使用机器学习预测III类骨性错牙合隐形矫治的治疗结果

为何这与日常笑容相关

许多成年人有下颌前突，即下牙列位于上牙列前方。纠正这一问题可以通过颌骨手术，或通过精心设计的正畸“伪装”来移动牙齿以掩盖颌骨不匹配。选择错误的路径可能浪费多年治疗时间且仍无法获得满意的咬合。此研究探索现代机器学习是否能帮助正畸医生在治疗开始前预测哪些患者仅靠伪装矫治可能取得良好效果，哪些人可能确实需要手术。

理解下颌前突问题

骨性III类错牙合是指下颌骨显著前移或相对于上颌骨位置偏前的技术术语。在许多亚洲人群中这一情况尤为常见，并可能影响外观与咀嚼功能。成年患者通常面临两种主要选择：通过手术重定位颌骨，或仅依靠牙齿移动的伪装治疗。传统上，正畸医生依赖经验和若干侧位头影X线测量值来决策。然而，即便有这些指导，部分伪装病例仍未能实现稳定且舒适的咬合。

将智能预测带入临床

为了解决这一挑战，研究者回顾了韩国100名接受伪装正畸治疗的成人病例记录。利用治疗前后侧位头影X线的详细测量，他们根据前牙覆盖关系和臼齿咬合等咬合标准将每例标注为成功或失败。随后，研究者训练了四种不同的机器学习模型——这些现代算法能从数据中学习模式——仅使用治疗前的测量数据来预测新患者是否有望通过伪装治疗取得成功。

算法发现了什么

在测试的四种方法中，一种称为XGBoost的方法显示出最稳定且准确的预测结果。尽管研究考察了87项不同测量值，但有两项尤其重要。第一项是下前牙在颌骨中的前突程度（一个水平距离，记作L1_x）。第二项是沿腭部的上颌长度（Palatal L），反映可容纳上牙的骨性空间。简单来说，当下前牙尚未过度前移且上颌前后长度不是过短时，伪装治疗更可能成功。

面向临床的简易决策树

为了将这些见解转化为临床可用的工具，团队构建了一棵决策树——一种类似流程图的模型。它表明若下前牙超出某一前移阈值，伪装治疗几乎总是失败，提示手术或其他方法更为稳妥。若下前牙在该限制以内，模型会接着检查上颌长度。当上颌足够长时，伪装被预测几乎总能成功。但若上颌较短，成功率显著下降，尤其在下前牙也接近前移边界时更为明显。研究者通过将该树应用于两位乍看相似的患者来说明，模型正确预判其中一位会获得良好咬合，而另一位不会。

对患者和临床医生的意义

这项工作表明，机器学习可以将复杂的X线测量转化为清晰、实用的正畸决策指导。对患者而言，这意味着在早期就能更诚实地讨论单靠矫正器是否可能实现期望结果，从而减少多年治疗最终失败的风险。对临床医生而言，研究强调了两项易于检查的特征——下前牙的前位以及上颌的有效前后长度——在考虑下颌前突伪装治疗时是重要的预警指标。尽管该模型基于单一临床医生的病例建立，仍需更广泛的验证，但它指向了一个未来：个性化、数据驱动的工具帮助将每位患者与真正契合其解剖结构和目标的治疗相匹配。

引用: Koh, J., Kim, Y.H., Kim, N. et al. Predicting camouflage treatment outcomes in skeletal class III malocclusion using machine learning. Sci Rep 16, 9297 (2026). https://doi.org/10.1038/s41598-026-40107-3

关键词: 下颌前突, 正畸伪装治疗, 机器学习, 治疗计划, 颌位对齐