牙科网牙科网首页> 根管治疗> 专家谈根管治疗

基于全景片的影像组学模型鉴别下颌第一前磨牙单、多根管的研究

2026/9/17 　来源：牙大师

基于全景片的影像组学模型鉴别下颌第一前磨牙单、多根管的研究

本文引用格式

胡慧君, 蔡娟, 朱文卿, 邵水易. 基于全景片的影像组学模型鉴别下颌第一前磨牙单、多根管的研究[J]. 口腔医学

下颌第一前磨牙根管的形态复杂,存在多种变异,常常出现牙髓、根尖疾病。绝大多数(98%)下颌第一前磨牙是单根管,也有数据显示,14%~25%的患者可能存在多个根管。由于下颌第一前磨牙特殊的解剖学结构,为保证下颌第一前磨牙根管治疗成功率,医师必须在根管治疗术前对患者下颌第一前磨牙解剖学结构有充分的了解。

锥形束计算机断层扫描(cone-beam computed tomography,CBCT)作为一种影像学检查手段,可以提供高精度根管影像,配合Vertucci分类,可用于研究各种牙齿解剖形态。然而 CBCT的辐射剂量高于全景片,依据美国牙体牙髓病协会(The American Association of Endodontists,AAE)与美国口腔颌面放射学学会(the American Academy of Oral and Maxillofacial Radiology,AAOMR)的联合声明,在牙髓病学治疗中,医师应遵循“ALARA”(as low as reasonably achievable)的原则,即“合理可行尽量低”的原则。因此,在根管治疗过程中,常常以低辐射剂量的根尖片或全景片为主要的辅助检查手段,并非是CBCT。根尖片因其投照角度受人为因素影响,可重复性相对较低。全景片投照角度相对固定,可重复性良好,成片质量稳定。但在全景片中,多根管牙齿的颊舌面容易产生重叠,常常引起临床医生对根管形态的误判而造成根管遗漏。因此,本研究选择全景片进行研究。

为弥补上述全景片存在的不足,有学者通过测量分析全景片,并构建回归模型,对下颌第一前磨牙的根管形态进行预测。然而该研究测量繁琐,且并未对研究对象进行分组并验证建立的模型,其设计方法仍有欠缺。本研究为开发更为优秀下颌第一前磨牙的根管形态预测模型,拟通过筛选不同的机器学习方法,以开发和验证基于全景片的影像组学模型,用于区分下颌第一前磨牙的根管形态。

1 资料与方法
1.1 一般资料
收集2022年7月至2023年11月于南京医科大学附属口腔医院第二门诊部就诊的摄有CBCT与全景片影像资料的患者。本研究经南京医科大学附属口腔医院伦理委员会审核批准,编号:PJ2022-189-001。

病例纳入标准:①知情并自愿参加本研究;②摄有CBCT与全景片影像资料且下颌第一前磨牙完整患者;③全身健康状况良好,否认颞下颌关节病等病史。

排除标准:①CBCT或全景片存在伪影或明显的噪点;②患者精神状态异常无法配合摄片者;③目标牙存在缺失、龋坏、折裂等牙体缺损患者。

1.2 软硬件设施准备
本研究使用一台口腔数字化体层摄影及全景X射线机(RAYSCAN α-SM3D,SAMSUNG,韩国)进行扫描。CBCT参数如下,管电压:50~110 kV;管电流:4~17 mA;矩阵:48×2 400;截面厚度:3 mm;截面间隔:3 mm;曝光时间:14 s;扫描区域:头部。全景片具体参数如下,管电压:50~110 kV;管电流:4~17 mA;矩阵:60×518;曝光时间:14 s;扫描区域:头部。CBCT与全景片均由高年资医师拍摄完成。

ITK-SNAP软件(版本3.8.0, http://www.itksnap.org),Python软件(版本 3.5.6, http://www.python.org)

1.3 下颌第一前磨牙根管形态评估
将所有患者的CBCT影像以随机顺序提交给两名医师。根管形态定义:根据Vertucci分类分析根管系统形态,Ⅰ型为单根管,其余Ⅱ至Ⅷ型为多根管(图1)。两名医师使用ITK-SNAP软件对下颌第一前磨牙的根管形态进行评估,结果经Kappa一致性检验。若目标牙根管形态存在争议,则请经验丰富的口腔影像科医师进行评估。

