综述：人工智能在骨骼III类错颌畸形治疗预测中的应用：一项系统评价

《International Journal of Oral and Maxillofacial Surgery》：Artificial intelligence in treatment prediction for skeletal Class III malocclusion: A systematic review

本研究系统综述评估AI模型在骨骼III类错颌患者手术预测中的性能，发现随机森林和XGBoost等机器学习算法表现优异，常用预测因素包括Wits评估、ANB角及面部凸度比（Mx/Md）等。

　　

R. Hasbi|A. Brotons|M. Le Gall|D. Dorison-Bachet|R. Urena|C. Philip-Alliez

法国马赛大学牙医学院正畸学系

摘要

对于骨骼III类患者，治疗选择范围从正畸治疗到正颌手术。选择最佳方法需要进行全面的临床评估，这一过程可以借助人工智能（AI）工具来辅助。本研究的目的是评估AI模型在预测是否需要正颌手术以及识别影响治疗决策的因素方面的表现。通过PRISMA指南指导的电子数据库检索（PubMed、Web of Science；2009–2024年；英文/法文），筛选出使用机器学习（ML）或深度学习（DL）处理头影测量数据和临床数据的相关研究。经过筛选和评估后，共纳入15项研究进行详细分析。模型性能通过准确性、敏感性、特异性和曲线下面积（AUC）来评估。机器学习算法（尤其是随机森林和XGBoost）以及基于ResNet的卷积神经网络（CNN）在预测手术需求方面表现出较高准确性。常用的预测因子包括Wits评分、ANB角、上下颌比率（Mx/Md）、前突程度和下颌角偏移度。AI方法在辅助III类错颌治疗决策方面具有潜力，其中随机森林和XGBoost在表格化头影测量数据上表现良好，而CNN在影像数据上表现优异。为了提高可靠性、减少偏差并支持临床应用，还需要更大规模的多中心数据集和外部验证。

章节摘录

信息来源和检索策略

本系统评价遵循了系统评价和荟萃分析的优先报告项目（PRISMA）指南（www.prisma-statement.org）。研究目的是回答以下PICO问题（人群、干预措施、比较对象和结果）：“哪些AI模型最能准确识别III类患者是否需要正颌手术的预测指标？”检索工作于2024年7月3日进行，使用了PubMed和Web of Science电子数据库。

研究特征

从15篇纳入的研究中提取的数据被整理成Excel表格（微软公司，美国华盛顿州雷德蒙德）：作者姓名、发表年份、研究来源国家、研究目的、算法类型、研究对象（包括年龄）、用于验证和测试的患者数量/影像资料、所进行的比较、性能指标、特征变量、目标及结果。研究详细信息见补充材料。

讨论

人工智能（AI）是利用技术和计算机模拟类似人类的智能行为和批判性思维的领域。这项技术使得医学的4P模型（预测性、预防性、个性化、参与性）得以实现，从而提升了患者的自主性，这在以前是不可能的²⁰。AI分为“训练”和“测试”两个阶段，模型参数由训练数据确定。

伦理批准

无需伦理批准。

患者同意

无需患者同意。

试验注册

本综述已在PROSPERO平台注册（CRD420260628081）。

资金来源

无资金支持。

利益冲突

无利益冲突。