牙周炎中的影像组学特征与颈动脉狭窄：一项两阶段自助法与多模态机器学习研究

为什么你的牙龈可能暗示心脏状况

多数人把牙科X光片视为发现龋齿或规划种植的工具。本研究表明，这些影像可能也能微弱地提示供应大脑的颈部动脉健康状况。研究者通过挖掘患牙周病者常规三维牙科扫描中的隐含模式，显示出有可能在中风发生之前很久就识别出那些更易发生危险性动脉狭窄的人群。

口腔中的隐性警示信号

牙周病（牙周炎）是一种长期慢性感染，会逐步损害支持牙齿的组织。过去十年间，许多研究将其与心肌梗死和中风联系起来，提示发炎的牙龈与病变血管可能是同一问题的不同表现。然而，临床上仍缺乏简便实用的工具来识别哪些牙周病患者正在悄然出现颈动脉狭窄——这是缺血性中风的主要原因。作者提出疑问：在牙科门诊已常用的三维锥束CT（cone beam CT）扫描中，是否存在反映这种隐秘动脉损伤的微妙结构线索。

将牙科影像转化为可测量的模式

研究团队分析了在一家大型医院治疗的279名成年人的锥束CT扫描：其中168人同时存在牙周炎和颈动脉狭窄，111人仅有牙周炎。对每位受试者，专家仔细勾画了上下颌容纳牙齿与支持骨的区域。利用影像组学——一种将医学影像转为大量数值描述符的技术——他们从每次扫描中提取了206个特征。这些特征包括诸如整体亮度等简单度量，也包括肉眼无法直接判断的形状与纹理模式，这些模式可能反映了炎症与骨重塑随时间对颌骨的改变。

教会机器识别高危患者

由于研究中动脉病变者多于健康者，研究者采用了一种名为SMOTE的数据平衡方法，为算法创建更均衡的训练集。随后他们运用了谨慎的两步统计流程来筛选206个影像组学特征。首先，反复重采样数据并结合相关性检验与收缩回归方法，丢弃冗余或弱信号。经受住这一轮筛选的特征进入第二阶段，在那里通过反复的逻辑回归运行选择最稳定的组合。最终筛选出20个关键特征——涵盖颌骨形态、强度分布与细粒度纹理——这些特征共同最好地区分了有无颈动脉狭窄的患者。

模型的表现如何

基于这20个特征，研究团队构建并比较了三种常见的机器学习模型：逻辑回归、支持向量机和随机森林。采用五折交叉验证（一种在未见数据上测试性能的方法），他们发现随机森林模型表现最佳。该模型以0.892的曲线下面积（AUC）准确地区分高风险与较低风险患者，灵敏度非常高（能检测出约96%的动脉狭窄患者），特异性为中等（能正确识别约71%无狭窄者）。额外验证表明，其概率估计与实际情况较为一致，并且在广泛的决策阈值范围内，该模型相比更简单的模型或对所有人进行血管检查的策略，能为临床带来更多净收益。

这对日常护理可能意味着什么

这些结果暗示，为牙科目的拍摄的一次颌部扫描未来或许能兼具中风风险的早期预警功能，尤其对慢性牙周病患者而言。由于锥束CT已在牙科与口腔外科诊所广泛可得，这种方法可在无需额外扫描、抽血或耗费更多时间的情况下筛查大量人群，仅将被标记为高风险的患者转诊进行血管超声或其它心血管检查。

研究现阶段的局限与展望

这项工作并不宣称牙医今天就能仅凭X光确诊动脉疾病。研究在单中心进行，部分依赖合成数据来平衡病例，尚未在其他医院或不同扫描设备上验证。尽管如此，它提供了概念验证：围绕牙齿的骨骼中的微妙模式似乎反映了供应大脑的颈动脉中的变化。若能得到确认并进一步完善，此类模型可将口腔健康更紧密地纳入整体心血管筛查，使一次看牙的机会不仅能保护我们的笑容，也能守护大脑与心脏健康。

引用: Zhang, M., Cai, J., Cao, Q. et al. Radiomic features and carotid stenosis in periodontitis a two stage bootstrap and multimodal machine learning study. Sci Rep 16, 8177 (2026). https://doi.org/10.1038/s41598-026-38463-1

关键词: 牙周炎, 颈动脉粥样硬化, 影像组学, 机器学习, 早期中风风险