图1

图1 下颌第一磨牙根管构型的Vertucci分类

Fig.1 Canal configurations of mandibular first premolars based on Vertucci’s classification

1.4 影像组学模型的建立
影像组学模型建立的工作流程如图2所示。本影像组学模型的建立分为5个阶段,即影像的感兴趣区(region of interest,ROI)的勾画,影像组学特征提取,特征筛选,建立影像组学模型,模型分析。每个流程部分的实验方法如下所述。

图2

图2 本研究工作流程图

Fig.2 Workflow of radiomic analysis in this study

1.4.1 全景片影像组学的ROI勾画
本研究所有图像均以DICOM格式存储。并通过重采样和标准化对图像和数据进行预处理(窗宽(window width):254 HU;窗位(window level):127 HU),以确保结果的可重复性。将全景片导入ITK-SNAP软件,通过连接下颌第一前磨牙的近远中牙釉质牙骨质界,并沿牙根形态边缘描记一个覆盖目标牙牙根的ROI。

1.4.2 影像组学特征提取
将勾画好ROI的全景片批量导入ITK-SNAP软件,用以提取影像组学特征,如图3所示。所有影像组学特征及其定义都来自(http://pyradiomics.readthedocs.io)。为评估所得特征数据的观察者内部的一致性,1个月后,由同一名医师按同样的流程,将所有全景片进行第2次勾画。并再次将勾画好ROI的全景片批量导入ITK-SNAP软件提取特征。两组特征数据通过组内相关系数(intra-class correlation coefficient,ICC)验证一致性。

图3

图3 下颌第一前磨牙二维感兴趣区域(ROI)

Fig.3 Region of interest (ROI) in mandibular first premolars

1.4.3 影像组学特征的筛选
ROI勾画完成后,本研究提取了几何形状类、强度类和纹理类三类影像组学特征。所有影像学特征都是通过Pyradiomics软件包(http://pyradiomics.readthedocs.io)中的内部特征分析程序提取的。将所提取的影像组学特征的所有特征值进行Z-score标准化处理。而后,将训练组数据通过方差分析(ANOVA)和U检验,删除P>0.05的影像组学特征。对剩余的影像组学特征采用Pearson法和Spearman 法检验相关性,若两个特征之间相关系数大于0.9,则只保留一个影像组学特征。再利用贪婪算法进行特征过滤,以最大限度保留有效影像组学特征,初步筛选出影像组学特征。然后利用最小绝对收缩和选择算子(least absolute shrinkage and selection operator,Lasso)回归模型并采用十折交叉验证进行降维,最终过滤筛选出用于建模的影像组学特征。本研究中Python 的scikit-learn包被用于Lasso回归建模。

1.4.4 影像组学模型构建
将上述筛选出的影像组学特征应用极度随机树(extra trees)、轻量级梯度提升机算法(LightGBM)、逻辑回归(LR)、多层感知机(MLP)、随机森林(random forest)、支持向量机(SVM)和极端梯度提升库(XGBoost)等机器学习方法来构建模型,并采用五折交叉验证。

1.4.5 影像组学模型的评估
通过受试者工作特征曲线(receiver operating characteristic curve,ROC)的曲线下面积(area under curve,AUC)、准确性,敏感性、特异性、阳性预测值(positive predictive value,PPV)、阴性预测值(negative predictive value,NPV)比较各模型的预测性能。再通过绘制决策曲线(decision curve analysis,DCA)分析以评估预测模型的临床效用,筛选出最优模型。

1.5 统计学方法
SPSS软件(版本26.0,IBM)、Python软件(版本 3.5.6; http://www.python.org)用于统计分析。结果数据处理:计数数据的比较采用卡方检验;计量数据中,若服从正态分布则采用独立样本t检验,用均数±标准差表示。不服从正态分布的计量数据则采用U检验,P<0.05为差异具有统计学意义。评估提取的影像组学特征一致性时,组内相关系数(intra-class correlation coefficients,ICC)大于0.75为可重复性良好。

