机器学习模型用于提高德国正牙患者骨类I和III的诊断效率
Eva Paddenberg-Schubert1, Kareem Midlej2, Sebastian Krohn1
1Department of Orthodontics, University Hospital of Regensburg, University of Regensburg, 93047, Regensburg, Germany.
Scientific reports
|April 13, 2025
概括
机器学习模型使用头脑测量数据准确地将正牙患者分为骨类I和III. 使用特定变量的通用线性模型 (GLM) 实现了高精度,简化了诊断.
科学领域:
- ортодонтика和牙科人类学
- 机器学习在医学诊断中的应用
- 脑力测量分析 脑力计分析
背景情况:
- 准确的骨类诊断对于有效的正牙治疗计划至关重要.
- 解剖结构之间的相关性使精确的骨类确定变得复杂.
- 开发一级和三级骨的有效诊断工具是临床的必要性.
研究的目的:
- 开发和评估机器学习模型来分类骨类别I和III.
- 为了比较骨类和年龄/性别子组之间的脑测量变量.
- 通过使用主要组件分析 (PCA) 识别影响骨类差异的关键头脑测量变量.
主要方法:
- 对509名德国正统牙科患者治疗前侧面脑图的前性横截面研究.
- 应用多种机器学习模型 (RF,CART,KNN,LDA,SVM,GLM) 来进行分类.
- 描述性,相关性和主要组件分析 (PCA) 的头脑测量参数.
主要成果:
- 机器学习模型,特别是RF和CART,使用所有头脑测量参数,年龄和性别实现了完美的精度 (1.00).
- 通用线性模型 (GLM) 显示高精度 (0.99) 和 kappa (0.97) 仅使用SNA,SNB和ML-NSL角度.
- 年龄在骨类中显著影响了脑力测量参数;骨类III在成年人中显示出最多的 sagittal 差异.
结论:
- 机器学习,特别是GLM模型与SNA,SNB和ML-NSL,为诊断I/III类骨提供了一种简化和精确的方法.
- 该研究强调了准确测量SNA,SNB和ML-NSL对于骨分类的重要性.
- 建议在更大,多样化的群体中进一步验证,以概括发现.
