基于机器学习的牙周再生性手术疗效预测模型构建方法

摘要: 本发明涉及牙周再生性手术疗效预测领域,特别是涉及一种基于机器学习的牙周再生性手术疗效预测模型构建方法。背景技术:1、牙周炎是一种由菌斑生物膜引起的慢性感染性疾病...
基于机器学习的牙周再生性手术疗效预测模型构建方法

本发明涉及牙周再生性手术疗效预测领域,特别是涉及一种基于机器学习的牙周再生性手术疗效预测模型构建方法。

背景技术:

1、牙周炎是一种由菌斑生物膜引起的慢性感染性疾病,可导致牙周支持组织的进行性破坏,包括牙槽骨吸收和牙周附着丧失,是成年人牙齿丧失的主要原因之一。牙周再生性手术作为一种旨在促进牙周组织再生的先进治疗手段,可有效治疗牙周炎引发的骨下袋,从而恢复牙周组织的结构与功能。自1982年nyman等人开创性地报道了引导性组织再生在临床实践中的成功应用,并首次获得牙周组织再生的组织学证据以来,牙周再生性手术领域便迎来了蓬勃发展的新时期。时至今日,该类手术已广泛融入临床实践中,成为治疗骨下袋的重要治疗手段。目前牙周再生性手术的术式日益丰富,包括但不限于gtr、植骨术、釉基质蛋白或血小板浓缩物的局部应用、微创手术以及这些技术的联合应用,为不同形态和类型的骨下袋提供了多样化的治疗选择。

2、牙周再生性手术的疗效预测是临床诊疗中的重要环节,能帮助医师开展个性化诊疗,有助于临床决策和医患沟通。既往研究已揭示多种因素可能影响牙周再生性手术的疗效,包括患者因素、骨袋特征及手术因素。然而,目前研究仅局限于影响因素分析,即通过单因素或多因素回归分析探讨各因素与疗效之间的相关性,尚未见有研究尝试构建牙周再生性手术的疗效预测模型。在目前的临床诊疗过程中,医师对再生性手术疗效的判断主要基于既往影响因素研究的结论作出经验性评估,这种方式高度依赖于医师个人的临床经验和主观判断,缺乏客观、量化的决策支持工具,不同医师之间的判断结果可能存在较大差异,难以实现真正意义上的个性化诊疗。此外,机器学习作为人工智能领域的关键技术,可通过多种算法在数据清洗、特征筛选、模型拟合等步骤辅助构建临床预测模型,然而在牙周再生领域亦未有相关研究报道。特征筛选是建立预测模型中的关键步骤,进行特征筛选可有效避免预测因子过多导致模型过拟合,避免预测因子多重共线性对模型泛化能力、稳定性和可解释性的影响,同时简化模型以提升临床可用性。常用的特征筛选方法主要包括过滤法、包装法和嵌入法,其中嵌入法结合了过滤法和包装法的优势,既保证了高效筛选又确保了筛选结果的精确度,最小绝对收缩和选择算子算法和弹性网络算法均属于嵌入法的典型代表。然而,在现有的牙周再生性手术研究中,尚未有研究将机器学习特征筛选方法应用于预测模型的构建。

3、另一方面,骨缺损的形态特征被视为影响手术疗效的重要因素。目前根尖片是术前了解骨缺损形态的主要方式,但根尖片为二维影像,难以全面反映骨下袋的三维结构特征,尤其是在颊舌侧的累及范围方面存在明显的局限性。相较于二维的根尖片,锥形束计算机断层摄影能够展现骨下袋的三维特征,特别是颊舌侧累及情况,且相对而言受投照角度和方向的影响较小。已有研究表明,通过锥形束计算机断层摄影测量的骨下袋体积与术中测量的体积无明显差异,通过锥形束计算机断层摄影测量的骨水平与术中测量值亦无明显差异,上述研究肯定了术前锥形束计算机断层摄影测量的准确度和精度。然而,术前锥形束计算机断层摄影测量所得的骨下袋三维特征是否有助于牙周再生性手术的疗效预测,目前尚无相关临床研究证据支持。

4、因此,本领域内亟需一种能够结合锥形束计算机断层摄影测量的骨下袋三维特征、基于机器学习方法构建的牙周再生性手术疗效预测模型,以弥补现有技术中缺乏客观、量化疗效预测工具的空白,为临床诊疗提供科学的决策支持。

技术实现思路

1、本发明的目的是提供一种基于机器学习的牙周再生性手术疗效预测模型构建方法,以解决上述现有技术存在的问题。

2、为实现上述目的,本发明提供了如下方案:

3、本发明提供一种基于机器学习的牙周再生性手术疗效预测模型构建方法,包括:

4、获取样本数据集,所述样本数据集包含多个病例数据,每个所述病例数据包括术前锥形束计算机断层摄影影像数据、临床参数数据以及术后疗效指标数据;

5、对所述术前锥形束计算机断层摄影影像数据进行三维测量,获取骨下袋的三维形态特征数据;

6、基于所述三维形态特征数据、所述临床参数数据以及所述术后疗效指标数据,采用机器学习算法进行特征筛选,确定与牙周再生性手术疗效相关的目标预测因子;

7、基于所述目标预测因子构建牙周再生性手术疗效预测模型。

8、优选地,对所述术前锥形束计算机断层摄影影像数据进行三维测量,获取骨下袋的三维形态特征数据,包括:

9、从所述术前锥形束计算机断层摄影影像数据中确定骨袋底位置,以所述骨袋底为基准点,分别在矢状面截图和冠状面截图进行测量;