2 结果
共纳入患者68例,其中男13例,女55例,共131颗下颌第一前磨牙。两名医师使用ITK-SNAP软件对下颌第一前磨牙的根管形态进行评估,结果经Kappa一致性检验,Kappa值>0.9。其中下颌第一前磨牙单根管105颗,多根管26颗。所有纳入的下颌第一前磨牙按照约8∶2的比例分为训练组(104颗)与测试组(27颗)。下颌第一前磨牙分组的临床信息如表1所示,表中性别与年龄是指下颌第一前磨牙对应的患者信息。P>0.05,则证明本研究训练组与测试组在年龄、性别和牙位方面没有显著差异。

表1 本研究下颌第一前磨牙临床基线表

Tab.1 Baseline clinical characteristics of mandibular first premolars in this cohort 颗

特征	总计	测试集	训练集	统计值	P
年龄/岁	27.26±6.37	25.65±4.51	26.93±5.98	t =-0.10	0.33
性别				χ² =0.79	0.37
女	105	20	85
男	26	7	19
牙位				χ² =0.36	0.55
34	66	15	51
44	65	12	53

特征分析:共提取了107个影像学特征,包括了一阶强度特征、几何特征和五类纹理特征。所有影像特征都是通过Pyradiomics软件包(http://pyradiomics.readthedocs.io)中的内部特征分析程序提取的。本研究ICC值均在 0.8以上,影像组学特征可重复性较好。所有影像学特征及特征分析结果如图4所示。

图4

图4 影像组学特征分布与分析

a:影像组学特征分布图;b:影像组学特征统计分析图。

Fig.4 Ratioand statistics of radiomic features

Lasso特征筛选:使用最小绝对收缩和选择算子(Lasso)逻辑回归对影像组学特征进行筛选,利用十折交叉验证选择最优的模型参数λ。Lasso模型中,最小均方误差处的λ为最优值(垂直虚线),最优λ值为0.033 9(图5a),特征系数随λ变化的曲线如图5b。图5c则显示了最终筛选出的非零特征的权重。筛选出了4个影像组学特征。分别为GLCM_Difference Variance,GLSZM_GrayLevel Non Uniformity Normalized,GLCM_InverseVariance和shape_Maximum 3D Diameter。

图5

图5 Lasso模型筛选结果

a:十折交叉验证的均方误差(MSE)变化曲线图;b:十折交叉验证的影像组学特征系数分布图;c:Lasso模型筛选出的特征权重柱状图。

Fig.5 Radiomics feature selection using the Lasso regression model

模型比较:利用筛选出的影像组学特征建立extra trees、LightGBM、LR、MLP、random forest、SVM和XGBoost模型,并从中筛选出最优模型。表2、3是用来预测下颌第一前磨牙单根管或多根管的所有模型。图6a显示了每个影像组学模型在训练组中的AUC。图6b显示了每个影像组学模型在测试组中的AUC。其中,XGBoost模型预测性能最好。XGBoost模型在训练组中和测试组中的AUC值最优,分别达到了0.962和0.770。本研究还通过决策曲线分析(DCA)评估了每个模型。影像组学特征的决策曲线分析如图7所示。与其他模型相比,无论在训练组中还是测试组中,使用XGBoost模型鉴别下颌第一前磨牙单根管或多根管效果最佳。

表2 训练组中所有模型预测效果

Tab.2 Predictive efficacy of all models in training cohort

模型	曲线下面积 AUC	95%可信区间	准确性	敏感性	特异性	阳性预测值 PPV	阴性预测值 NPV
extra trees	0.849	0.758 6~0.940 2	0.760	0.750	0.762	0.429	0.928
LightGBM	0.830	0.738 9~0.921 8	0.740	0.700	0.750	0.400	0.913
LR	0.755	0.644 0~0.865 5	0.769	0.700	0.786	0.437	0.917
MLP	0.783	0.675 6~0.891 1	0.692	0.800	0.667	0.364	0.933
random forest	0.925	0.859 2~0.991 4	0.913	0.750	0.952	0.789	0.941
SVM	0.171	0.029 0~0.313 8	0.798	0.000	0.988	0.000	0.806
XGBoost	0.962	0.913 5~1.000 0	0.962	0.800	1.000	1.000	0.955

