综述：人工智能在正颌手术中面部与骨骼联合预测中的应用：一项系统评价

《Journal of Cranio-Maxillofacial Surgery》：Artificial intelligence in joint face–skeletal prediction for orthognathic procedures: A systematic review

AI在正颌术后骨骼软组织联合预测中显著提升预测精度，但存在解剖细节建模不足等问题。

　　人工智能在正颌外科手术后颌骨-软组织联合预测中的发展与应用，已成为口腔颌面外科领域的重要研究方向。随着医学影像技术的进步和计算能力的提升，基于人工智能的预测模型在提高手术精度和效率方面展现出巨大潜力。然而，这一领域仍面临诸多挑战，包括对解剖细节建模不足、样本同质性较高以及缺乏统一的评估标准等问题。因此，有必要对现有研究进行系统性回顾，以全面评估人工智能在联合预测中的应用现状，并探讨其在临床实践中的可行性与前景。

正颌外科手术是一种旨在通过调整颌骨的三维位置来矫正颌面畸形的重要治疗手段。传统预测方法主要依赖于生物力学建模，包括质量-弹簧模型（MSM）、质量-张量模型（MTM）和有限元方法（FEM）。这些方法在一定程度上能够模拟软组织的变形，但存在计算复杂度高、模拟耗时以及手动操作等问题，限制了其在临床中的广泛应用。例如，质量-弹簧模型虽然计算成本较低，但其线性简化假设难以准确预测复杂的生物力学行为；而有限元方法虽然能够更真实地模拟软组织的变形，但由于需要复杂的网格构建和长时间的计算过程，使得其难以在实际临床环境中快速应用。

近年来，深度学习技术在术后预测中的应用逐渐兴起，展现出显著的效率优势。深度学习模型能够通过数据驱动的方式，从大量的临床数据中学习并提取关键特征，从而实现对软组织变形的精准预测。例如，一些研究者开发了混合特征网络，通过整合颌骨运动参数和面部点云的几何特征，提高了预测的准确性；另一些研究则采用了图卷积网络，实现了对软组织变形的快速推理。此外，还有研究者构建了条件生成对抗网络（CGAN），通过理解软组织与硬组织在侧位X光片中的关系，预测治疗后的侧貌变化。这些模型虽然在计算效率和预测精度方面有所突破，但往往忽略了个体化的颅面结构关系，仅使用面部模型的顶点集而未考虑其内在的结构特性，同时忽视了骨骼与软组织之间的生物力学关系，导致局部变形预测的误差增加。

在这一背景下，联合面部与骨骼预测逐渐成为研究的重点。这一方向的出现标志着正颌外科手术从传统的“骨驱动”模式向“骨-软组织协同驱动”模式的转变。传统的虚拟手术规划（VSP）虽然能够精确调整骨的位置，但往往将软组织的变形视为骨运动的被动结果，忽略了两者之间的动态反馈机制。而联合预测模型则通过显式建模骨骼与面部之间的空间-力学相互作用，成为提高预测准确性和临床适用性的核心策略。这些方法结合了数据驱动的高效性与生物力学的物理约束，为手术前的预测和术后结果的控制提供了更为全面的解决方案。

早期的联合预测研究主要包括FC-Net，该模型首次实现了骨骼运动与面部点云的联合输入，为后续研究奠定了基础。随后，ACMT-Net引入了动态注意力机制，首次对骨骼与软组织之间的机械影响进行了量化评估，并将评估范围扩展到六个不同的区域。更进一步，P2P-ConvGC和DGCFP等模型则通过整合全局上下文和双空间卷积，提高了特征提取能力并减少了预测误差。这些模型的不断演进，反映了在解决单一模态方法和传统生物力学模型局限性方面的重大进展。

尽管人工智能在联合预测方面取得了显著进展，但目前的系统性综述仍存在一定的不足。大多数现有的文献综述主要集中在单一模态或独立预测方法上，而未能全面评估联合预测模型的性能。这些方法通常忽略了面部与内部骨骼结构之间的内在联系，或者仅使用面部模型的顶点集而未考虑其结构特性，导致预测结果局限于软组织，而未能涵盖骨骼的变化。因此，当前的预测模型在指导虚拟手术规划方面仍存在一定的局限性。

为了弥补这一不足，本文的系统性综述旨在全面评估人工智能在正颌外科手术后颌骨-软组织联合预测中的应用进展，并对预测的准确性及临床适用性进行综合分析。通过对现有文献的系统性回顾，本文希望为未来的研究提供方向，并推动人工智能技术在临床实践中的应用。

