使用机器学习预测II类缺陷患者的治疗途径:对四种用于分类伪装,生长调节和外科决定的算法进行比较研究
Mukesh Kumar1, Sumit Kumar1, Malvika Agarwal1
1Department of Orthodontics and Dentofacial Orthopaedics, Teerthanker Mahaveer Dental College & Research centre, Teerthanker Mahaveer University, Moradabad, Uttar Pradesh, India.
International orthodontics
|October 4, 2025
概括
机器学习模型,特别是支持矢量机和随机森林,可以有效预测II类缺陷的治疗方法. 这些模型有助于在伪装,生长调节或手术之间做出选择,改善治疗决策.
科学领域:
- ортодонтика和牙科技术 牙科和牙科技术
- 医疗保健中的人工智能
- 生物医学数据科学 生物医学数据科学
背景情况:
- 第二类缺陷呈现复杂的治疗挑战,需要谨慎的决策.
- 目前的治疗计划包括手术,伪装或生长调节,成功率各不相同.
- 需要客观的工具来帮助临床医生选择最佳的治疗途径.
研究的目的:
- 开发和验证机器学习 (ML) 模型,用于预测II类恶性闭塞的最佳治疗方法.
- 为了比较后勤回归,决策树,随机森林和支持矢量机器模型的性能.
- 为了确定治疗决策的关键预测因子,在II类恶性闭塞.
主要方法:
- 在506名II类缺陷患者的数据集上训练了四个ML模型 (逻辑回归,决策树,随机森林,支持矢量机).
- 利用405名患者的训练组和101名患者的测试组进行模型评估.
- 通过使用AUC-PR值和McNemar测试的统计学意义来评估模型准确性.
主要成果:
- 支持矢量机 (SVM) 和随机森林 (RF) 显示出卓越的性能,特别是增长调制 (AUC-PR 1.00).
- SVM和RF实现了伪装 (0.92) 的高精度和手术 (0.82) 的中度精度.
- 后勤回归在生长调节 (0.97) 方面表现良好,但在伪装和手术 (0.66) 方面表现较差;决策树表现最低.
结论:
- SVM和RF在预测II类缺陷治疗方面非常有效,提供精度和回忆的平衡.
- 面部参数如ANB,鼻角,SNA,H角,年龄和平面角是治疗需求的重要预测因素.
- ML模型在协助临床医生客观和可靠的治疗决策方面表现有前途.
