基于深度学习的CBCT矢状面颈椎成熟度分期评估与分类方法研究

《Scientific Reports》：Deep learning framework for automated cervical vertebral maturation staging using CBCT scans

　　

摘要

自动化骨骼成熟度评估在正畸诊断和治疗计划制定中至关重要，能够指导肌功能矫治器和正颌手术等干预措施的最佳时机。本研究旨在开发并评估深度学习算法，利用锥形束计算机断层扫描（CBCT）获得的矢状面图像进行颈椎成熟度（CVM）阶段的评估和分类。样本包括美国中西部私人诊所的364例正畸患者CBCT扫描数据。CVM阶段由两名正畸医生和一名口腔颌面放射科医师进行分级。研究设计了不同的实验设置，评估了基于图像的分类、使用Segment Anything Model（SAM）进行提示引导的解剖定位、结合年龄和性别信息的统计条件约束、从预训练于骨骼成熟度数据集的教师网络进行知识蒸馏，以及三模态输入融合。由于不同设置的数据可用性存在差异，这些组成部分在不同的合格子集上分别进行评估，而非作为统一的序贯消融实验。在包含364例样本、六类别的基线设置中，ResNet34达到了66.76%的准确率。在独立的96例样本、阶段对齐的五类别知识蒸馏设置中，ResNet50取得了最高观察准确率88.54%（5折交叉验证平均值），而在阶段对齐的五类别知识蒸馏设置中使用96例配对子集时，其非蒸馏对照组的准确率为87.10%。蒸馏效果因网络架构而异，且96例子集样本量较小且类别不均衡。研究结果支持了基于深度学习的CVM分期方法在利用CBCT衍生矢状面图像方面具有可行性。但结果并不能证明解剖引导、统计条件约束和知识蒸馏能够共同提升分类性能，因为这些组成部分并未在共同队列中通过统一消融实验进行验证。在独立的五类别知识蒸馏设置中，性能变化具有骨干网络依赖性，仅ResNet50观察到轻微的数值改善。因此，研究结果应被视为初步的、经过内部验证的发现。在确立更广泛的临床适用性之前，需要更大规模、平衡且经过外部验证的队列。