分类策略能否改进自动颈椎成熟度分级？一项比较研究

为何生长高峰的时机至关重要

对于需要戴牙套或进行颌面矫正的儿童和青少年来说，在恰当时机把握身体的自然生长高峰，可以让治疗更顺利、周期更短、效果更好。牙医常通过普通头侧位X光片中的脊椎骨来估计年轻人发育的进程。但这些目测评估可能不一致，不同专家有时会得出不同结论。本研究探讨精心设计的人工智能（AI）系统能否更一致地解读这些X光片——以及应如何训练这些系统。

从颈椎读出生长信息

在制定正畸计划时，医生不仅观察牙齿，还需要判断患者剩余的生长潜力。常用的一种方法是检查侧位头片上的小颈椎（颈椎椎体）。随着儿童从早期生长进入青春期生长高峰并过渡到晚期青春期，这些椎体的形状会发生细微变化。一种常用分级系统将这种变化划为六个阶段，但相邻阶段之间的差异可能非常微小，即使经验丰富的医生也常常存在分歧。这种变异性使得标准化护理变得困难，也难以自信地把握依赖于生长高峰的治疗时机。

教计算机识别细微形态变化

研究者收集了来自一家医院的1,750张常规正畸X光片，受检者平均年龄约13岁。两名具备资格的正畸专科医生分别独立将每张影像分为六个生长阶段之一，然后共同解决任何分歧，形成可信的参考标准。计算机视觉模型首先定位并裁剪出包含三块颈椎的小区域。然后将这些裁剪图像输入深度学习系统——一种从大量实例中直接学习模式的专用AI程序——以预测生长阶段。

专家提示是有帮助还是有阻碍？

研究团队比较了两种主要的训练思路。一种是端到端学习：AI只看到裁剪后的椎体图像，直接学习预测六个生长阶段。另一种先训练AI去寻找椎体上的特定标志点——人类专家常用的沿边缘的关键位置——然后再用这些学到的知识去微调以分类生长阶段。令人惊讶的是，端到端的直接方法表现更好。它大约能够在三分之二的情况下准确识别确切的六阶段类别，且当出现错误时几乎总是落在相邻的阶段。即使在后续重训练中更彻底地调整内部层次，基于标志点的版本仍未能追上。

精细训练对更广泛临床决策的影响

在日常临床中，正畸医生常并不需要所有六个阶段，而更关心三个更宽泛的阶段：生长高峰前、在高峰期和高峰后。因此，研究者测试了直接在这三组上训练模型，或先在完整的六阶段上训练再将输出合并为三类，哪种更好。两种方法的总体准确率都接近79%。但先进行更精细的六阶段训练的模型，更关注临床医生依赖的精确椎体特征，如下缘和骨缘的凹陷。AI“关注”位置的可视化图显示，经过六阶段训练的模型在这些有意义的形态上聚焦更紧密，而直接训练三阶段的模型则把注意力更广泛地分散到较不相关的区域。

对未来牙科护理的意义

这项研究表明，AI可以从常规正畸X光片中评估生长，其错误主要局限于相邻阶段，与人类专家面临的自然不确定性相似。研究还显示，预先给计算机提供解剖学线索并不总是有益，如果这些线索与最终任务不匹配，反而可能成为制约。相比之下，即便临床上只需宽泛类别，先在更详细的生长阶段上训练也可促使模型关注与人类专家相同的特征。长期来看，这类经过细致训练的系统可帮助正畸医生更一致、透明地把握治疗时机，更好地利用每位患者的生长高峰，同时将最终决策权保留给人类。

引用: Lee, SY., Ryu, J., Kim, YH. et al. Can classification strategies improve automated cervical vertebral maturation staging? A comparative study. Sci Rep 16, 10645 (2026). https://doi.org/10.1038/s41598-026-46004-z

关键词: 骨骼成熟度, 正畸生长, 深度学习, 医学影像人工智能, 颈椎