《Diagnostics》：Artificial Intelligence-Assisted Prediction of Midpalatal Suture Maturation from Cervical Vertebral Maturation Assessed on Lateral Cephalometric Radiographs: Development of a Combined Diagnostic Model
编辑推荐：
**摘要**
**背景/目的：** 本研究评估了颈椎骨成熟度（cervical vertebral maturation, CVM）与腭中缝（midpalatal suture, MPS）成熟度之间的关联，并开发了一种人工智能（artificial int
**摘要**
**背景/目的：** 本研究评估了颈椎骨成熟度（cervical vertebral maturation, CVM）与腭中缝（midpalatal suture, MPS）成熟度之间的关联，并开发了一种人工智能（artificial intelligence, AI）辅助模型，用于根据侧位头影测量片和临床变量预测MPS分期。**方法：** 研究人员评估了250例个体的CVM和锥形束计算机断层扫描（cone-beam computed tomography, CBCT）定义的MPS分期。采用Spearman相关分析和纳入CVM分期、实足年龄和性别的多变量有序逻辑回归检验其关联。使用包含1448张头影测量片的独立数据集开发并评估了用于自动CVM分类的YOLOv11模型。联合模型队列由325例患者组成，包括最初的250例和额外的75例患者，分为训练子集（n = 260）和留出内部测试子集（n = 65）。联合模型使用参考CVM分期、实足年龄和性别进行训练，并在留出测试集上使用AI预测的CVM分期替代参考CVM进行评估。**结果：** CVM和MPS分期呈强相关（r = 0.749，p < 0.001）。CVM分期和年龄与MPS分期显著相关，而性别无显著相关性（Nagelkerke R2 = 0.716）。YOLOv11正确检测并分类了344个参考区域中的277个（80.5%）。在留出测试集上，联合模型实现了69.2%的五分类准确率（45/65；95% CI: 57.2–79.1%）和A–C对D–E的92.3%二分类准确率。对325例患者进行的重复嵌套交叉验证显示，使用参考CVM的平均准确率为58.3%，而单独使用参考CVM为58.8%。在65例患者子集中仅在评估时替换AI-CVM，平均准确率为55.7%。**结论：** 所提出的AI辅助模型仍处于探索性阶段，自动输入评估仅限于65例患者。年龄和性别在CVM分期之外的附加预测价值尚未证实。其性能并不能确定预测扩弓成功的能力，也不能证明替代临床指征的CBCT是合理的。在临床实施前需要进行外部验证。
### 论文解读：基于颈椎骨成熟度与人工智能的腭中缝成熟度预测模型研究
**一、研究背景与问题提出**
腭中缝（midpalatal suture, MPS）成熟度的准确评估对于确定快速上颌扩弓（rapid maxillary expansion, RME）的适宜时机和预期骨骼反应至关重要。在青春期生长高峰前治疗的患者，上颌及上颌周围结构可获得显著且更有效的长期骨骼改变；而在青春期生长突增后治疗，扩弓适应更多地转向牙槽骨水平，可能导致牙槽骨丧失、牙根吸收、牙龈退缩、复发及不必要的牙周应力等并发症。因此，准确判定MPS分期以优化治疗时机并避免侵入性操作，是现代正畸学的基本目标之一。
然而，在青少年晚期和年轻成人患者中，RME的反应难以预测。MPS成熟的个体差异限制了仅凭实足年龄推断缝分期的可靠性，强调了个体化评估的必要性。Angelieri等提出的基于CBCT的五分期分类法（A–E）虽能依据缝形态和融合的影像学证据评估成熟度，但CBCT辐射剂量较高，并非每位患者都能常规采用，这促使临床医生利用创伤更小、更为常用的影像学检查进行间接推断。
