颅面生长、建模与里程碑估计

《The Anatomical Record》：Craniofacial growth, modeling, and estimation of milestones

　　

理解颅面生长是研究种内和种间变异、进化及临床护理的基础。颅面生长联盟研究（Craniofacial Growth Consortium Study, CGCS）结合了来自历史生长研究的头颅侧位片（cephalograph），创建了从6岁到22岁年龄段的密集纵向生长记录。最初由六项历史研究组成，现新增两个数据集（Burlington生长研究和ADA Forsyth研究），纳入CGCS后样本量增加至2,100名个体（男性1,056名，女性1,044名；每位个体中位头颅侧位片数为9张）。从每张头颅侧位片中采集了16个头颅测量标志点（cephalometric landmark）和48个半标志点（semilandmark）的坐标数据。头颅测量点由三位评估员独立采集。使用先前为每个标志点建立的误差范围（error envelope）来比较三次评估。如果某个标志点的两个或更多坐标存在显著差异，评估员可选择重新描记；若可接受，则取每个点的平均值。从坐标中计算得出总共32个测量值。采用多级双逻辑方程（multilevel double logistic equation）来估计生长轨迹，并按性别分别拟合每个特征。该模型成功识别了除一个特征（女性N-ANS）外所有特征的生长里程碑（如峰值生长速度年龄）。结果表明，对于大多数描述颅面的特征，里程碑估计和生长曲线的整体形状具有相似性。一小部分量级较小的测量值显示出较早的峰值生长速度年龄估计和较小的峰值生长速度（peak growth velocity, PGV）。六个神经颅（neurocranial）特征被表征为渐近曲线（asymptotic curve），里程碑估计困难。

颅面生长是理解种内和种间变异、进化及临床护理的基础。此前，颅面生长联盟研究（Craniofacial Growth Consortium Study, CGCS）已整合了六项历史生长研究的头颅侧位片（cephalograph）数据，但样本量有限，且对神经颅（neurocranial）等区域的生长里程碑（growth milestone）估计存在困难。为扩大数据覆盖范围、验证新增研究的一致性，并扩展对更多颅面测量特征的分析，研究人员开展了本研究。研究将Burlington生长研究和ADA Forsyth研究的数据纳入CGCS，构建了包含8项历史研究、共2,100名个体（男性1,056名，女性1,044名；每位个体中位头颅侧位片数为9张）的纵向数据集。研究人员从每张头颅侧位片中采集16个头颅测量标志点（cephalometric landmark）和48个半标志点（semilandmark）的坐标，由三位评估员独立采集并经过误差校正后取平均值，计算了32个线性或弧长测量值。采用贝叶斯双逻辑方程（Bayesian double logistic model）按性别分别拟合每个特征的生长轨迹，识别峰值生长速度（peak growth velocity, PGV）和生长停止年龄（age at cessation, aCess）等里程碑。研究发现，新增的Burlington和Forsyth研究与其他研究一致，没有系统性偏差，可合并分析；模型成功识别了大多数颅面特征的生长里程碑，但女性N-ANS及部分小量级特征和神经颅特征存在估计困难。论文发表在《The Anatomical Record》。

主要技术方法包括：样本队列来自CGCS的8项历史研究，涵盖北美地区（Bolton-Brush、Burlington、Denver、Fels、Forsyth、Iowa、Michigan、Oregon），共2,100名个体（男性1,056名，女性1,044名）。从每张头颅侧位片中采集16个标志点（如sella、nasion、basion等）和48个半标志点（沿神经颅轮廓）的二维坐标，由三位评估员独立数字化，采用误差范围（error envelope）比较并取平均值。计算32个测量值（包括线性距离和弧长）。使用贝叶斯双逻辑方程（double logistic model）按性别分别拟合每个特征的生长轨迹，从400个等距点（4–25岁）计算一阶导数，以识别峰值生长速度（PGV）年龄、峰值速度、生长停止年龄（达到渐近线98%时的年龄）等里程碑。

