基于CBCT影像组学特征的颞下颌关节盘移位机器学习预测新方法

为解决MRI诊断颞下颌关节盘移位成本高、可及性差的问题，研究人员开发了基于CBCT影像组学特征的机器学习模型。通过分析134例患者的247个下颌髁突CBCT数据，随机森林(RF)模型在区分不可复性关节盘移位(DDWOR)时表现最优(AUC=0.86)，为临床提供经济高效的辅助诊断工具。

　　

磁共振成像(MRI)虽是诊断颞下颌关节(TMJ)紊乱中关节盘移位的金标准，但其高昂成本和操作限制影响了临床普及。这项创新研究另辟蹊径，开发出仅需锥形束计算机断层扫描(CBCT)影像组学特征就能预测关节盘移位的机器学习(ML)模型。研究团队收集了134例同时接受MRI和CBCT检查患者的247个下颌髁突影像数据，精心设计了三组对比实验：实验1区分正常、可复性移位(DDWR)和不可复性移位(DDWOR)；实验2区分正常与移位组(DDWR+DDWOR)；实验3则聚焦最具临床意义的DDWOR鉴别。有趣的是，随机森林(RF)模型在各项实验中均优于XGBoost，特别是在识别需要重点关注的DDWOR病例时，RF的受试者工作特征曲线下面积(AUC)高达0.86，展现出优异的判别能力。研究证实，基于CBCT的影像组学分析可成为MRI的重要补充，尤其为DDWOR这种需要特殊干预的病例提供了经济、便捷的筛查方案。