全景牙片上颌骨皮质指数的AI量化分析

本研究旨在提升下颌皮质指数（MCI）评估的客观性和可重复性。MCI是牙科全景片上用于初步筛查骨质疏松等骨量减少问题的一个简单指标，传统靠医生肉眼判读，主观性强、不同医生之间判断可能不一致。研究人员收集了159张全景牙片（每组C1/C2/C3各53张，分别代表皮质正常、中度吸收、重度吸收），在标准解剖边界内手动勾画右侧下颌骨皮质区域，再用专业软件（3D Slicer + PyRadiomics）提取多种影像组学特征，包括形状、基础统计（如能量、熵、方差等）、灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM）和灰度区大小矩阵（GLSZM）共五大类。为确保结果可靠，只保留了多位医生标注一致性高（组内相关系数ICC＞0.75）的特征。统计分析发现：多个基础统计特征（如能量、熵、四分位距、中位数绝对偏差等）在C1组（正常）与其他两组间差异极显著（p＜0.01），能稳定区分健康皮质与已吸收皮质；纹理特征中，GLCM的“相关性”“聚类偏斜度”、GLRLM的“灰度级方差”、GLSZM的“区域熵”等也表现出显著组间差异。但经过多重检验校正（Benjamini-Hochberg FDR法）后，所有影像组学特征均无法可靠区分C2（中度吸收）和C3（重度吸收）——说明当前方法对轻中度变化敏感，但对严重阶段的细分能力有限。总体而言，影像组学为下颌皮质评估提供了可量化的、不依赖经验的新工具，有望辅助基层医生更早、更准地识别骨质流失风险。