机器学习模型提升德国正畸患者骨骼Ⅰ类与Ⅲ类诊断效率的创新研究

编辑推荐：针对正畸诊断中骨骼分类效率低的问题，本研究通过机器学习模型（RF/CART/GLM等）分析509例德国患者头影测量参数，发现SNA/SNB/ML-NSL三参数组合的GLM模型准确率达0.99，PCA揭示SN-Pg/ML-NSL等关键变量，为AI辅助精准正畸诊疗提供新范式。

　　 在正畸临床实践中，准确区分骨骼Ⅰ类（正常颌骨关系）与Ⅲ类（下颌前突或上颌后缩）对治疗方案的制定至关重要。传统诊断依赖ANB角等头影测量参数，但受颌骨倾斜度、种族差异等因素干扰，误诊率高达26.7%。德国雷根斯堡大学医院联合以色列特拉维夫大学的研究团队在《Scientific Reports》发表论文，首次针对德国人群开发机器学习模型，通过多中心横断面研究实现骨骼分类的智能化诊断。

研究采用十折交叉验证和独立验证集，对509例德国患者（骨骼Ⅰ类341例，Ⅲ类168例）的侧位头影测量片进行分析。关键技术包括：1）基于Panagiotidis-Witt个体化ANB角（Calculated_ANB=-35.16+0.4×SNA+0.2×ML-NSL）作为金标准；2）主成分分析（PCA）降维；3）六种机器学习算法（RF/CART/KNN/SVM/LDA/GLM）性能对比；4）年龄-性别分层统计。

主要结果

1. 头影测量差异：骨骼Ⅲ类患者下颌更前突（SNB角增加4.06°），上切牙代偿性唇倾（+1/NA角差9.01°），下切牙舌倾（-1/ML角差8.99°）。PCA显示前4个主成分解释93%变异，SN-Pg（0.37）、ML-NSL（-0.35）等参数权重最高。
2. 机器学习性能：包含所有参数的通用模型中，随机森林（RF）和分类回归树（CART）达到1.00准确率；精简模型（仅Wits/SNB）的KNN模型准确率0.88；GLM模型仅用SNA/SNB/ML-NSL三参数即实现0.99准确率，显著优于传统ANB角诊断（r=0.808）。
3. 年龄影响：骨骼Ⅲ类成人颌骨差异更显著（ANB角比青少年低1.78°），验证了模型对生长变化的适应性。

结论与意义 该研究首次构建了针对德国人群的骨骼分类AI诊断体系，GLM模型以极简参数实现近乎完美的分类效能。SNB角与ML-NSL的强负相关（ρ=-0.742）揭示了颌骨矢状-垂直向的生物学关联，而PCA筛选的关键变量为临床标记点自动化识别提供优先靶标。未来需扩大样本验证跨种族适用性，但当前成果已为正畸数字化诊疗树立了新标杆。