基于人工智能的CBCT影像下颌管及分叉管精准分割：提升口腔种植手术安全性的创新研究

为解决下颌管(MaC)及分叉管(BMaC)在CBCT影像中手动分割耗时且易出错的问题，土耳其萨卡里亚大学等机构联合开发了基于nnU-Net v2的AI自动分割工具。研究纳入69例CBCT数据，结果显示模型对MaC分割的准确率达0.99（Dice评分0.82），BMaC分割精度稍逊（Dice评分0.46）。该成果发表于《BMC Oral Health》，为口腔种植规划提供了高效辅助工具，可降低术中神经损伤风险。

　　

在口腔外科手术中，下颌管(Mandibular Canal, MaC)如同埋藏在颌骨中的"电缆"，其内走行的下牙槽神经支配着半侧下颌的感觉。更棘手的是，约15%人群存在分叉下颌管(Bifid Mandibular Canal, BMaC)——这条神经通道像树枝般分叉，使得种植牙、智齿拔除等常规操作瞬间升级为"扫雷游戏"。传统依赖医生手动标注CBCT影像的方法，不仅耗时（单例需30-60分钟），且不同医师间的判断差异可达20%。当遇上BMaC这种解剖变异，漏诊率更是飙升，可能导致术中神经损伤引发永久性麻木或出血。

针对这一临床痛点，土耳其萨卡里亚大学口腔放射科Emre Haylaz团队联合四所高校，开发了基于深度学习的新型分割工具。研究团队从伊诺努大学附属医院筛选69例含BMaC的CBCT影像（19-55岁患者），采用3D Slicer软件手动标注后，交由nnU-Net v2模型进行训练。这个被称为"医学影像分割瑞士军刀"的算法，能自动优化数据增强策略和网络结构，特别适合处理BMaC这类细小复杂结构。

关键技术包括：1）多中心CBCT数据采集（NewTom 5G设备，0.3mm³
体素）；2）双盲标注验证机制（由≥4年经验放射科医师初标，≥9年专家复核）；3）nnU-Net v2的动态训练策略（1000 epochs，Adam优化器）；4）7项量化指标评估（Dice系数、IoU等）。

研究结果呈现"冰火两重天"：
【主航道精准导航】
模型对标准MaC的识别堪称教科书级表现：准确率99%，Dice评分0.82（超过人工间一致性水平）。轴向切片上，算法能清晰勾勒出穿过下颌骨的"隧道"，甚至识别出直径仅1mm的纤细分支。这得益于nnU-Net v2的多尺度特征融合能力，使其在低对比度区域仍保持高灵敏度（召回率0.80）。

【分叉路径的迷雾】
BMaC分割则暴露出现有技术的局限：虽然准确率同样达99%，但Dice评分骤降至0.46。问题主要出在分叉结构的"断点效应"——当BMaC前支与下颌孔重叠时，算法易误判为单管。ROC曲线显示AUC值0.71，提示需要更多解剖先验知识注入模型。

讨论部分揭示了更深层价值：
1）临床增效：将原本小时级的标注工作压缩至分钟级，且保持专家级精度（MaC IoU 0.70）；
2）风险预警：BMaC检测虽未达理想水平，但70%的阳性预测值已能有效警示术者规避"神经雷区"；
3）范式创新：首次证明nnU-Net v2在牙科小器官分割的潜力，为舌神经管等更细微结构研究铺路。

该研究的局限在于样本量较小（69例），且未区分BMaC的Naitoh分型（1-4型）。作者建议后续可结合生成对抗网络(GAN)合成罕见变异数据。正如论文结论强调：当AI遇上解剖变异，或许永远无法达到100%完美，但将Dice评分从0.46提升到0.82的过程，正是医疗安全边际不断拓宽的见证。这项成果为"精准口腔外科"提供了关键拼图，未来或可整合到种植导航系统中，让每位患者的下颌神经都拥有"GPS护航"。