用于预测现代根管显微手术预后的临床影像模型：一项基于机器学习的回顾性研究

《Journal of Endodontics》：Clinical-imaging model for predicting prognosis in contemporary endodontic microsurgery: a retrospective machine learning-based study

本研究通过机器学习算法分析根尖显微手术（EMS）预后，采用SMOTE处理数据不平衡，随机森林模型表现最佳（准确率91%，AUC 0.97），并识别8项预后差预测因子，强调需外部验证。

　　

Sergio I. Tobón-Arroyave|Felipe A. Restrepo-Restrepo|Nathaly Marín-Cardona|Julieth A. Mu?oz-Vélez|Carlos Alberto Tangarife-Villa|Athanasios Fasoulas|Paula A. Villa-Machado

安蒂奥基亚大学牙科学院免疫检测与生物分析实验室，麦德林，哥伦比亚

摘要

引言

用于预测根管显微手术（EMS）结果的工具仍然有限。本研究评估了多种机器学习（ML）算法在利用患者、牙齿和手术相关变量预测EMS预后的表现。

方法

对180名患者的213颗牙齿进行了回顾性分析。临床和断层扫描数据被二值化，并使用合成少数类过采样（SMOTE）方法进行处理以解决类别不平衡问题。特征选择采用了SelectKbest、卡方检验、互信息以及集成分类器。训练和验证了多种分类器，包括逻辑回归、随机森林、支持向量机、k近邻算法、简单决策树和朴素贝叶斯算法，数据分为80%的训练集和20%的验证集，评估指标包括准确性、敏感性、特异性、精确度、F1分数以及接收者操作特征曲线下面积（AUC）。为了解释模型并评估特征重要性，应用了SHapley Additive Explanations（SHAP）技术。

结果

随机森林分类器取得了最高的预测性能（准确性：91%，敏感性：91%，特异性：85%，AUC：0.97）。确定了8个预示不良预后的关键因素：缺乏引导性组织再生技术、根尖填充（REF）质量差、使用旋转截骨术、病变大小≤6.29毫米、患者年龄>52.50岁、根尖切除（RER）质量差、RER斜面过陡以及冠部修复不佳。

结论

本研究表明，随机森林模型具有较高的内部性能，但鉴于数据集规模较小且采用了SMOTE增强方法以及单一的训练-测试分割方式，结果可能较为乐观。SHAP衍生的预测因子在临床上是合理的，但仍需通过外部验证才能得出可靠的临床结论。

部分内容摘录

引言

根尖病变的发展可能表现为肉芽肿或囊肿性病变，这是细菌侵入以及细菌代谢产物从根管系统（RCS）扩散到根尖周围环境的后果。为了促进组织再生，必须通过正压成形、清洁和三维填充根管系统来清除这些致病因子。然而，当前的流行病学研究表明，初次治疗

患者纳入和排除标准

这项回顾性随访研究遵循了《赫尔辛基宣言》中规定的伦理原则。研究方案获得了安蒂奥基亚大学伦理委员会批准（批准编号204-2024），报告符合《加强流行病学观察性研究报告》（STROBE）指南（https://www.strobe-statement.org）。样本量计算基于三位研究人员在私人牙科诊所进行的根管显微手术数量

样本组成和可靠性分析

所有根管显微手术均在手术室中使用手术显微镜和超声根尖预备技术完成，因此这些参数未纳入分析。共有26个病例因不同原因被排除，包括8例之前接受过根管显微手术的病例、8例在根管显微手术的同时进行了重新种植的病例、4例存在垂直根折的病例、2例根尖填充质量差的病例、2例拒绝参与的病例以及2例缺乏术前CBCT影像的病例。

讨论

根管显微手术是当代牙科实践的一项重要进展，它使得那些具有持续性或新发根尖病变的牙齿得以保留，而这些牙齿可能不适合传统治疗或再治疗。牙科手术显微镜、显微手术器械和生物相容性根尖填充材料的结合，使得微创手术更加可行，提高了可视化效果和精确度，从而增强了针对根尖病变的治疗能力，同时减少了并发症

生成式AI和AI辅助技术声明

Copilot和Gemini工具协助作者完成了本文的语法、排版和词汇优化工作，旨在提升语言质量、文本连贯性和整体可读性。不过，作者始终保持全面监督，根据需要审查和编辑内容，并对最终发布的文章内容负全责。

作者贡献声明

Sergio Iván Tobón-Arroyave：概念构思、项目管理、方法论设计、数据采集与整理、验证、数据分析、撰写及审阅编辑。Felipe Augusto Restrepo-Restrepo：概念构思、资源调配、方法论设计、验证、数据分析、初稿撰写。Nathaly Marín-Cardona：概念构思、方法论设计、数据采集与整理、初稿撰写。Julieth Alexandra Mu?oz-Vélez：概念构思、方法论设计、数据分析

致谢

作者声明不存在任何利益冲突。本研究得到了安蒂奥基亚大学牙科学院技术研究委员会的全力支持（代码编号2024-75331）。