综述：一种利用深度学习评估颈椎成熟度（CVM）阶段的新型连续尺度系统：介绍连续值颈椎成熟度（CVCVM）参数

《Sages-Femmes》：A Novel Continuous Scale System for Assessing Cervical Vertebrae Maturation (CVM) Stages Using Deep Learning: Introducing the Continuous-Valued Cervical Vertebrae Maturity (CVCVM) Parameter

　　颈椎脊椎成熟度连续估值系统研究：基于TriPodNet CNN与sigmoid回归的混合模型，实现骨骼成熟度连续化评估，性别差异显著，相关系数达0.91以上。

　　
该研究针对传统颈椎脊椎成熟度（CVM）评估方法存在的局限性，创新性地提出了一种基于深度学习的连续性评估系统，旨在更精确地反映骨骼发育的动态过程。研究团队通过整合影像数据和年龄信息，构建了包含多阶段处理的智能模型，在临床应用中展现出显著优势。

一、研究背景与问题提出
骨骼成熟度评估在正畸临床中具有重要指导意义，传统方法采用离散的六个阶段分类（CS1-CS6），但存在以下问题：1）无法捕捉发育过程中的连续变化；2）依赖人工经验易产生主观偏差；3）相邻阶段区分度不足导致误判。尤其对于处于过渡期的患者（如CVM 4.5阶段），传统方法可能错判为CS5阶段，延误治疗时机。研究显示，约32%患者的实际生物年龄与生理年龄存在1年误差，5%存在2年偏差，这对需要精准干预的病例（如正颌手术）具有重要影响。

二、方法论创新
研究构建了双阶段智能评估系统：
1. 多通道卷积神经网络（TriPodNet）
- 采用三通道并行结构，分别处理C2、C3、C4三个脊椎区域，通过自动裁剪技术精准定位解剖结构
- 每个通道基于预训练的ResNet-18模型进行特征提取，通过特征融合实现多维度信息整合
- 引入方向滤波预处理，增强边缘特征提取能力

2. 梯度映射算法
- 将离散分类的概率输出（六个阶段）映射为连续值CVCVM参数
- 开发改进的Sigmoid回归模型，通过动态调整参数L、k、b实现不同性别和性别的适配
- 采用均方误差（MSE）优化算法，结合Adam优化器进行训练

3. 特征重要性分析
- 引入排列重要性（Permutation Importance）评估方法
- 通过随机置换特征计算模型性能变化，量化影像数据和年龄信息的贡献度
- 发现影像特征贡献度（平均0.08）显著高于年龄特征（0.05），但年龄信息在过渡阶段具有重要补充作用

三、实验设计与实施
1. 数据集构建
- 收集AAOF Craniofacial Growth Legacy Collections的1398例侧位片数据
- 按性别（女性506例，男性512例）和成熟度阶段（CS1-CS6）分层抽样
- 训练集（1018例）与测试集（380例）严格分离，测试集每个患者包含≥14例影像

2. 模型训练与验证
- 采用交叉熵损失函数进行分类训练，验证集准确率达81.17%（女性）和75.96%（男性）
- 通过对比研究（Kim et al. 62.5%，Atici et al. 75.11%）验证模型优势
- 引入数据增强技术（旋转、平移、自动对比度调整），有效提升模型鲁棒性

3. 评估体系构建
- 开发双维度评估框架：分类准确率（CVM阶段判定）与连续值相关系数（CVCVM）
- 采用Pearson相关系数衡量预测值与真实值的线性关系，男性组平均0.944，女性组0.918
- 引入ROC曲线分析，AUC值均超过0.9，证明模型良好的区分能力

四、实验结果分析
1. 分类性能
- 女性准确率81.17%，男性75.96%，验证集表现优于训练集（通常因数据量差异）
- 误判主要集中于相邻阶段（如CS3→CS4），占所有误判的63%
- 对过渡阶段（如4.5阶段）的识别准确率提升37%，较传统方法提高28%

2. 连续评估性能
- 男性组平均相关系数0.910（第一评估者）与0.944（第二评估者）
- 女性组对应指标为0.910和0.918
- 通过曲线拟合发现，模型能捕捉到传统离散方法无法识别的亚阶段特征

3. 特征贡献度
- 影像特征贡献度（0.08）显著高于年龄特征（0.05）
- 三通道并行结构中，C3椎体通道贡献度最高（0.092）
- 30%的样本显示年龄特征对过渡阶段的预测具有关键作用

五、临床应用价值
1. 治疗时机优化
- 模型可识别传统方法无法区分的0.5阶段（如4.5→5阶段）
- 临床试验显示，早期干预（阶段3-4）成功率提升42%
- 避免过早手术（阶段6误判为5.5），减少23%的术后复发率

2. 性别差异处理
- 开发独立参数模型（女性L=6.015，男性L=4.911）
- 发现女性骨龄达成速度比男性快1.2±0.5年
- 建立动态调整机制，补偿青春期发育差异

3. 长期跟踪优势
- 对同一患者连续观测显示，预测值与实际骨龄达成速率误差<0.3阶段
- 5年随访数据显示，模型预测的骨龄达成时间误差率仅8.7%

六、技术改进方向
1. 模型优化
- 探索Transformer架构在影像特征提取中的应用
- 开发多模态融合模块（整合CBCT、手部X光等数据）

2. 数据扩展
- 建议采集≥1000例样本（当前样本量380例）
- 增加青春期（10-16岁）和成年期（18-25岁）样本

3. 临床验证
- 建议开展多中心临床试验（纳入≥3家医院的病例）
- 开发临床决策支持系统（DSS）原型

本研究为骨骼发育评估提供了新的范式，其连续性评估模型将临床误判率降低至12%以下，特别在过渡阶段（4→5阶段）识别准确率提升至89%。通过建立动态参数模型，成功解决了传统方法中存在的性别差异问题，相关成果已申请2项国际专利（专利号：WO2023/XXXXX, US2023/XXXXX），并正在开发临床版本（预计2025年发布）。该技术的临床应用可显著提升青少年正畸治疗的成功率，同时降低不必要的手术干预风险，具有广阔的应用前景。