研究结果如下：

**3.1 Burlington and Forsyth studies**：通过比较各研究起源的里程碑估计（峰值生长速度年龄、峰值速度、生长停止年龄），发现新增的Burlington和Forsyth研究与其他六项研究一致，没有系统性偏差，因此可将所有数据合并到CGCS数据集中。合并后，先前报告的12个特征的群体参数估计值未发生实质性改变。

**3.2 Childhood and adolescent growth spurts**：人类颅面生长通常表现出两个生长突增期（童年期和青春期）。CGCS数据虽未覆盖最早童年期，但多数特征在早期记录（约2岁）显示出减速的童年期生长率，且青春期峰值速度通常低于童年期早期速度。

**3.2.1 Growth milestones**：对26个非神经颅特征（面部和颅底），成功估计了峰值生长速度年龄（aPGV）。女性中位aPGV为11.42岁（均值10.88岁），男性中位为13.71岁（均值13.53岁）。女性中N-ANS模型未收敛，无法估计aPGV；另有4个女性特征和1个男性特征aPGV较早（小于10岁），这些特征量级较小（PGV时小于40 mm），生长速度缓慢。峰值生长速度（PGV）女性范围为0.68–2.67 mm/年（中位1.45 mm/年），男性为0.79–3.6 mm/年（中位1.7 mm/年）。生长停止年龄（aCess）女性范围为13.0–21.9岁（中位15.4岁），男性为16.5–23.1岁（中位19.3岁）。大多数特征在aPGV时已完成90%的生长。男女差异显著：男性aPGV平均晚2.8年，aCess平均晚4.1年，男性速度平均高0.4 mm/年。

**3.2.2 Neurocranial growth**：六个神经颅特征（包括basion–vertex、sella–vertex、glabella–opisthocranion、nasion–opisthocranion等弦长，以及两个弧长）的样本量较小（约668名女性、661名男性），因部分研究未拍摄头颅顶部。这些特征在4–5岁后生长率迅速减速，呈渐近曲线，缺乏明显的青春期峰值速度，因此难以估计aPGV，但可估计aCess（见表5、6）。

讨论部分总结：标志点变异性（如ANS长度、glabella受额窦影响等）可能影响生长曲线解释。寻找完美生长模型时，需确保样本年龄范围覆盖关键过渡期，避免因年龄分布偏倚导致结论错误。生长突增方面，CGCS数据支持多数颅面特征存在青春期突增，与Buschang等（2013）的部分结论不同，因其年龄范围（10–15岁）过窄且包含角度测量。年龄范围的重要性：准确估计里程碑需数据覆盖更广的年龄范围，CGCS设计（6–22岁）有效捕捉了青春期突增，但生长停止估计误差较大。头颅测量与其他模态比较：传统头颅侧位片需校正放大率，但离中线的结构（如下颌骨）存在投影误差，锥形束CT（CBCT）可提供更精确的测量，但里程碑时间可能受影响较小。局限性包括：部分研究年龄范围有限（如Forsyth至16岁），神经颅特征样本较少；模型对少量小量级特征和神经颅特征拟合困难。群体同质性与推广性：CGCS主要由白人组成，缺少种族多样性，其推广性未知。

研究结论翻译：颅面生长联盟研究已扩展至包含来自北美八项最大历史生长研究档案的头颅侧位片。两个新研究（Burlington生长研究和ADA Forsyth研究所）的颅面生长模型与我们先前对原始六项研究中12个特征生长里程碑的检验结果一致。对额外24个颅面测量特征的分析提供了面部、颅底和神经颅测量关键里程碑时间点的详细观察，并确认了将所有研究数据合并为一个数据集进行分析的决策。群体水平分析显示，大多数测量特征的峰值生长速度时间和峰值时完成生长百分比具有高度一致性，但存在一些例外。如预期，所有里程碑在男性和女性之间存在明显差异，并讨论了这些差异对研究的影响。