合成数据驱动牙周炎早期检测模型的原型构建与验证

《Periodontal and Implant Research》：Synthetic data as a tool for prototyping early-stage periodontitis detection models

本研究针对牙周炎早期诊断缺乏高灵敏度生物标志物及公开数据集的瓶颈，创新性地采用表格变分自编码器（TVAE）生成合成唾液生物标志物数据，构建了涵盖健康、早期（Elevated）和牙周炎三分类的机器学习模型。结果表明，XGBoost模型准确率达84%，特征归因分析揭示IL-1β、IL-10和尿素为关键预测因子。该研究为AI辅助牙周病早期筛查提供了低成本、隐私保护的开发范式，尤其适用于资源有限场景的方法学探索。

　　

在全球范围内，牙周炎作为一种慢性炎症性疾病，影响着20%-50%的成年人，却因传统诊断方法（如附着丧失和影像学骨吸收）只能反映既往组织破坏，难以实现早期干预。尽管人工智能（AI）技术为整合多模态生物标志物、开发无创诊断工具带来希望，但高质量公开数据的匮乏严重阻碍了其发展。尤其对于早期牙周病变，生物标志物的细微变化更易被噪声掩盖，亟需一种能够模拟疾病连续演变过程的数据生成方法。

在此背景下，发表于《Periodontal and Implant Research》的研究首次将深度生成模型应用于牙周病领域，通过合成唾液生物标志物数据，构建机器学习模型以区分健康、早期（Elevated）和牙周炎状态。研究团队采用表格变分自编码器（TVAE）生成包含4000个样本的合成数据集，覆盖炎症因子（如IL-1β、IL-6、IL-10、MMP-8）、代谢物（尿素、尿酸、谷胱甘肽等）、微生物（牙龈卟啉单胞菌、具核梭杆菌）及人口统计学变量共16个特征。通过训练XGBoost、随机森林（RF）等多种机器学习模型，并利用SHAP（SHapley Additive exPlanations）进行特征重要性分析，探索合成数据在模型原型构建中的可行性。

关键技术方法

研究通过两阶段流程生成合成数据：首先基于文献定义健康、牙周炎及模拟早期病变的Elevated类（占20%）生物标志物范围，其中Elevated类以30%概率赋予疾病范围值以模拟渐变特征；随后采用TVAE扩展数据集至4000样本，保留特征间关联。模型训练采用70/30划分与5折交叉验证，预处理包括对数转换、标准化及过采样（SMOTE）以平衡类别。

模型性能

XGBoost模型表现最优，准确率达84%，宏F1分数为81%。所有模型对Elevated类的预测精度（约0.72-0.73）均低于健康与牙周炎组（0.84-0.88），反映早期病变生物标志物变化的隐匿性。

特征重要性

SHAP分析一致显示IL-1β、IL-10和尿素为核心预测因子。Elevated类的特征贡献模式独特，IL-1β与尿素的作用强度显著高于其他组别，提示其可能通过微生物代谢（如脲酶活性）或pH调节参与早期病变进程。

研究结论与意义

本研究证实合成数据可作为牙周炎AI诊断模型开发的有效补充工具，尤其在资源有限环境下为生物标志物筛选、模型行为探索提供低成本原型测试平台。通过显式建模生物标志物跨状态变化规律，合成数据有助于优先布局传感技术靶点并估算检测范围需求。然而，该框架目前仅基于文献假设生成数据，未经过临床验证，其性能指标不能直接等同于诊断效能。未来需通过真实世界队列验证特征重要性及模型泛化能力，并结合多组学数据深化对早期病变生物学机制的理解。

此项工作为数字牙周病学提供了一种假设驱动的研究方法，通过合成数据使生物标志物假设变得可检验，从而在大型临床研究前优化实验设计。尽管合成数据无法替代实证研究，但其在隐私保护、数据扩增及方法学迭代方面的优势，有望加速AI在口腔健康领域的转化应用。