颈椎骨成熟度（cervical vertebral maturation, CVM）分析是评估个体骨骼成熟的常用方法，通过常规获取的头影测量片观察第二、三、四颈椎形态来判断青春期生长突增阶段。既往研究报道了MPS成熟度与颈椎骨成熟分期或手-腕骨龄之间存在显著关联，但结果并不一致，例如Ferrillo等发现CVM分期在其队列中不能有效预测MPS成熟度。这说明群体水平的关联并不等于个体水平的预测准确性。此外，人工CVM判读是依赖经验的、主观性强的过程，可能导致不同临床医生之间甚至同一医生不同时间的判读结果不一致，难以标准化。
近年来，人工智能（artificial intelligence, AI）在医学和口腔医学的多个环节得到日益广泛的应用，机器学习与深度学习算法能够高准确度地完成自动化影像诊断和分类。将这一技术应用于正畸影像分析，可使诊断流程更加快速、客观和一致。已有研究利用卷积神经网络（convolutional neural network, CNN）实现侧位头影测量片上的自动CVM分类，基于YOLO的检测方法也被用于自动化CVM评估。在此基础上，本研究提出了一种两阶段策略：先从侧位头影测量片中自动分类CVM，再结合实足年龄和性别预测五个MPS成熟分期。
**二、研究目的与实施内容**
本研究基于两个主要假设：（1）从头影测量片获得的CVM分期，结合实足年龄和性别等数据，可构成预测MPS分期的统计学显著模型；（2）现代深度学习算法（如YOLOv11）可用于侧位头影测量片上CVM分期的自动检测和分类。据此，研究目标为：（1）探讨CVM与MPS成熟度之间的关系；（2）开发和验证基于YOLOv11的自动CVM分类模型；（3）构建利用自动CVM分期、年龄和性别预测MPS成熟的联合诊断模型。
研究经Akdeniz大学医学科学研究伦理委员会批准（TBAEK-365），属于单中心、回顾性、横断面研究，纳入2019至2025年间寻求正畸治疗、年龄8–25岁个体的头影测量片和CBCT记录。研究分三个阶段实施：第一阶段分析CVM与MPS的关系；第二阶段进行自动CVM分类；第三阶段开发和内部验证结合临床变量的联合模型。
**三、关键技术与方法概述**
研究使用了三个数据集：Dataset 1为250例同时具有头影测量片和CBCT影像的个体，用于CVM–MPS关联分析（来自Akdeniz大学口腔、牙科和颌面放射学档案）；Dataset 2为1448张数字侧位头影测量片，用于开发和评估YOLOv11模型；Dataset 3为联合模型队列，由Dataset 1的250例和额外增加的75例患者组成，共325例，按80%/20%分层划分为训练集（n = 260）和留出内部测试集（n = 65）。CVM分期依据Baccetti等六分期法，MPS分期依据Angelieri等五分期法，由两名检查者独立判读并达成共识。关键技术包括：YOLOv11目标检测算法用于CVM区域检测与分期分类；XGBoost分类器构建联合预测模型；多变量有序逻辑回归评估CVM分期、年龄和性别与MPS分期的关联；Spearman相关和重复嵌套交叉验证用于模型评估与内部验证。
**四、研究结果**
**4.1 CVM与MPS的关系**
在250例个体中，CVM与MPS分期呈显著强正相关（r = 0.749，p < 0.001）。随CVM分期进展，MPS分期逐步向更晚期移动：CS1–CS2以A–B期为主，CS5–CS6以D–E期为主，最大的MPS分期重叠出现在CS4和CS5。按性别分层，男性CVM–MPS相关（r = 0.851）高于女性（r = 0.680），但女性样本中CS5–CS6比例更高（76.4%对61.8%），分布差异可能影响相关比较。多变量有序逻辑回归显示，CVM分期和实足年龄与MPS分期显著相关，而性别无显著相关性（男性对女性：校正OR = 0.673；95% CI: 0.364–1.244；p = 0.206）。与CS6相比，所有较低CVM分期与处于更高MPS分期的累积几率降低相关。年龄每增加一岁，处于更晚期MPS分期的累积几率增加约31%（校正OR = 1.313；95% CI: 1.155–1.491；p < 0.001）。敏感性分析支持保留分类CVM模型，但提示早期CVM分期（CS1–CS3）数据稀疏，相应比值比不应视为精确的临床效应量。