表3 测试组中所有模型预测效果

Tab.3 Predictive efficacy of all models in test cohort

模型	曲线下面积 AUC	95%可信区间	准确性	敏感性	特异性	阳性预测值 PPV	阴性预测值 NPV
extra trees	0.675	0.418 5~0.930 7	0.593	0.667	0.571	0.308	0.857
LightGBM	0.714	0.499 0~0.929 6	0.630	0.667	0.619	0.333	0.867
LR	0.675	0.429 6~0.919 6	0.593	0.667	0.571	0.308	0.857
MLP	0.698	0.443 7~0.953 1	0.741	0.500	0.810	0.429	0.850
random forest	0.615	0.347 6~0.882 6	0.741	0.333	0.857	0.400	0.818
SVM	0.310	0.000 0~0.636 2	0.778	0.000	1.000	0.000	0.778
XGBoost	0.770	0.576 6~0.963 1	0.741	0.667	0.762	0.444	0.889

图6

图6 影像组学模型的ROC分析

a:训练组中不同影像组学模型的ROC分析;b:测试组中不同影像组学模型的ROC分析。

Fig.6 ROC analysis of different models on radiographic signature

图7

图7 影像组学模型的DCA曲线

a:训练组中不同影像组学模型的DCA曲线;b:测试组中不同影像组学模型的DCA曲线。

Fig.7 Decision curve of different models on radiographic signature

3 讨论
以往研究表明,下颌第一前磨牙一般为1~4个根管,大多数的下颌第一前磨牙为单根管,14%~25%的下颌第一前磨牙存在多个根管。全景片因投照角度相对固定,可重复性良好,成像质量稳定,常被用于口腔临床诊疗。目前,已有学者利用全景片研究判断下颌第一前磨牙的根管形态。并有学者通过测量全景片,获得下颌第一前磨牙相关数据,建立回归模型对下颌第一前磨牙根管形态进行分析预测,且取得了良好效果。该学者测量了下颌第一前磨牙的最大近远中径、牙颈部近远中径釉牙骨质界水平的近远中距离、牙冠长度、牙尖至釉牙骨质界垂直距离、垂直向根长、牙颈部近远中至根尖的垂直距离、根管影像消失位点距离根尖的长度以及根管影像消失的位点至根尖的距离等测量指标,并将这些指标进行比值运算,然后用Logistic回归分析,筛选独立影响因素,并建立回归方程。该模型AUC达到了0.851,敏感性 0.765,特异性0.846。然而该研究需要对同一颗下颌第一前磨牙进行大量的数据测量,费时费力,且现有的大部分研究对下颌第一前磨牙的根管形态分析仍停留于对影像图片的人工测量。

目前,鲜有研究将机器学习应用于下颌第一前磨牙单、多根管判断。机器学习是一项发展迅猛的先进技术,可用于诊断和鉴别各种疾病。而基于机器学习的影像组学模型就具有分析和判断影像学检查结果的能力。利用影像组学模型对下颌第一前磨牙单多根管的鉴别时,研究人员仅需按要求勾画出ROI,导入软件后,即可批量、高效地获得影像组学特征,并可利用这些影像特征对下颌第一前磨牙单多根管进行预测。相比上述研究,影像组学模型更为省时省力且高效。因此,本研究引入机器学习对全景片进行分析,通过筛选不同的机器学习方法,以开发和验证基于全景片的影像组学模型,用于区分下颌第一前磨牙的根管形态。

影像组学方法,指的是从医学影像提取大量图像特征,应用计算机辅助诊断技术来体现病变异质性,用以辅助临床医师的诊治。影像组学特征可分为几何形状、强度特征和纹理特征三类。本研究使用了包括灰度共生矩阵(GLCM)、灰度依赖矩阵(GLDM)、灰度游程矩阵(GLRLM)、灰度区域大小矩阵(GLSZM)和邻域灰度差分矩阵(NGTDM)方法用于提取纹理特征。本研究最终提取了107个影像学特征,用于后续的筛选和降维。

