使用面具自主监督表格式变压器进行TMD诊断
Y-H Lee1,2, J H Lee3, Q-S Auh1
1Department of Orofacial Pain and Oral Medicine, Kyung Hee University, Kyung Hee University Dental Hospital, Seoul, Korea.
Journal of dental research
|October 24, 2025
概括
一种新的深度学习模型,Gated Attention Tabular Transformer (GATT),使用结构化临床数据准确地分类关节障碍 (TMD) 亚组. 这种人工智能工具有助于在不需要成像的情况下进行标准化的TMD诊断和管理.
科学领域:
- 人工智能在医学中的应用
- 机器学习用于医疗保健
- 计算生物学和生物信息学
背景情况:
- 关节疾病 (TMD) 是影响关节 (TMJ) 和相关结构的复杂肌肉骨疾病.
- 由于症状重叠,多因素原因和临床变异性,诊断TMD具有挑战性.
- 现有的TMD诊断标准 (DC/TMD) 需要结构化数据来准确分类.
研究的目的:
- 开发和评估一种新的深度学习模型,即封闭式注意力表格变压器 (GATT),用于分类TMD子组.
- 通过使用结构化临床数据,与传统和先进的机器学习方法对比,评估GATT的表现.
- 通过可解释的人工智能方法识别有助于TMD诊断的关键临床特征.
主要方法:
- 关闭注意力表格变压器 (GATT) 的开发,这是一个深度学习模型,采用掩盖的自我监督学习和关闭注意力.
- 来自大学注册表的4644份结构化临床记录的分析,涵盖了12个核心TMD子组.
- 使用接收器操作特征 (ROC) 曲线,灵敏度,特异性以及与后勤回归,随机森林,SVM,XGBoost,TabNet,TabTransformer,AutoGluon和FT-Transformer进行性能评估.
主要成果:
- 在TMD亚组中,GATT表现出强大的诊断性能,ROC AUC值从0.815到1.000之间.
- 该模型显著优于所有比较的传统和先进的机器学习方法.
- 沙普利添加解释 (SHAP) 确定了"无疼痛打开"和"当前TMJ噪声"作为机械TMD的关键特征.
结论:
- 深度学习,特别是GATT模型,可以有效地使用仅结构化临床数据对异构的TMD子组进行分类,从而消除了对成像的需求.
- 加特提供了一个准确,可解释和可扩展的工具,以支持临床医生辅助的TMD诊断,并减少管理的变化.
- 将像GATT这样的AI工具集成到临床工作流程中,可以标准化并提高患者特异性TMD诊断和护理的效率.

