深度学习在头影测量定点中的精准性探究与分析OA

目的:验证卷积神经网络(CNN)架构深度学习模型在头影测量定点中的精准性,比较其与高年资正畸医师、年轻医师测量结果的一致性差异。方法:采用前瞻性诊断试验设计,选取2023年1月至2024年6月期间在本院接受正畸治疗的30例患者(年龄12~18岁,排除颌面畸形患者)为研究对象,基于PyTorch 1.8框架构建深度学习系统,采用均方误差损失函数与Adam优化器进行模型训练,评估基于深度学习的人工智能系统(观察组)、年轻医师(对照组)与经验丰富的高年资正畸医师(验证组)在头影测量(SNA角、SNB角、FMA角、SN-MP角、Y轴角、Wits值、U1-SN角、L1-MP角和N-Sn-Pg角)中的一致性。结果:观察组与验证组核心参数一致性显著优于对照组:骨性参数SNA角平均偏差0.26°(95%LOA:-1.85°~2.37°,ICC=0.98)、SNB角-0.09°(95%LOA:-2.15°~1.97°,ICC=0.97),软组织参数N-Sn-Pg角偏差-0.06°(95%LOA:-5.01°~4.89°,ICC=0.93);对照组与验证组SNA角偏差1.29°(95%LOA:-2.10°~4.68°,ICC=0.85)、N-Sn-Pg角偏差-2.66°(95%LOA:-8.97°~3.65°,ICC=0.67)。结论:基于深度学习的人工智能系统在头影测量中与高年资医师一致性较高(多数参数ICC>0.9),年轻医师由于临床经验不足、对解剖标志点的认知存在差异,与高年资医师之间存在较大测量偏差,一致性较低。人工智能系统可有效提升测量精度和标准化水平,具有一定的临床应用潜力。然而,当前样本量有限,未来需扩大样本量并优化模型对复杂病例的识别能力,以进一步提升临床适用性。