基于机器学习的牙科树脂复合材料蠕变性能预测模型构建及关键成分分析

针对牙科树脂基复合材料(RBCs)因成分复杂导致蠕变性能难以评估的问题，研究人员通过建立40种机器学习(ML)模型，结合17种成分二进制编码和压缩蠕变实验数据，发现ExtraTrees模型能精准预测最大应变(%)、永久变形(%)和蠕变恢复(%)(R2=0.9999)，并鉴定ORMOCER单体和SiO2填料为关键影响因素，为高性能牙科材料设计提供新范式。

　　

在全球范围内，龋齿影响着超过35亿人的健康，树脂基复合材料(RBCs)因其优异的物理和美学性能已成为主流牙科修复材料。然而，这些材料在咬合力作用下的粘弹性蠕变行为会引发微裂纹和应力累积，最终导致修复失败。尽管温度、湿度、单体类型和填料含量等因素已知会影响RBCs的蠕变性能，但由于商业产品的成分保密性和测试方法差异，关键影响因素一直难以明确。传统试错法面对这种多变量复杂问题显得力不从心，亟需引入新的研究方法。

针对这一挑战，上海第九人民医院的研究团队创新性地将机器学习(ML)技术引入牙科材料研究领域。他们选取5种商用RBCs和新型热粘性材料VisCalor，通过标准压缩蠕变仪测量干湿条件下的2小时20 MPa压缩及2小时恢复数据，并将17种成分特征转化为二进制编码。研究团队系统评估了40种ML模型，最终开发出预测精度达R²=0.9999的ExtraTrees模型，不仅成功预测了验证材料VisCalor的蠕变参数，还通过特征重要性分析揭示了ORMOCER(有机改性陶瓷)单体和SiO₂填料的核心作用。这项发表于《Dental Materials》的研究，为牙科材料智能化设计开辟了新途径。

关键技术方法包括：1)使用标准蠕变仪测量5种RBCs在干/湿条件下的压缩蠕变变形与恢复；2)将材料成分编码为17维二进制特征；3)构建并比较40种ML模型的预测性能；4)采用特征重要性分析识别关键成分因素；5)以VisCalor作为独立验证集评估模型泛化能力。

【结果】

1. 材料与方法：实验设计采用4mm×6mm圆柱试样，经1200 mW/cm²LED光固化后，测试显示材料类型与储存条件存在显著交互作用(p<0.001)。

2. 结果：蠕变行为具有成分依赖性，水储存显著增加蠕变(p<0.05)。ExtraTrees模型在预测最大应变、永久变形和蠕变恢复率方面表现最优。

3. 讨论：证实人牙本质的粘弹性特征要求修复材料具备相应性能。ORMOCER单体因其刚性网络结构，SiO₂填料因其增强效应，成为改善蠕变恢复的关键。

4. 结论：水储存7天可提升所有测试材料的蠕变恢复率。建立的ML模型能准确预测新材料性能，特征分析为优化设计提供明确方向。

5. 意义：首次将ML应用于牙科材料蠕变研究，突破传统成分分析的局限性。模型指导下的材料设计有望显著提升修复体临床耐久性。

这项研究的创新性体现在三个方面：首先，建立了首个针对牙科复合材料蠕变行为的ML预测体系；其次，发现了商业保密配方中真正起决定性作用的成分因素；最后，验证了数据驱动方法在牙科材料研发中的巨大潜力。随着数据集的扩充，该模型可望发展成为牙科材料智能设计的标准工具，从根本上改变现有研发模式。研究团队特别指出，未来工作将聚焦于扩大材料种类和测试条件，以进一步增强模型的普适性和预测精度。