在研究方法上，本文遵循了PRISMA指南，对PubMed、Web of Science、IEEE Xplore、EMBASE和Scopus等数据库进行了系统性检索（截至2025年7月20日）。初始检索共获得885条记录，经过去除重复条目后，剩下430条独特的研究。通过对标题和摘要的初步筛选，排除了410条不符合研究目标的文献。最终，对剩下的20篇全文文献进行了独立评估，其中8篇研究符合纳入标准。在研究选择过程中，采用了PICOS原则，聚焦于人工智能模型在联合预测方面的表现及其临床验证。同时，使用了QUADAS-2和JBI工具来评估研究的偏倚情况，并通过GRADE方法对结果的确定性进行了评价。

研究结果表明，纳入的AI模型通过诸如CPSA、P2P-Conv和DGCFP等创新方法，显著提高了预测的准确性。这些模型在关键区域的表面偏倚误差得到了有效控制，临床接受率也有所提升。然而，仍存在一些挑战，包括对解剖细节建模不足、样本同质性较高以及缺乏标准化评估等问题。这些问题限制了模型在实际临床环境中的广泛应用，也影响了其预测结果的可靠性。

从临床相关性来看，AI驱动的正颌外科预测在不同区域的准确性存在差异化。例如，在下巴（颏部）区域的预测精度最高，其次是下颌体，而在上颌鼻基部区域的预测则相对有限。当前的模型在唇部美学和三维旋转位移方面的预测精度仍需进一步提高，但它们在快速预测下巴与下颌连续性方面具有较高的应用价值。这种区域差异性提示，未来的模型需要在不同解剖区域的预测能力上进行优化，以更好地满足临床需求。

此外，研究中还提到了评估指标和方法的演变。早期的模型主要依赖于标记点误差和表面偏倚误差，并通过配对t检验来验证其显著性。同时，通过单个外科医生的模型叠加比较来进行定性评估，预测时间也被引入作为关键指标。随着研究的深入，ACMT-Net等模型开始采用区域化评估方法，将评估范围扩展到六个不同的区域，并首次引入了2点李克特量表进行评估。这种评估方法的演变不仅提高了预测结果的客观性，也为后续研究提供了更系统的评估框架。

为了提高AI模型在临床中的适用性，未来的研究需要关注多个方面。首先，需要构建多中心、跨种族的高质量数据集，以提高模型的泛化能力和适应性。其次，探索混合架构，结合不同的深度学习模型以提高预测的准确性和稳定性。此外，还需要进行前瞻性临床验证，以评估模型在实际手术中的表现。同时，建立统一的评估标准，提高模型的可解释性，并完善伦理和隐私保护框架，也是推动AI技术在临床转化中的关键因素。

人工智能技术的快速发展为正颌外科手术的预测提供了新的可能性。然而，这一技术的应用仍处于探索阶段，需要进一步的临床验证和优化。未来的研究应更加注重模型的临床适用性，通过结合生物力学原理和深度学习技术，开发更为精准和高效的预测模型。同时，也需要加强跨学科合作，结合医学、工程和计算机科学等领域的知识，推动人工智能在正颌外科领域的深入应用。

在当前的研究基础上，人工智能驱动的联合预测模型在提高手术精度和效率方面具有显著优势。然而，为了实现更广泛的应用，还需要解决一些关键问题。例如，如何提高模型对个体化颅面结构关系的建模能力，如何优化面部模型的结构特性，以及如何建立更全面的评估体系。这些问题的解决将有助于提高模型的预测准确性，并增强其在临床实践中的实用性。

此外，随着数据量的增加和计算能力的提升，人工智能模型的训练和优化将变得更加高效。未来的研究可以利用大规模的临床数据，通过深度学习算法不断改进模型的预测能力。同时，结合虚拟现实（VR）和增强现实（AR）等技术，可以进一步提高手术规划的可视化程度，为外科医生提供更加直观的指导。

人工智能在正颌外科手术中的应用，不仅有助于提高手术的精确性和效率，还可能改善患者的术后恢复体验。通过精准的预测，外科医生可以更好地规划手术方案，减少手术风险，提高治疗效果。同时，AI模型的使用也可能降低手术成本，提高医疗资源的利用效率，为更多患者提供高质量的医疗服务。

在推动人工智能技术在正颌外科领域的应用过程中，还需要关注伦理和隐私保护问题。随着AI模型的广泛应用，如何确保患者数据的安全性，如何保护患者的隐私，以及如何在临床实践中合理使用AI技术，都是需要认真对待的问题。因此，未来的研究不仅需要关注技术本身的改进，还需要在伦理和法律框架内进行深入探讨，以确保AI技术的可持续发展和临床转化。

综上所述，人工智能在正颌外科手术后颌骨-软组织联合预测中的应用展现出巨大的潜力。通过不断的技术创新和方法优化，AI模型在提高预测准确性、增强临床适用性方面取得了显著进展。然而，为了实现更广泛的应用，还需要解决一些关键问题，包括数据集的多样性、模型的泛化能力以及评估体系的标准化。只有通过多学科的协同合作和深入的临床验证，人工智能技术才能在正颌外科领域发挥更大的作用，为患者提供更加精准和高效的治疗方案。