编辑推荐：
在正畸领域，头影测量分析对解剖标志点定位精度要求极高，人工分析耗力且 AI 系统多不满足欧洲标准。研究人员开发 THERETransKey 模型并集成至 THERE 工具，经临床验证其精度提升、易用性佳，还可积累数据，推动自动头影测量发展。
在正畸临床诊断中，精准的头影测量分析至关重要。头影测量需在侧位头颅 X 线片上精准识别软硬组织解剖标志点，这些点的位置偏差仅几毫米就可能导致诊断错误。然而，传统人工分析耗时费力，且人工智能（AI）辅助系统虽有进展，但多数难以满足欧洲正畸实践的严苛标准，尤其是在复杂影像条件下的标志点定位仍存在显著挑战，如骨骼结构变异、设备放大导致的图像模糊及对侧结构重叠等问题，限制了 AI 在头影测量中的广泛应用。
为解决上述难题，意大利费拉拉大学（University of Ferrara）的研究团队开展了相关研究。他们开发了一种基于 AI 的自动头影测量工具 THERE（auTomatic HElpeR for cEphalometry），并构建了核心模型 THERETransKey，旨在实现解剖标志点的精准定位，同时建立符合欧洲正畸委员会（EBO）标准的自动化分析系统。研究结果表明，THERE 工具不仅显著提升了头影测量的效率和精度，还通过持续收集临床数据不断优化模型性能，为正畸诊断提供了可靠的辅助支持。该研究成果发表在《Computers in Biology and Medicine》，为正畸领域的智能化发展注入了新动力。
研究中采用的关键技术方法包括：开发融合卷积神经网络（CNN）与 Transformer 架构的 THERETransKey 模型，用于提取影像特征并捕捉全局关系以定位标志点；构建开源、易用的 THERE 网络应用程序，支持多品牌 X 线机影像上传，通过 “上传 - 校准 - 可视化修正” 三步工作流实现临床应用；设计基于 PSSUQ 的用户体验问卷，收集不同经验水平正畸医生的反馈以验证工具的可用性；建立包含 3153 例匿名侧位头颅影像的多样化数据集，涵盖不同设备、患者特征及影像质量，用于模型训练与优化。
研究结果
THERE 工具的设计与验证
THERE 采用 Python Flask 框架开发，前端界面分为影像上传、校准、头影测量可视化修正三个主要视图，操作流程线性简洁，即便技术经验有限的用户也能轻松使用。后端支持管理员监控系统状态、下载影像及手动触发模型更新，未来计划实现自动调优。通过 PSSUQ 问卷对 79 名用户（含 10 名专家、57 名住院医师、12 名本科生）的调查显示，系统在 “系统实用性”“信息质量”“界面质量” 等维度评分均显著低于 2（1-7 分制，低分表示更优），专家评分尤为突出，证实其高度易用性与临床实用性。
数据集构建
研究构建了一个大规模、异质性的开源数据集，包含 3153 例匿名侧位头颅 X 线片，影像来自不同设备，具有多样的尺寸、饱和度、色彩和亮度，覆盖不同性别、年龄及存在正畸装置的患者。数据集中标注了 14 个解剖标志点的像素坐标，包括蝶鞍中心点（S）、鼻额缝最前点（N）、上颌牙槽突前凹最后点（A）等，为模型训练提供了丰富的标注样本。该数据集可通过 THERE 官网申请获取，助力后续研究。
THERETransKey 模型架构与性能
THERETransKey 模型由主干 CNN、Transformer 编码器和最终层组成。CNN 提取影像特征，Transformer 编码器捕捉特征间的全局关系，最终层通过反卷积生成 14 个标志点的热图，利用 argmax 操作确定标志点坐标。研究对比了 ResNet、HRNet、EfficientNetV2-S 三种主干网络，结合均方误差（MSE）、Huber 损失及 Dice 损失等不同损失函数，在 256×256、512×512、1024×1024 三种影像尺寸下进行训练。结果显示，以 ResNet 为主干、采用 Dice+Huber 损失函数、输入尺寸 512×512 的模型表现最佳，测试集损失值为 0.137，正确关键点概率（PCK）在 1% 误差阈值下达 73.98%。不同标志点定位精度存在差异，如上颌中切牙切缘（U1 tip）检测成功率（SDR）超 91%，而牙根尖（U1 root、L1 root）因解剖结构细节较少，SDR 分别为 62.58% 和 52.01%。
临床应用与误差分析
对 THERE 工具临床使用中需修正的影像分析显示，模型在用户修正坐标中的平均误差为 x 轴 1.05±1.43 mm，y 轴 1.06±1.46 mm，平均距离 1.49±2.04 mm，较前期研究的 6.3±4.6 mm 显著改善。模型在模糊、过曝或过暗影像中误差可达 60 mm，表明影像质量对性能影响显著。与现有系统相比，THERE 的平均相对误差（MRE）为 1.06±1.45 mm，2 mm 阈值下的成功检测率（SDR@2 mm）达 81.87%，优于多数同类研究，且与专家手动标注的偏差水平相当。
结论与意义
THERE 工具通过整合 THERETransKey 模型，实现了符合欧洲正畸标准的自动化头影测量分析，其精度与易用性在临床验证中表现优异。该研究不仅为正畸医生提供了高效的辅助诊断工具，还通过持续积累临床标注数据，构建了具有广泛代表性的开源数据集，为后续 AI 模型的优化及跨设备、跨场景的头影测量研究奠定了基础。研究结果表明，AI 在头影测量中的应用已逐步从实验室走向临床，有望推动正畸诊断的标准化与智能化进程，尤其在提升复杂病例诊断效率、减少人为误差方面具有重要临床价值。未来研究可进一步优化模型对低质量影像的处理能力，拓展标志点类型，并探索与其他正畸分析系统的集成，以全面提升 AI 在正畸领域的应用深度与广度。
