機械学習を用いた複数の生物学的指標に基づく骨格成熟度の予測

科学分野:

• 矯正歯科
• 放射線学
• 機械学習

背景:

• 正確な骨格成熟度の評価は、矯正治療計画と成長制御にとって非常に重要である。
• 手と手首のX線撮影などの従来の方法は時間がかかり、必ずしも実用的ではない場合がある。
• 患者ケアを最適化するためには、効率的で正確な予測モデルの開発が不可欠である。

研究 の 目的:

• 骨格成熟度を予測するための包括的な機械学習（ML）モデルを開発すること。
• 頸部椎骨形態、歯科的成熟度（DMS）、性別、年齢を統合したMLモデルの予測性能を評価すること。
• 骨格成熟度予測における異なるMLアルゴリズムの有効性を比較すること。

主な方法:

• 頭部X線規格写真、パノラマX線写真、手と手首のX線写真を用いた860人の患者のデータセットを利用した。
• DMS、性別、年齢を組み込んだ拡張モデルと比較したベースラインモデルを比較した。
• 6つのMLアルゴリズムを評価し、CatBoostが優れた性能を示し、特徴量の重要性を分析した。

主要な成果:

• DMS、性別、年齢を組み込むことで、頸部形態のみの場合と比較して予測精度が大幅に向上した。
• CatBoostモデルは、AUC 0.924、F1スコア0.752を含む高い性能指標を達成した。
• 歯科的成熟度、特に下顎第二大臼歯が骨格成熟度の強力な予測因子であることが特定された。

結論:

• 日常的に取得される矯正記録を用いた、新規かつ臨床的に実用的な骨格成熟度予測のためのMLモデルが開発された。
• 歯科的成熟度と頸部形態、年齢、性別を組み合わせることで、予測精度が向上する。
• このMLモデルは、骨格成熟度を決定するための従来の手と手首の評価に代わる、信頼性が高く効率的な選択肢を提供する。