基于深度学习的自动标志点识别在CBCT头影测量中的临床准确性：I类与II类错牙合的比较

更智能的扫描为何对笑容重要

当正畸医生制定牙套或颌面手术方案时，他们依赖于对骨骼、牙齿和面部轮廓的精确测量。传统上，专家在类似X光的影像上手工描点，这既耗时又容易出现人为差异。本研究提出了一个简单但影响现实的问题：人工智能系统能否在现代三维扫描中准确接手这项测量工作？如果可以，牙医在制定治疗方案时应以多大的信任度依赖其输出？

从平面影像到三维头部地图

几十年来，正畸医生使用平面二维影像来测量颌位与牙齿角度。这类影像将三维头部压缩到单一平面，可能掩盖细微问题并扭曲距离关系。锥束计算机断层扫描（CBCT）现在可以让临床医生以三维视角查看面部与颌骨，但在三维空间中仔细标注几十个关键点既费时又需要大量培训。由深度学习驱动的自动化系统承诺能将这些称为“标志点”的位置定位到亚毫米量级，从而节省时间并规范化诊疗。

让AI测量工具接受考验

研究团队基于一款已经用近500例CBCT扫描训练过的先进深度学习模型展开工作。该算法被设计用于在三维中识别40个重要的骨性、牙性和软组织标志点。本研究中，作者从患有常见咬合类型的患者中挑选出75例新的CBCT扫描，这些患者属于颅面I类和II类错牙合。经验丰富的正畸医生在这些扫描上手动标注标志点；他们的标注作为“金标准”。随后AI分析了相同的扫描，自定义软件平台将两组标志点转换为71项实用测量值——距离、角度和比值——这些正是正畸医生在诊断与治疗计划中实际使用的指标。

临床上多接近才够？

为评估AI的表现，研究者使用若干统计工具将其测量结果与专家标注进行比较。他们考察了对应标志点之间的平均距离（称为平均径向误差），以及AI落在专家标注2毫米范围内的频率。整体而言，AI标志点平均距离专家点约1.7毫米，且超过60%的点落在最严格的2毫米窗内。当这些标志点被换算为实际临床测量值时，71项指标中仅有9项显示出统计学显著差异——而这些差异都很微小，低于1毫米或1度，处于正畸医生通常认为在临床上可忽略的范围内。

机器人尺子仍然难以取代的地方

当超出简单平均值分析时，情况变得更复杂。使用既评估典型差异又评估差异分布的方法，研究团队发现近60%的AI测量结果稳居临床可接受的±2毫米或±2度区间内。线性距离测量——例如颌段长度——在基础标志点定位优于2毫米时尤其可靠。然而，角度测量对小位移的方向性误差非常敏感。对于某些解剖边界模糊的标志点，例如颌骨后角（下颌角）或正在发育的切牙根尖，AI的方向性误差即便在平均距离误差看似可接受时也可能显著影响角度测量。

人与算法的协作

对患者与临床医生而言，关键结论是：设计良好的AI已经可以承担三维正畸测量的大部分繁重工作，在大多数临床重要的距离测量以及许多角度测量上给出与专家相近的结果。与此同时，研究表明单一的平均标志点误差分数不足以保证测量可靠性，尤其是对角度测量和解剖可变性或边界模糊的区域。作者的结论是：自动化的三维头影测量已准备好作为常规护理中的有力助手投入使用——但需要人机协同。对少数敏感标志点做简短的手动检查与微调，可以将系统转变为可靠的合作伙伴，帮助正畸医生在减少枯燥测量时间的同时，制定更安全、更精确的治疗方案。

引用: Jiang, Y., AL-Mohana, R.A.A.M., Jiang, C. et al. Clinical accuracy of cephalometric analysis using deep learning–based automated landmark identification on CBCT in class I and class II malocclusions. Sci Rep 16, 10283 (2026). https://doi.org/10.1038/s41598-026-41408-3

关键词: 正畸影像学, 三维牙科扫描, 人工智能, 自动测量, CBCT