**4.2 基于AI模型的自动CVM分类**
YOLOv11模型在344张测试图像上正确检测并分类了277个参考CVM区域（80.52%），微平均精确率为84.97%（277/326），召回率为80.52%，F1分数为82.69%。训练和验证损失随训练过程持续下降并保持紧密一致，精确率、召回率、mAP@0.50和mAP@0.50–0.95均随训练进行逐步升高并在第60个周期时接近平台，最终测试集值分别为85.0%、80.5%、87.35%和60.12%。混淆矩阵分析显示，大多数错误分类发生在相邻CVM分期之间，另有35个漏检区域和17个不匹配预测。
**4.3 联合诊断模型的性能**
在65例留出测试集中，仅年龄模型的五分类准确率为41.5%；单独使用AI预测CVM分期和人工CVM分期的模型准确率分别为56.9%和60.0%；结合AI预测CVM分期、实足年龄和性别的联合模型实现了69.2%的五分类准确率（45/65；95% CI: 57.2–79.1%）、宏平均F1分数0.704、线性加权kappa 0.724和二次加权kappa 0.853，阶段内一致率为98.5%（64/65）。当MPS分期按A–C对D–E分组时，模型正确分类60/65例（92.3%；95% CI: 83.2–96.7%），敏感性85.0%，特异性95.6%。重复嵌套交叉验证中，结合人工CVM、年龄和性别的模型在325例患者中的平均五分类准确率为58.27%；单独人工CVM为58.80%；在65例子集中以AI-CVM替换而不重拟合模型时，平均准确率为55.69%（95% CI: 45.23–66.46%）。所有五次二分类错误均跨越C–D阈值，表明模型在区分A–C与D–E时仍存在不确定性。
**五、讨论总结与结论翻译**
**讨论总结：** 研究结果显示CVM与MPS具有强正相关，CVM分期和年龄是MPS分期的显著预测因素，性别未显示独立关联。YOLOv11模型在自动CVM分类中表现出一定潜力，但漏检和相邻分期错误需要关注。联合模型在留出测试集中取得69.2%的五分类准确率和92.3%的二元准确率，但交叉验证结果未显示年龄和性别相对单独CVM分期的平均五分类准确率具有增量优势。与简单启发式规则（CS1–CS3对应A–C，CS4–CS6对应D–E）相比，联合模型仅多正确预测2例，绝对差异约3.1个百分点，不构成优效证据。模型与CBCT定义类别的吻合不代表能够预测扩弓成功，也不能替代临床指征的CBCT检查。研究存在单中心设计、留出集样本量小（n = 65）、早期分期数据稀疏、自动CVM错误传导至第二阶段、概率校准未评估等局限。外部多中心验证是临床实施的前提。
**结论翻译：** 本研究证实CVM与MPS分期之间存在强正相关。在多变量有序逻辑回归模型中，CVM分期和实足年龄与MPS分期显著相关，而性别无显著相关性。研究还开发了整合自动CVM分类、实足年龄和性别的AI辅助模型。YOLOv11正确检测并分类了344个参考CVM区域中的277个（80.5%），微平均精确率、召回率和F1分数分别为85.0%、80.5%和82.7%。联合模型使用参考CVM、年龄和性别训练，并以AI预测的CVM进行应用，在65例留出测试集中达到69.2%的准确率。对325例患者的重复嵌套交叉验证显示，使用参考CVM时准确率为58.3%，在65例子集中仅在评估时替换AI-CVM则为55.7%。该联合模型仍是估算CBCT定义的MPS成熟度类别的探索性方法，完整自动流程的评估仅限65例患者。年龄和性别在CVM分期之外的附加预测价值尚未证实。与这些类别的吻合并不代表能够预测扩弓成功，模型不应替代临床指征的CBCT检查。在临床实施前，需要在代表目标临床人群的更大多中心队列中进行外部验证。
