阻生是指牙齿在牙槽骨内排列不当，导致其无法萌出至正常位置。这种情况在第三磨牙中更为常见，也可能发生在其他牙齿上。全景X射线片和锥形束计算机断层扫描（CBCT）等放射测量方法对于诊断和评估牙齿阻生至关重要。这些测量能够提供有关阻生牙的大小、位置、角度和方向的信息，有助于制定治疗计划和决策。可以根据选定的参数，如第三磨牙的宽度、第二磨牙远中的可用空间以及根尖到下颌下缘的距离，对牙齿未来的萌出/阻生情况进行预测。如果第三磨牙的宽度大于第二磨牙远中的可用空间，则表明阻生的可能性较高（即S/W比小于1）。由于牙弓内空间不足且根尖到下颌下缘的距离较小，第三磨牙可能无法萌出，这表明存在垂直阻生。这可能会导致拔牙或采取额外的治疗措施，以防止出现炎症、感染或对相邻牙齿造成损伤等并发症。然而，仅靠这些参数不足以准确诊断和预测牙齿阻生，还需要牙医或口腔外科医生进行全面的临床检查和放射评估。此前有一项研究使用数字全景X射线片对200名受试者进行了预测分析。该研究揭示了在下颌萌出空间测量、α角和β角方面存在显著差异，且男性的相关数值高于女性。这些测量结果为预测下颌第三磨牙的萌出或早期阻生提供了准确信息。 人工智能（AI）通过辅助疾病的诊断、预后和预测，给医学和牙科领域带来了革命性的变化。

AI已被证明能够检测冠状动脉钙化、脑微出血、糖尿病视网膜病变以及乳腺癌或皮肤癌等疾病。机器学习和深度学习技术的最新进展显著提高了预测牙齿阻生的准确性。准确的预测有助于牙科专业人员制定预防措施，降低医疗成本，并改善患者的治疗效果。传统的牙齿阻生诊断方法通常依赖于临床评估和成像技术。像逻辑回归和XGBoost这样的先进预测模型可以通过分析关键变量、识别模式，并根据历史数据提供预测结果，从而增强诊断过程。Venta等人（1997）设计了一种预测牙齿阻生的方法。他们测量了第二磨牙远中到下颌支前缘的距离。结果表明，如果下颌第二磨牙远中表面到下颌支前缘的距离小于或等于9.5毫米，阻生的概率为100%；如果该距离小于14.5毫米，阻生的概率为76%。当下颌第二磨牙远中到下颌支前缘的距离大于14.5毫米时，牙齿萌出的概率为72%；大于16.5毫米时，萌出概率为100%。 此前Mahmut Emin Celik的一项研究对来自300名患者的440张全景X射线片进行了分析，使用了基于ResNet50、AlexNet、VGG16的Faster RCNN以及YOLOv3。YOLOv3在下颌第三磨牙阻生检测中显示出最高的检测效率、召回率和精度，证明了诊断工具的可靠性和稳健性。另一项研究分析了1864张下颌第三磨牙的图像，使用Pell和Gregory以及Winter分类法对阻生模式进行了分析。应用数据增强技术后，下颌第三磨牙阻生状态的机器学习分类模型表现良好，准确率、F1分数和曲线下面积（AUC）值范围在0.7959至0.9549之间。然而，这些研究并非基于放射测量。 预测模型可以识别潜在的阻生情况，评估阻生类型，并制定治疗计划。标准化的分类系统有助于牙科专业人员之间的清晰沟通，提高患者教育水平。预测分析可以带来更高效的治疗途径，并减少治疗时间。

从下颌支边缘到第二磨牙远中面的距离

显示了第三磨牙近远中宽度的测量值

从牙根尖到下颌骨下缘的距离

AI模型的工作流程

显示此模型中使用的超参数

所有撞击类型的所有参数与分组数据的比较。

显示升力曲线-在高升力下，显示出良好的准确性和预测性

显示逻辑回归中所有影响组的混淆矩阵

显示了梯度提升模型的高精度升力曲线

显示使用梯度提升模型的所有类的混淆矩阵

将机器学习和人工智能整合到放射评估中，将进一步提升这一方法在牙科领域的重要性。由于逻辑回归和XGBoost的优势，它们是预测牙齿阻生结果的有效方法。逻辑回归具有可解释性，能够产生概率，并且对线性可分的数据处理效率高。它不易过拟合，是构建更复杂模型的基础。另一方面，XGBoost以其高预测精度和速度著称，尤其适用于处理大型数据集。它能够处理非线性关系，确定特征重要性，对过拟合具有较强的鲁棒性，并且具有良好的可扩展性。因此，我们使用这些算法来更好地解释放射测量的预测结果。

本研究提出了一种混合方法，结合正则化回归和集成方法，以增强对牙齿阻生结果的分类和预测。通过利用机器学习和统计学习技术，我们旨在为牙科从业者开发一个强大的临床决策支持系统。

方法:本研究旨在通过分析三个参数来预测下颌第三磨牙的萌出情况，这三个参数分别是：下颌第二磨牙到前缘的距离、第三磨牙的近远中宽度以及牙根根尖到下颌下缘的距离。本研究属于定量、观察性和横断面回顾性研究。下颌第二磨牙到前缘的距离决定了牙齿萌出的可用空间的重要性。牙根根尖到下颌下缘的距离涉及自然萌出力和萌出过程中的阻力。本研究旨在找出牙齿萌出与牙根根尖到下颌下缘的距离之间的相关性。我们的特征选择过程利用了集成学习算法，并结合正则化回归技术来分析各种参数。这个数据分析框架结合了多种预测建模方法，以实现最佳结果。

结果:水平阻生类型的S/W比最低（0.9267），表明第二磨牙远中的可用空间最少。这意味着未来萌出的可能性较低。回归方程利用阻生磨牙的宽度和远中空间来计算S/W比。当比值大于1.1时，表明下颌第三磨牙萌出的可能性较大；当比值低于0.8时，则表明牙齿不会萌出。算法开发过程证明了我们的混合方法在牙科健康分析中的有效性。本研究将阻生预测的准确率提高到了78%，水平类预测的精度达到了0.72，错误率为28.1%。此外，正则化逻辑回归模型在分类和预测方面达到了75%的准确率。

结论:本研究旨在通过预测下颌磨牙的萌出行为来推动牙科研究的发展，使牙科从业者能够制定更精确的治疗计划。本研究确定了建立空间/宽度比的最重要参数：第二磨牙到下颌支前缘的距离以及第三磨牙的近远中宽度。提高数据质量、优化特征选择并使用先进的建模技术对于提升预测能力至关重要。研究结果有助于从业者优化治疗方案，并减少潜在的并发症。

原始出处：

Asok, Mathew;  Pradeep K, Yadalam;  Ahmed, Radeideh;A hybrid approach to predicting and classifying dental impaction: integrating regularized regression and XG boost methods.Front Oral Health 2025;6(0):1524206

Tags： Front Oral Health：牙齿阻生预测新突破！AI 模型结合放射测量参数，准确率提升至 78%