机器学习的开口咬伤分类:一个脑测量分析
Salih Abu Shahin1, Loai Abdallah2, Kareem Midlej1
1Department of Clinical Microbiology and Immunology, Gray Faculty of Medicine and Health Sciences, Tel Aviv University, Tel Aviv 6997801, Israel.
Journal of clinical medicine
|February 27, 2026
概括
机器学习准确地使用头部计数据对前部开口咬伤 (AOB) 进行分类,达到96.2%的准确率. 聚类揭示了不同的面表现型,有助于诊断和个性化的正牙治疗规划.
科学领域:
- 矯正牙科 矯正牙科是一種矯正牙科.
- 机器学习 机器学习
- 面生物学 面生物学
背景情况:
- 前部开口咬伤 (AOB) 由于复杂的垂直面生长和骨模式,提出了诊断挑战.
- 传统的脑力测量分析本身就不足以客观地诊断AOB.
- 机器学习 (ML) 提供了先进的工具,用于 ортодонтика的表型特征和诊断准确性.
研究的目的:
- 开发和评估基于ML的决策树分类器,以区分AOB与健康对照,使用头脑测量参数.
- 通过无监督聚类,探索阿拉伯人口中潜在的面表现型.
- 评估ML的潜力,作为一个决策支持工具在正牙诊断和治疗规划.
主要方法:
- 来自以色列阿拉伯人口的1056名正牙患者 (621名AOB,435名对照) 的横向头计记录的回顾性分析.
- 对五个垂直骨头度参数的评估:ML-NSL,NL-NSL,PFH/AFH,角和面部轴.
- 开发决策树分类器和应用聚合层次分类集群来进行表型探索.
主要成果:
- 决策树分类器实现了96.2%的测试准确度,具有高精度,回忆和F1得分 (~0.97).
- 下平面角 (ML-NSL) 是对分类最有影响力的特征.
- 集群确定了十个不同的面集群,包括纯粹和混合的表型,揭示了不同的垂直骨失衡.
结论:
- 应用于脑表数据的ML提供了正确的分类和前部开口咬伤缺陷的表型分层.
- 聚类分析揭示了临床相关的子组,反映了多样化的垂直骨模式.
- 可解释的ML模型显示出作为个性化正义牙科诊断和治疗规划的决策支持工具的希望.
