用于从全景影像筛查MRI可检测颞颌关节异常的具解剖约束注意力的多模态深度学习

为什么你的下颌疼痛很重要

下颌疼痛、关节响声或张口困难看似小毛病，但这些症状组合在一起可能表明负责说话和咀嚼的微小关节——颞下颌关节（TMJ）出现问题。这些关节位于耳前方，结构出人意料地复杂。本文描述的研究探索了人工智能（AI）如何将一种常见、低成本的牙科X光检查转化为强有力的早期预警工具，帮助牙医判断谁真正需要昂贵的MRI检查以寻觅隐匿的关节损伤。

看清颌关节内部的挑战

颞下颌关节紊乱影响全球约三分之一的人群，可引起疼痛、关节卡阻和张口困难，显著影响日常生活。查看关节内部，尤其是软组织如软骨盘，最合适的方式是磁共振成像（MRI）。但MRI费用高、耗时且并非每家门诊都能提供，因此不适合作为每位有下颌症状患者的首选检查。牙医通常依赖全景X光片——它快捷且便宜，但主要显示骨骼结构，常漏检许多软组织问题。作者们提出问题：是否可以让AI从这些常规X光片中提取更多信息，尤其是将影像与诸如关节响声、张口受限等简单临床体征结合，以预测哪些患者更可能在MRI上出现可检测的颞下颌关节异常。

把常规X光和症状变成智能筛查工具

研究团队收集了1355名患者（2710个独立关节）的数据，这些患者同时接受了颞下颌关节全景X光和MRI检查。他们还记录了患者是否存在关节响声（如弹响或磨擦音）、张口困难以及在锥束CT（CBCT）上可见的骨性改变。基于这些数据，他们构建了若干深度学习模型，分析每个关节的张口与闭口配对全景图像。一个关键创新是“解剖引导注意力”系统。模型不是在整张图像上盲目搜索，而是被训练去对髁状突——下颌骨圆形端进入关节的部位——给予特别关注。热力图工具显示，在这种引导下，AI在做出判断时一致地聚焦于医学上重要的区域。

融合影像、声音与统计信息

研究者比较了不同的模型设计，从仅用影像的基础系统开始，逐步加入临床信息。当将关节响声和张口受限等体征与X光片一起纳入时，AI在平衡正常与异常关节的检测能力上有所提升。加入来自CT的骨性改变信息则带来进一步但较小的增益。他们还尝试将X光片紧密裁剪到髁状突周围。较窄的视野有助于系统更好地识别正常关节，但也更容易漏检有病变的关节，表明某些重要线索超出关节轮廓的直接范围。为充分利用这些优缺点，团队将若干模型版本组成“集成模型”，对各自预测取平均。该集成模型取得了最佳表现，曲线下面积（AUC）约为0.86，意味着它能够可靠地区分在MRI上可见问题的关节与无问题的关节。

从实验室模型到椅旁决策辅助

基于这些结果，作者提出了一个适用于日常牙科诊疗的实用工作流程。疑似TMJ问题的患者首先接受常规临床检查和全景X光，这些步骤在门诊中已很常见。AI随后会将成对的张口与闭口影像与基本临床体征一并分析，并输出关节在MRI上可见异常的概率。风险超过可调阈值的患者（例如60%）将被建议进行MRI检查，而低于该阈值的患者则可选择观察或保守治疗。测试显示，该策略在仍保持良好准确性的同时减少了对更侵入性三维CT扫描的依赖，从而为优先安排最有可能受益者接受MRI提供了一种途径。

这对患者和牙医意味着什么

对非专业读者而言，主要信息是对常见牙科X光进行更智能的解读，可能在不必让所有人都接受昂贵检查的情况下更早发现严重的颌关节问题。该AI系统并不取代MRI或牙医的判断，而是作为一种分诊工具，突出那些影像与症状共同提示关节可能存在更深层问题的患者。尽管这项研究仅在单一医院完成，且侧重于二元（有/无）判断而非疾病的详细亚型，但它展示了将基本临床体征与AI增强影像结合如何弥合门诊常规工具与专科级诊断之间的差距。如果在更多门诊得到验证，这种方法有望使TMJ护理更快速、更准确且更易获得。

引用: Jung, HJ., Ju, D., Kim, C. et al. Multimodal deep learning with anatomically constrained attention for screening MRI-detectable TMJ abnormalities from panoramic images. npj Digit. Med. 9, 189 (2026). https://doi.org/10.1038/s41746-026-02378-y

关键词: 颞下颌关节, 全景放射摄影, 人工智能, MRI筛查, 下颌疼痛