编辑推荐：
为解决正畸诊断中临床数据域转移和多属性分类难题，研究人员开展基于侧位头颅片的自监督学习和多属性分类自动正畸诊断研究。结果显示，SPMA 网络平均准确率达 90.02% 。该研究推进了自动诊断工具发展，助力精准高效诊断。
在口腔健康领域，错颌畸形是个不容忽视的问题。它指牙齿排列不齐或上下牙弓咬合关系异常，全球患病率高达 56%，不仅影响口腔健康，增加龋齿、牙周病风险，还会干扰咀嚼、吞咽、言语功能，甚至引发心理健康问题。早期诊断和干预对错颌畸形治疗意义重大，能降低后期正畸治疗复杂性。侧位头颅片作为正畸诊断的重要工具，能呈现牙齿、颌骨、软组织等颅面结构的二维影像，帮助医生评估骨骼和牙齿错颌程度，制定治疗方案。但传统分析方法存在诸多弊端，如耗时费力、依赖医生经验，不同地区诊断质量差异大，且人工智能辅助诊断也面临样本分布不均衡、多属性分类能力不足等问题。
为攻克这些难题，首都医科大学附属北京口腔医院等机构的研究人员开展了一项关于自动正畸诊断的研究，相关成果发表在《BioMedical Engineering OnLine》。
研究人员采用了多种关键技术方法。在数据集构建方面，收集了北京口腔医院 2015 - 2021 年的 3310 张侧位头颅片，结合 IEEE 国际生物医学成像挑战赛的 324 张片子，构建混合多中心数据集，并按 7:2:1 的比例划分为训练集、验证集和测试集。数据增强上，运用随机旋转、颜色抖动、随机仿射变换和高斯模糊等技术扩充数据。此外，构建了基于 Vision Transformer（ViT）的自监督预训练和多属性分类网络（SPMA 网络）用于自动正畸诊断。
研究结果如下：
- 评估指标：使用精确匹配率（MR）、准确率（Acc）和汉明损失（HL）评估 SPMA 网络性能。MR 考虑所有属性预测正确才认定样本预测正确；Acc 是正确预测样本占总样本的比例；HL 代表错误预测标签占所有标签的比例。
- 实验结果：SPMA 网络训练分两阶段。第一阶段用掩码图像建模进行自监督学习，训练 400 轮；第二阶段以第一阶段训练的编码器为特征编码器，训练整个网络 30 轮。最终 SPMA 网络在多个评估指标上表现出色，MR 为 71.38%，平均 Acc 为 90.02%，HL 为 4.25% 。
- 消融研究：对比自监督学习得到的编码器网络和从头开始训练的编码器网络，以及多属性和单属性分类任务网络，发现自监督学习和多属性联合优化对提升模型性能有重要作用。
- 对比研究：与修改后的 DenseNet、DenseNet - 169 和 DenseNet 121 等现有先进方法相比，SPMA 网络在各项指标上表现更优，其接收者操作特征（ROC）曲线也证明了在分类数据时的可靠性。
研究结论和讨论部分指出，SPMA 网络有效解决了正畸诊断中的关键挑战。基于多中心侧位头颅片的预训练方法，利用掩码图像建模进行自监督学习，增强了模型对临床数据域转移的适应能力；多属性分类网络通过整合属性间的先验相关性优化参数，提高了多属性分类性能。该网络对八个颅面特征指标的预测，能为临床诊断和治疗提供全面支持，例如判断是否需要复杂手术、确定拔牙位点等。虽然深度学习模型存在黑箱性，但多属性分析能快速处理大量数据，有助于病例筛查、管理和正畸研究。总体而言，SPMA 网络为正畸诊断提供了自动化解决方案，未来可在更大、更多样化的数据集上进一步验证，探索更多临床属性，并集成实时诊断支持工具，有望推动正畸领域的发展，为正畸医生和患者带来显著益处。
