在德国患者中用于诊断骨类I和II的等级集群分析和机器学习模型
Eva Paddenberg-Schubert1, Kareem Midlej2, Sebastian Krohn1
1Department of Orthodontics, University Hospital of Regensburg, University of Regensburg, Regensburg, 93047, Germany.
BMC oral health
|May 15, 2025
概括
这项研究开发了一种机器学习模型,使用最小的脑力测量数据将德国正牙患者分类为骨类I或II. K-近邻模型仅用三个参数就实现了高精度,有助于个性化治疗.
科学领域:
- 牙科和正牙科 牙科和正牙科
- 医疗保健中的人工智能
- 机器学习应用 机器学习应用
背景情况:
- 人工智能 (AI) 在牙科和正牙科中越来越重要,用于精确的患者诊断和治疗.
- 人工智能提高了牙科护理的效率和准确性.
- 本研究的重点是使用头计参数将德国正义牙科患者分类为骨类I或II.
研究的目的:
- 开发一种机器学习模型,用于将德国正统牙科患者分类为骨类I或II.
- 为了确定足以准确分类的最小脑度参数.
- 进行聚类分析,以了解骨架类内的变化.
主要方法:
- 利用了556名德国正统牙科患者的头测量数据,并使用个性化ANB进行分类.
- 采用了以欧几里德距离和沃德最小方差方法的等级聚类分析.
- 评估了六种机器学习模型 (RF,KNN,SVM,LDA,CART,GLM) 的诊断准确性,可靠性,灵敏性和特异性.
主要成果:
- 集群分析显示了集群之间脑表参数的显著差异,包括NL-ML角度,SNB和Wits评估.
- 归类和回归树 (CART) 模型使用所有脑力测量和人口统计变量实现了100%的准确性.
- K-最近邻居 (KNN) 模型仅用三个输入参数:ANB,Wits和SNB,表现出高性能.
结论:
- 使用三个关键变量,KNN模型为分类骨类I和II提供了足够的准确性.
- 这种方法支持高效和个性化的正牙诊断和治疗规划.
- 建议在未来的研究中使用平衡样本大小进行进一步的验证.


