使用基于深度学习的自动化标志点识别技术对CBCT图像进行头影测量分析，在I类和II类错颌畸形中的临床准确性

《Scientific Reports》：Clinical accuracy of cephalometric analysis using deep learning–based automated landmark identification on CBCT in class I and class II malocclusions

　　

摘要

本研究旨在基于自动识别的标志点进行三维（3D）头影测量分析，评估其临床准确性，并探讨算法精度（通过平均径向误差MRE衡量）与临床有效性之间的关系。研究使用了代表不同牙齿发育阶段和错颌类型的回顾性锥形束计算机断层扫描（CBCT）数据，开发了一种结合了优化U-Net架构和高效全局注意力模块的自动标志点识别模型。将71个基于手动标注的标志点和AI生成的标志点所得到的3D头影测量结果，在75张随机选取的I/II类错颌患者的CBCT扫描中进行了比较。统计分析方法包括配对t检验/威尔科克森符号秩检验（Wilcoxon signed-rank test）、组内相关系数（ICC）和布兰德-阿尔特曼分析（Bland–Altman analysis）。分析结果显示，71个测量值中有9个（12.68%）存在统计学上的显著差异；然而，所有AI生成测量值与真实测量值之间的平均差异在临床上是可以忽略的（≤1毫米/度）。ICC分析显示整体一致性非常好，只有两个参数（PP–HF–MSP和Me–MSP；2.82%）的ICC值低于0.90。布兰德-阿尔特曼分析表明，59.15%的基于AI的头影测量结果在临床可互换性方面达到了与真实测量结果的一致性标准（一致性范围为±2.0毫米/度）。在36个线性测量参数中，所有与标志点相关的参数中MRE低于2毫米的参数均处于临床可接受范围内，而基于角度的测量参数与MRE之间没有明显的相关性。自动3D头影测量的精度取决于标志点定位误差的大小和方向向量。角度测量特别容易受到无约束方向误差的影响。因此，仅凭MRE指标不足以全面评估自动头影分析的准确性，尤其是在缺乏明确解剖轮廓的区域。因此，对于混合牙列的患者，临床适用的自动3D头影测量可能需要在某些特定标志点（如髁突和切牙根尖）进行轻微的手动调整。