中进一步验证，以确保其在真实临床环境中的稳定性和适用性。

本研究的成果为口腔医学领域提供了新的视角，尤其是在利用机器学习技术进行下颌第三磨牙阻生和并发症预测方面。通过构建一个基于标准临床和影像学参数的预测模型，研究团队不仅提高了预测的准确性，还增强了模型的临床实用性。未来的研究可以进一步探索多中心数据集的使用，以提高模型的泛化能力，并结合深度学习技术提取影像学特征，以提升模型的综合性能。此外，研究还可以考虑纳入更多的临床变量，如症状史、口腔卫生状况以及遗传因素等，以增强模型的全面性和适用性。

总的来说，本研究展示了机器学习在下颌第三磨牙管理中的巨大潜力。通过提供客观、基于概率的决策支持工具，机器学习可以帮助临床医生更准确地评估患者的阻生风险，并据此制定个性化的治疗方案。这一技术的引入不仅有助于减少不必要的手术，还能提高患者的治疗效果和满意度。未来，随着数据集的扩展和算法的优化，机器学习有望在口腔医学领域发挥更大的作用，成为辅助临床决策的重要工具。