将机器学习模型应用于侧向脑电图参数,以分类骨类I和III的阿拉伯正牙患者,而不是个性化的参数

科学领域:

• 矯正牙科 矯正牙科是一種矯正牙科.
• 头脑测量分析的分析
• 在牙科领域的机器学习.

背景情况:

• 评估松骨关系,如上关联,通常使用A点,Nasion,B点 (ANB) 角度和Wits评估.
• 最近的研究表明,特定种族的诊断值提高了准确性,但这项研究探讨了一种替代方法.

研究的目的:

• 调查机器学习 (ML) 模型在分类骨I或III类恶性闭塞的阿拉伯正牙患者中的有效性.
• 为了确定ML是否可以通过仅使用标准骨测量来实现准确的分类,绕过个性化方程.

主要方法:

• 分析了422名阿拉伯正牙患者的侧面头像图.
• 使用十倍交叉验证开发和评估五个监督的ML算法 (LDA,SVM,k-NN,随机森林,CART).
• 使用Wits评估和Sella-Nasion-B点 (S-N-B) 角度等关键参数,比较全功能模型与缩小模型.

主要成果:

• 全功能ML模型在分类骨类中达到高达97%的准确性.
• 使用Wits,S-N-B和Sella-Nasion-Gnathion (S-N-Pg) 角度的缩小型号保持了高性能 (高达91%).
• 在III类骨患者中观察到Wits和ANB之间的显著正相关性 (r=0.55,P<0.01).

结论:

• 机器学习模型在阿拉伯人群中的骨类I和III malocclusions的分类方面表现出高效率.
• 这些ML模型为个性化评估工具提供了可靠的替代方案,利用易于获得的脑力测量数据.