目前,大量研究应用Lasso进行特征筛选。它可以通过添加约束条件、构建惩罚函数压缩模型中的系数,最终非0的自变量得以保留。其中,由参数“λ”控制惩罚力度,λ越小,惩罚力度越小,就易导致过拟合,反之则会造成拟合不足。本组研究通过十折交叉验证方法,得到最佳λ值为0.033 9,筛选出了4个影像组学特征。分别为GLCM_Difference Variance,GLSZM_GrayLevel Non Uniformity Normalized,GLCM_InverseVariance和shape_Maximum 3D Diameter。Difference variance(灰度差值的方差)是GLCM特征之一,表示在GLCM中计算出的差异方差。此特征反映了图像中像素或体素对差异的方差。该特征所占权重最高,且呈正相关,说明下颌第一前磨牙的ROI中灰度差值越大,则其为多根管的可能性越高。灰度级非均匀性归一化(gray level non uniformity normalized)是GLSZM的一个特征,用于衡量灰度分布的不均匀程度,并且进行了归一化处理。逆方差(inverse variance)是GLCM特征之一,描述了灰度共生矩阵中不同灰度级的反转程度。灰度级非均匀性归一化和逆方差两个所占权重较小,但其反映了下颌第一前磨牙的ROI中灰度值变化,说明单、多根管的下颌第一前磨牙在灰度级非均匀性和灰度级反转存在差异,最大三维直径(maximum 3D diameter)是影像组学的几何形状特征之一,表示ROI的最大直径。该特征所占权重相对较高,且为负相关,说明ROI中最大三维直径越小,则下颌第一前磨牙为多根的可能性更大。本研究所有影像特征释义均来自 http://pyradiomics.readthedocs.io。

筛选出的影像组学特征还需应用各种机器学习方法以构建模型。extra trees、LightGBM、LR、MLP、random forest、SVM和XGBoost均是较为常用的机器学习方法,广泛应用于影像组学研究领域。本研究参照此类研究,应用了此类机器学习方法来构建和筛选影像组学模型。通过AUC、准确性、敏感性、特异性、PPV、NPV以及DCA曲线比较几种模型的预测效果。与其他模型相比,使用XGBoost模型鉴别下颌第一前磨牙单根管或多根管效果最佳。XGBoost模型的训练组AUC为0.962,敏感性为0.800,特异性为 1.000,阳性预测值为1.000,阴性预测值0.955;测试组 AUC 为0.770,敏感性为 0.667,特异性为 0.762,阳性预测值为0.444,阴性预测值为0.889。XGBoost模型在训练组表现优异(AUC=0.962),其特异性达1.000且阳性预测值(PPV)为1.000,说明模型对下颌第一前磨牙多根管病例的识别很可靠(无假阳性)。敏感性0.800表明对单根管的捕获能力稍弱(20%单根管被漏诊)。在测试组中XGBoost模型性能下降(AUC=0.770),其泛化能力尚可但显著低于训练组,符合机器学习常见规律。敏感性(0.667)和特异性(0.762)的平衡性较差,提示模型更倾向于保守预测(特异性>敏感性)。PPV=0.444,测试集中阳性预测可靠性低(55.6%的多根管预测为假阳性),造成该结果的原因,可能是测试集阳性样本较少或数据分布差异。本研究后续扩大病例样本做进一步研究,并优化模型。与前述类似研究相比,该研究未设立测试组进行模型验证,其训练组AUC为0.851,敏感性0.765,特异性0.846,接近本研究训练组模型。根据模型参数对比,本研究所建立的模型效能具有一定的优势。

然而,本研究纳入的下颌第一前磨牙数量仍较少,仍需扩大病例样本做进一步研究。且机器学习模型仍需扩大样本量以进一步优化。因此,笔者将进一步优化上述影像组学模型,推动机器学习及人工智能在口腔诊疗领域的应用与发展。

4 结论
结果表明,XGBoost影像组学模型具有较好的预测效果。与其他模型相比,使用XGBoost模型鉴别下颌第一前磨牙单根管或多根管效果最佳。该模型有利于鉴别下颌第一前磨牙单根管或多根管,可辅助临床医生进行根管治疗,避免根管遗漏。

参考文献
略