基于自动标志点的中矢状面构建：头颈部CT扫描三维下颌不对称评估的可靠性研究

本研究针对三维头颈部影像中中矢状面(MSP)构建的临床难题，开发了一种基于深度学习的自动化标志点定位方法。研究团队通过368例CT扫描数据验证，证实自动构建的MSP在评估下颌不对称性时具有与人工操作相当的可靠性（误差<1mm/1.1°），且测量结果与专家临床评估高度一致。该成果为计算机辅助正颌手术规划提供了高效精准的量化工具，有望推动口腔颌面外科的数字化进程。

　　

在口腔颌面外科领域，三维头颈部CT或锥形束CT(CBCT)扫描已成为复杂颌骨畸形诊疗的黄金标准。然而如何精准构建中矢状面(MSP)——这个评估面部不对称性的"黄金基准线"，始终是困扰临床医生的技术瓶颈。传统方法依赖人工标注解剖标志点，不仅耗时费力，还受操作者主观性影响。尽管已有基于形态学或对称平面的替代方案，但标志点法因其明确的解剖学意义仍被广泛推荐，只是自动化程度不足制约了其临床应用。

法国巴黎Arts et Metiers Institute of Technology联合多所医疗机构的研究团队，在《Clinical Oral Investigations》发表了一项突破性研究。他们创新性地将空间配置网络(SCN)深度学习模型应用于368例CT扫描的三维标志点自动定位，通过法兰克福水平面(FHP)正交构建MSP，系统评估了该方法在下颌不对称量化中的可靠性。研究采用独特的"双坐标系"分析框架：以颅底世界坐标系(WCS)为基准，建立包含颏孔、B点等6个标志点的下颌局部坐标系(LCS)，通过测量LCS相对于WCS的平移(y轴)和旋转(x/z轴)来量化不对称性。

关键技术包括：1)基于160例训练集开发的SCN模型自动标注33个三维头影测量标志点；2)采用5个关键标志点(Nasion、Sella等)构建正交于FHP的MSP；3)通过19例样本的R&R研究对比人工/自动构建差异；4)结合专家盲法评估验证临床相关性。

研究结果显示：人工构建MSP的再现性95%置信区间为y轴平移<1mm，x/z轴旋转<1.1°，而自动测量的误差完全落在此范围内。临床验证更发现，自动系统能准确区分四类不对称程度（健康对称者79例、术前对称者191例、中度不对称77例、重度不对称21例），各组间测量值具有显著统计学差异(p<0.01)。典型失败案例分析揭示，异常颅面形态（如锁骨颅骨发育不良）可能导致标志点定位偏差，提示临床应用中仍需专家复核。

该研究首次证实了深度学习驱动的标志点法在MSP构建中的可靠性，其1分钟/例的处理速度大幅提升临床效率。相比其他方法，这种基于解剖标志的自动化方案兼具计算效率与临床可解释性优势。研究者特别指出，该方法目前主要适用于非综合征性颌骨畸形，对于存在颅底不对称的综合征患者，仍需结合形态学分析方法。

这项成果为计算机辅助正颌手术规划提供了标准化量化工具，其创新价值体现在：1)建立首个大规模（368例）三维头颈部CT的自动不对称评估框架；2)验证深度学习在三维头影测量中的临床适用性；3)开发出可整合至临床软件的高效分析流程。随着后续软件集成，这项技术有望成为颌面畸形数字化诊疗的新标准，推动精准口腔医学的发展。