10、获取以下至少一项三维形态特征数据:骨袋底到釉牙骨质界的距离、骨袋邻面深度、骨袋唇颊侧深度、骨袋舌腭侧深度、骨袋近远中宽度、骨袋颊舌向宽度、骨袋最大深度、骨袋三壁部分深度、骨壁数量、骨袋类型、骨袋是否近根尖、骨袋颊舌侧累及情况、骨袋是否累及根分叉病变、骨袋宽深比。

11、优选地,所述骨壁数量的确定方法包括:

12、比较骨袋邻面深度、唇颊侧深度及舌腭侧深度的大小;

13、若任意两个方向上的深度差值在1mm以内,则判定对应方向的骨顶位于同一高度;

14、若某一方向的骨袋深度小于1mm,则判定该方向不存在骨壁;

15、根据存在骨壁的方向数量确定骨壁数量。

16、优选地,所述骨袋类型的确定方法包括:

17、若所述骨壁数量为3壁或2-3壁,则判定为容纳型骨袋;

18、否则判定为非容纳型骨袋。

19、优选地,所述临床参数数据包括以下至少一类:病情特征数据、牙齿临床参数数据、手术信息数据、术后口腔清洁习惯数据、口腔副功能数据;

20、其中,所述病情特征数据包括基线年龄、性别、牙周炎分期分级;所述牙齿临床参数数据包括上/下颌信息、是否为磨牙、基线附着丧失、基线牙周探诊深度、基线松动度、基线角化龈宽度、基线牙龈表型、术后半年再生位点菌斑指数、术后半年患牙是否存在功能性动度;所述手术信息数据包括主刀年资、龈乳头保留技术种类、植骨材料种类、是否盖屏障膜、是否应用自体血小板衍生物;所述术后口腔清洁习惯数据包括是否有效刷牙和自我邻面清洁频率;所述口腔副功能数据包括是否夜磨牙和偏侧咀嚼。

21、优选地,所述采用机器学习算法进行特征筛选,包括:

22、采用最小绝对收缩和选择算子回归算法对所述三维形态特征数据和所述临床参数数据进行特征筛选,通过交叉验证确定最佳正则化系数,将回归系数不为零的预测因子作为第一筛选结果;和/或

23、采用弹性网络回归算法对所述三维形态特征数据和所述临床参数数据进行特征筛选,通过交叉验证确定最佳正则化参数和最佳l1/l2正则化比例,将回归系数不为零的预测因子作为第二筛选结果。

24、优选地,所述确定与牙周再生性手术疗效相关的目标预测因子,包括:

25、将所述第一筛选结果和所述第二筛选结果取并集;

26、将所述并集中的预测因子与既往文献支持的疗效预测因子再次取并集,作为所述目标预测因子;

27、其中,所述既往文献支持的疗效预测因子包括骨袋类型和术后半年再生位点菌斑指数。

28、优选地,基于所述目标预测因子构建牙周再生性手术疗效预测模型,包括:

29、将所述样本数据集按预设比例随机拆分为训练集和验证集;

30、采用所述训练集,以所述目标预测因子作为固定效应,以病例来源的患者个体作为随机效应,构建线性混合效应模型或广义线性混合效应模型;

31、采用所述验证集对构建的所述预测模型进行性能评估和验证。

32、优选地,所述术后疗效指标数据包括术后半年附着丧失变化量和/或牙周稳定状态;

33、当所述术后疗效指标数据为术后半年附着丧失变化量时,所述预测模型为线性混合效应模型,采用平均绝对误差和校准曲线分析评估模型性能;

34、当所述术后疗效指标数据为牙周稳定状态时,所述预测模型为广义线性混合效应模型,采用受试者工作特征曲线和决策曲线分析评估模型性能。

35、本发明还提供一种牙周再生性手术疗效预测方法,包括:

36、获取待测患者的术前锥形束计算机断层摄影影像数据和临床参数数据;

37、对所述术前锥形束计算机断层摄影影像数据进行三维测量,获取骨下袋的三维形态特征数据;

38、将所述三维形态特征数据和所述临床参数数据输入采用所述的基于机器学习的牙周再生性手术疗效预测模型构建方法构建的牙周再生性手术疗效预测模型,得到所述待测患者的术后疗效预测结果。

39、本发明相对于现有技术取得了以下有益技术效果:

40、本发明提供的一种基于机器学习的牙周再生性手术疗效预测模型构建方法,通过对术前锥形束计算机断层摄影影像进行三维测量获取骨下袋的三维形态特征数据,并结合病情特征、牙齿临床参数、手术信息、术后口腔清洁习惯和副功能等多维度临床参数,采用最小绝对收缩和选择算子回归和弹性网络回归等机器学习算法进行特征筛选,以线性混合效应模型或广义线性混合效应模型构建预测模型,首次实现了牙周再生性手术疗效的客观、量化预测。其中,锥形束计算机断层摄影三维测量方法能够全面获取骨袋底到釉牙骨质界的距离、骨袋邻面/唇颊侧/舌腭侧深度、骨袋近远中宽度、骨袋颊舌向宽度、骨壁数量、骨袋类型、骨袋是否近根尖、颊舌侧累及情况、是否累及根分叉病变等三维形态特征,克服了传统根尖片二维影像无法反映颊舌侧累及情况的缺陷;最小绝对收缩和选择算子与弹性网络相结合的特征筛选策略有效避免了预测因子过多导致的过拟合及多重共线性问题,确保了模型的泛化能力和稳定性;以患者个体作为随机效应的混合效应模型校正了同一患者多个骨袋之间的相关性,保证了统计推断的可靠性。本发明为牙间区域骨下袋再生手术治疗提供了重要的预后判断工具,为个性化临床诊疗、医患沟通和椅旁指导提供了客观、科学的决策支持,具有良好的临床应用价值和推广前景。