人工智能驱动型myTMJ?应用在颞下颌关节紊乱诊断中的准确性评估

这篇研究评估了人工智能（AI）驱动的myTMJ?应用在诊断颞下颌关节紊乱（TMD）中的表现，通过与南加州大学口腔颌面疼痛专家的临床诊断对比，证实其准确率达95.5%（p=0.036），显著高于预设的90%基准。研究强调了AI在弥补专科医生短缺、提升基层诊疗效率中的潜力，同时指出需扩大样本量并探索无监督环境下的应用表现。

　　

背景

颞下颌关节紊乱（TMD）及口腔颌面疼痛因症状复杂多变，诊断常面临挑战。南加州大学团队开发的myTMJ?应用通过AI算法分析患者主诉，旨在为非专科医生提供辅助诊断工具。既往研究表明，AI在牙科影像分析（如锥形束CT）中对龋齿、牙周病的识别准确率可达98.3%，而基于声音的疼痛评估技术（如新生儿哭声分析）亦验证了AI在疼痛管理中的潜力。

方法

研究纳入110名患者（女性70%，中位年龄34岁），在口腔颌面疼痛专科医生监督下使用myTMJ?输入主诉并完成AI问卷。应用采用结构化追问模式（如标准化选项）优化输入一致性，AI生成初步诊断后与盲法专家临床诊断对比。统计分析采用单比例z检验，以90%为假设基准（α=0.05）。

结果

诊断准确性：AI与专家诊断匹配率达95.5%（105/110），95%置信区间[0.923, 0.997]，显著优于预设标准（p=0.036）。常见诊断包括肌痛（36.4%）、TMJ关节痛（31.8%）和肌筋膜疼痛综合征（27.3%）。性别差异显示女性更易患肌痛（30例）和关节痛（25例），男性则以椎间盘移位（DDWR, 8例）为主。年龄趋势中，25-34岁人群多诊断为肌痛，45岁以上者更常见颈源性头痛。

讨论

AI的高准确性可能与监督环境下输入质量优化有关，但7例误诊（4.6%）暴露了肌肉/关节源性症状重叠的鉴别难题。与同类研究对比，卷积神经网络（CNN）在全景片识别缺失牙的灵敏度达0.942，而本研究的AI框架表现相当，但需注意无监督场景的泛化性。局限性包括样本量较小（n=110）、仅限英语用户，且未纳入种族/教育因素分析。

结论

myTMJ?展现了作为TMD初步筛查工具的潜力，未来需扩大样本、增加多语言支持，并探索无监督使用场景。结合专科医生复核，AI可有效缓解全球口腔颌面疼痛专科资源不足的现状。