基于CBCT上颌犬齿形态测量的机器学习性别鉴定研究新突破

　　本研究利用锥形束CT（CBCT）对上颌犬齿进行形态测量分析，通过机器学习算法构建性别鉴定模型。研究团队采用10种监督学习算法，发现牙齿总长度最具预测价值，LightGBM和逻辑回归模型表现最佳（测试集AUC达0.77/0.75），为法医人类学和临床诊断提供低成本的单解剖结构解决方案。

　　

通过锥形束计算机断层扫描（Cone Beam Computed Tomography, CBCT）技术，研究人员对610例患者的上颌犬齿进行三维形态测量分析，重点检测牙齿总长度（total tooth length）、平均釉质厚度（average enamel thickness）和近远中宽度（mesiodistal width）。采用监督机器学习算法（包括决策树、梯度提升分类器、K最近邻、逻辑回归、多层感知器、随机森林分类器、支持向量机以及XGBoost、LightGBM和CatBoost等集成学习模型）构建性别预测模型，并通过10折交叉验证进行性能评估。

研究结果显示：牙齿总长度是性别区分效力最高的形态学指标。在测试集数据中，LightGBM模型获得0.77的曲线下面积（Area Under the Curve, AUC）值（95%置信区间[CI_95%]=0.65–0.89），逻辑回归模型达到0.75（CI_95%=0.62–0.86）；交叉验证中两者分别取得0.74（CI_95%=0.70–0.80）和0.75（CI_95%=0.70–0.79）的AUC值，且均表现出优异的精确度（precision）指标。

该研究证实结合CBCT形态计量学与机器学习技术，可通过单颗上颌犬齿实现高效性别鉴定。这种低成本解决方案仅依赖单一解剖结构，在法医人类学鉴定和临床应用中具有显著价值。