机器学习辅助的通过三维面相判别骨性畸形分类的初步研究

作者：毛渤淳; 田雅婧; 肖宇嘉; 周彦恒; 李晶^*

来源：中华口腔正畸学杂志, 2023, 30(04).

• 机器学习
• 骨性畸形
• 三维面相
• 三维可变模型
• 正畸

目的尝试通过三种机器学习方法对三维面相进行矢状向及垂直向骨性畸形判别, 对比其准确性并筛选面部软组织判别指标。方法本研究为回顾性研究。研究纳入292例正畸治疗前拍摄三维面相和头颅侧位X线片的成年患者。应用三维可变模型对三维面相数据进行面部软组织特征点标定并获得坐标, 将特征点的常见几何特征和人口学特征作为待选特征, 采用随机森林、自适应提升算法、多层人工神经网络对矢状向及垂直向骨性畸形进行判别, 并以同一位经验丰富的正畸医师使用头影测量软件获得的结果作为金标准进行准确性比较, 通过绘制受试者操作特征曲线和计算曲线下面积对各模型进行评价。计算各特征的基尼重要性, 筛选出最有意义的面部软组织特征。结果对于矢状向骨型分类, 多层人工神经网络的曲线下面积最大(骨性Ⅱ类0.92, 骨性Ⅲ类0.97);对于垂直向骨型分类, 随机森林的曲线下面积最大(低角0.84, 高角0.88)。三种算法对矢状向骨性畸形的判别精度(骨性Ⅱ类:随机森林90.0%, 自适应提升算法85.7%, 多层人工神经网络95.0%;骨性Ⅲ类:随机森林84.6%, 自适应提升算法92.3%, 多层人工神经网络93.3%)均优于对垂直向骨性畸形的判别精度(低角:随机森林68.2%, 自适应提升算法72.0%, 多层人工神经网络76.9%;高角:随机森林76.2%, 自适应提升算法77.8%, 多层人工神经网络69.6%)。特征筛选结果发现"眉间点-颏前点-鼻中隔下点的角度"、"双侧太阳穴点连线中点-双侧口角点连线中点-颏前点的角度"对骨性Ⅱ类及高角的判别而言较有意义。结论机器学习方法可以在一定程度上对三维面相进行矢状向及垂直向骨性畸形的判别。

• 单位
  北京大学