利用深度学习实现颈椎自动成熟分期：一种基于解剖结构的正畸骨骼成熟度评估框架

《Scientific Reports》：Automated cervical vertebral maturation staging using deep learning: an anatomically guided framework for orthodontic skeletal maturity assessment

　　

摘要

准确评估骨骼成熟度对于正畸诊断和治疗计划的制定至关重要，尤其是在生长调节干预措施依赖于青春期生长高峰的时间点时。颈椎成熟度（CVM）分析是一种利用常规侧位头影X光片进行骨骼成熟度评估的实用方法，且不会增加额外的辐射暴露。然而，传统的CVM分期方法仍存在评估者间差异的问题，尤其是在骨骼成熟过渡阶段。人工智能（AI）在提高医学影像诊断的一致性方面显示出潜力，尽管许多先前报道的自动化CVM系统依赖于相对较小的数据集或有限的注释协议。本研究旨在开发并评估一种基于解剖学引导的人工智能框架，用于自动化CVM分期。模型的开发使用了1,047张来自6至17岁患者的匿名侧位头影X光片。CVM分期由经过培训的正畸医师按照标准化共识程序，使用改进的Baccetti分类系统进行确定。在模型开发过程中，未将实际年龄和性别作为输入变量。该数据集在患者层面被划分为训练集（80%）和内部测试集（20%）。所采用的框架分为两个阶段：首先使用YOLOv8算法进行脊椎定位，然后利用Light Gradient Boosting Machine（LightGBM）进行形态学分类。模型性能通过准确率、精确度、召回率、F1分数、接收者操作特征分析（ROC曲线）以及Cohen’s kappa统计量进行评估。使用30张未见过的数据片进行了独立测试。评估者间和评估者内的可靠性表现出极佳的一致性，ICC值介于0.946至0.967之间，Cohen’s kappa值介于0.852至0.891之间。该框架在独立测试数据集上的相邻阶段准确率为96.67%，精确阶段准确率为80.00%。大部分误分类发生在相邻的成熟阶段之间，尤其是III阶段和IV阶段之间。Cohen’s kappa分析表明，自动化预测与专家共识之间存在高度一致。该框架采用基于解剖学引导的两阶段架构，并经过专家注释的训练，表现出良好的自动化CVM分期性能。尽管在研究数据集中与专家共识有较高的一致性，但由于研究设计的回顾性及独立测试样本有限，这些结果仍应被视为初步结果。在常规临床应用之前，还需要进行多中心验证和前瞻性评估。