基于CBCT和机器学习算法的双侧髁突后移位预测模型构建与验证

本研究针对颞下颌关节紊乱病(TMD)中髁突后移位的早期预测难题，通过回顾性分析166例锥形束CT(CBCT)影像数据，采用LASSO回归、随机森林和XGBoost三种机器学习算法，构建了包含关节结节斜度(AEI)、年龄、ANB角和面部高度比(S-Go/N-Me)的预测列线图模型。结果显示该模型AUC>0.7，当概率阈值>45%时LASSO模型净获益最优，为临床早期识别高风险患者提供了量化工具。

　　

颞下颌关节紊乱病(TMD)影响着全球约31%的成年人和11%青少年，其中髁突后移位是导致关节盘移位、弹响和疼痛的关键因素。尽管CBCT能精确评估关节间隙，但如何早期预测髁突后移位仍是临床难题。现有研究对关节间隙影像学改变与TMD发展的关系存在争议，且缺乏直观的风险评估工具。

天津医科大学口腔医院的研究团队开展了这项回顾性观察研究，通过分析166例18-35岁患者的CBCT影像，首次将机器学习算法应用于髁突后移位预测。研究采用三种算法(LASSO回归、随机森林和XGBoost)筛选风险因素，最终构建的列线图模型显示：关节结节斜度越陡峭、后下面高比例(S-Go/N-Me)越低、ANB角≥4.7°以及年龄增长，髁突后移位风险越高。该成果发表于《BMC Oral Health》，为临床早期干预提供了量化依据。

研究主要采用CBCT影像分析技术测量关节间隙，通过Dolphin Imaging软件三维重建后，采用Kamelchuk法计算髁突位置指数ln(PS/AS)<-0.25定义为后移位。机器学习部分使用R软件进行特征筛选和模型构建，通过校准曲线、ROC分析和决策曲线评估模型性能。

研究结果
基线特征：82例双侧后移位患者与84例正常组比较，FMA分类存在显著差异(P=0.045)。
模型构建：LASSO筛选出AEI、ANB角、S-Go/N-Me和年龄四个关键变量，随机森林和XGBoost也证实AEI和年龄的核心作用。
模型验证：LASSO模型的AUC达0.723，校准曲线显示预测值与实际值高度吻合(U=-0.015)，决策曲线显示阈值>45%时净获益最优。
SHAP分析：揭示S-Go/N-Me降低与风险升高的非线性关系，而年龄在LASSO和SHAP解释中呈现相反趋势，反映算法差异。

讨论与结论
该研究首次将机器学习与CBCT影像组学结合，证实陡峭的AEI通过改变髁突运动轨迹增加后移风险，而低S-Go/N-Me反映的下颌后旋趋势是重要生物力学因素。值得注意的是，ANB角≥4.7°的II类骨型患者风险更高，这与下颌后缩导致的关节窝适应性改建有关。年龄的双重影响可能源于年轻患者的代偿性改建与年长者的退行性变化差异。

临床意义在于，该列线图可直接整合至电子病历系统，当患者AEI>47°、S-Go/N-Me<65%时提示需加强咬合检查。局限性包括单中心样本和未纳入磨牙症等混杂因素。未来应结合TMD临床症状进行前瞻性验证，推动人工智能在颞下颌关节精准医疗中的应用。