综述：人工智能和机器学习在颞下颌关节紊乱病诊断与管理中的应用：一项系统性综述和荟萃分析

本综述系统评价了人工智能（AI）与机器学习（ML）在颞下颌关节紊乱病（TMD）诊断与管理中的价值，涵盖12项研究并开展荟萃分析。结果显示，AI/ML模型诊断TMD的汇总敏感性达87.1%（95%CI:84.9–89.2%），特异性为87.0%（95%CI:84.8–89.2%），曲线下面积（AUC）为0.96，表明其具有卓越的诊断准确性，可作为临床诊断的有效辅助工具。

　　

背景

颞下颌关节紊乱病（Temporomandibular Disorders, TMD）是一类影响颞下颌关节（TMJ）、咀嚼肌及相关结构的异质性疾病，临床表现多样，包括颌面部疼痛、关节弹响、张口受限等。其病因复杂，涉及生物力学、神经肌肉、心理社会等多方面因素，且常与焦虑、抑郁、纤维肌痛等共病存在关联。传统诊断方法依赖临床检查、影像学评估和患者主观描述，存在一定主观性与不一致性。近年来，人工智能（AI）和机器学习（ML）技术迅速发展，为TMD的客观、精准诊断与管理提供了全新途径。

方法

本研究严格遵循PRISMA指南，检索了PubMed、Embase、Cochrane等数据库中自1980年至2023年的相关文献。最终纳入12项符合标准的研究，使用AXIS工具和纽卡斯尔-渥太华量表（NOS）进行质量评估，并采用RevMan 5.4和SPSS v26进行荟萃分析，计算汇总敏感性、特异性、诊断比值比（DOR）及受试者工作特征曲线下面积（AUC）。

结果

AI/ML模型在TMD诊断中表现出色：汇总敏感性为87.1%（95%CI:84.9–89.2%），特异性为87.0%（95%CI:84.8–89.2%），诊断比值比（DOR）为45.1（95%CI:30.5–66.8），AUC达0.96，显示出极高的判别能力。异质性检验显示I2=38.7%，属中度异质性，可能与模型类型、影像模态和数据来源的差异有关。

讨论

AI在TMD诊断中的高准确性得益于卷积神经网络（CNN）、支持向量机（SVM）等算法在影像分析、肌电图（EMG）信号处理和临床数据整合中的卓越表现。例如，基于CBCT的CNN模型可自动识别TMJ骨关节炎（OA）的严重程度，准确率超过92%；多模态AI系统结合MRI与临床数据进一步提升诊断一致性。然而，当前研究仍存在样本量小、缺乏外部验证、算法透明度不足等局限。未来需推动大规模、多中心前瞻性研究，开发可解释AI（XAI）工具，并制定标准化数据协议与伦理框架，以促进AI在临床中的可靠集成。

结论

AI与ML模型在TMD诊断中表现出优异的判别能力，有望成为临床实践的有效辅助工具。通过提升诊断一致性、减少人为偏差，AI有助于实现TMD的早期发现与个体化管理。未来需进一步规范技术流程、扩大验证范围，并推动其与现有诊疗系统的无缝整合。