使用正面视图照片进行全面面部软组织标志点检测与分析的可靠性

《Journal of the World Federation of Orthodontists》：Reliability of Comprehensive Facial Soft Tissue Landmark Detection and Analysis Using Frontal View Photographs

　　面部软组织分析中标准化中线的可靠性评估及方法研究。通过50例伊朗患者的标准正脸照片，标注37个软组织landmark，比较5种对称中线，发现垂直于视神经交叉线且通过鼻梁的第五种中线（Glabella）最可靠。分析显示鼻翼宽度/内眦间距、颧弓宽度/面部宽度等指标可靠性较低，且Gonion（颧下颌角）、Malar Eminence（颧隆凸）等landmark的观察者间变异较大。研究提出基于Python的自动化计算框架，验证了ICC（0.88-1.00）和MAD（0.047-1.288mm）的可靠性标准，为AI辅助的3D/2D面部分析提供基准数据。

　　面部软组织分析在正畸学、颌面外科手术和法医人类学等领域中扮演着至关重要的角色。随着技术的发展，尤其是摄影技术的广泛应用，这种分析方法在临床实践中的重要性日益增加。然而，由于2D图像在测量时存在一定的局限性，例如因图像质量、拍摄角度和观察者主观判断而产生的误差，如何提高软组织标志点识别的准确性和分析结果的可靠性成为研究的重点。

本研究旨在确定一个标准化的中线，以评估正视图照片中对称性分析的可靠性，并进一步评估不同观察者之间以及同一观察者在不同时间点对软组织标志点识别和分析的一致性。通过这一研究，不仅可以为临床提供更准确的测量依据，还能为人工智能模型的训练和测试提供可靠的数据支持。此外，研究还揭示了某些特定的分析指标在2D图像中可能存在的不稳定性，这对未来研究具有重要的参考价值。

### 标志点的识别与分析

研究团队对50张伊朗患者的正视图照片进行了分析，这些照片均来自接受正畸治疗的个体，年龄范围为9至40岁。每张照片上标注了37个标准化的软组织标志点，共计73种不同的分析方法。这些标志点的定义基于同行评审文献和标准参考书籍，确保了其科学性和实用性。研究中使用的标志点包括：发际线中点（Trichion）、眉间点（Glabella）、颞部最高点（Frontotemporale）、鼻根点（Nasion）、外眦点（Exocanthion）、内眦点（Endocanthion）、瞳孔中点（Pupillary）、颧骨最高点（Malar Eminence）、颧骨最外侧点（Zygion）、鼻尖点（Pronasale）、鼻翼最外侧点（Alare）、鼻唇交界点（Subnasale）、上唇中点（Labiale superius）、 cupid's peak（上唇最高点）、上唇中线（Stomion Superius）、下唇中线（Stomion Inferius）、上唇与下唇交界点（Stomion）、唇角点（Cheilion）、下唇中点（Labrale inferius）、唇下点（Sublabiale）、颏部点（Menton）和下颌角点（Gonion）等。

在这些标志点中，研究发现某些点的识别可靠性较低，尤其是下颌角点（Gonion）、颧骨最高点（Malar Eminence）、颞部最高点（Frontotemporale）和鼻翼最外侧点（Zygion）等。这些标志点在不同观察者之间和同一观察者在不同时间点的识别存在较大差异，因此其用于分析的可靠性也相应降低。例如，Bizygomatic width（双颧骨宽度）与Facial width（面部宽度）的比值、Nasal bridge width（鼻梁宽度）与Endocanthions’ distance（内眦间距）的比值，以及下颌角点（Gonion）、鼻尖点（Nasion）和颧骨最外侧点（Zygion）的水平对称性分析，都显示出较低的可靠性。这表明，在2D图像中，某些基于三维定义的指标可能因投影误差而失去其准确性。

### 标志点的识别可靠性

为了提高标志点识别的可靠性，研究团队采用了一种半自动化的分析框架。首先，两名牙医对所有照片进行了两次标注，间隔两周以评估观察者之间的可靠性。然后，使用Python编写了一个自动化程序，基于标志点的坐标计算各项分析。此外，研究团队还通过两次会议对标注者进行了培训和讨论，以统一标志点的定义和位置。这些措施有助于减少主观误差，提高数据的一致性。

在评估观察者之间的可靠性时，研究使用了Intraclass Correlation Coefficient（ICC）和Mean Absolute Deviation（MAD）指标。结果显示，标志点的ICC值在0.884至1之间，其中下颌角点（Gonion）的ICC值最低，为0.906（0.708–0.960），属于“良好”范围。在某些情况下，标志点的ICC值较低，表明不同观察者之间的识别存在一定的不一致性。对于同一观察者在不同时间点的标注，研究发现其MAD值大多低于2毫米，表明其识别的稳定性较高。然而，某些标志点如下颌角点（Gonion）、颧骨最高点（Malar Eminence）和颞部最高点（Frontotemporale）在不同时间点的标注存在较大的差异，这可能影响其用于分析的可靠性。

### 对称性分析与中线选择

对称性分析是面部软组织评估的重要组成部分。研究团队比较了五种不同的面部中线，以确定最可靠的中线。这些中线包括：从鼻根点（Nasion）到下唇点（Subnasale）的连线、从鼻尖点（Glabella）到下唇点（Subnasale）的连线、从瞳孔连线的垂直平分线、从瞳孔连线的垂直线穿过内眦连线、以及从瞳孔连线的垂直线穿过眉间点（Glabella）。研究发现，从瞳孔连线的垂直线穿过眉间点（Midline 5）和从瞳孔连线的垂直平分线（Midline 3）显示出最高的可靠性，其Symmetric Mean Absolute Percentage Error（SMAPE）值最低，分别为0.322和0.377。这表明，这两条中线在对称性分析中更为稳定和可靠。

然而，其他中线的SMAPE值较高，表明它们在对称性评估中存在较大的误差。因此，研究建议在进行对称性分析时优先选择Midline 5和Midline 3。此外，研究还发现，某些对称性分析指标（如鼻尖点的水平对称性、颞部最高点的水平对称性、眉间点的垂直对称性等）的MAD值较高，这可能与这些标志点的识别误差有关。因此，在实际应用中，应特别注意这些指标的可靠性，并在必要时进行多次测量以提高准确性。

### 分析的可靠性与误差

研究团队对所有分析指标进行了可靠性评估，结果显示，不同类型的分析指标在观察者之间和同一观察者在不同时间点的可靠性存在差异。在直线分析中，观察者之间的MAD值范围为0.047毫米至1.186毫米，而同一观察者之间的MAD值则为0.057毫米至0.839毫米。在角度分析中，观察者之间的MAD值范围为0.200度至1.288度，而同一观察者之间的MAD值则为0.185度至0.836度。在比例分析中，观察者之间的MAD值和MAD%均较低，表明这些指标在不同观察者之间和同一观察者之间的可靠性较高。

尽管某些分析指标的ICC值较低，但其MAD值和MAD%仍处于可接受的范围内。例如，鼻梁宽度与内眦间距的比值，尽管ICC值较低，但其MAD值和MAD%均低于0.03%和6.5%。这表明，即使某些分析指标的可靠性较低，只要其误差范围在可接受范围内，仍可用于临床实践。然而，对于那些ICC值较低的指标，如鼻梁宽度与内眦间距的比值、双颧骨宽度与面部宽度的比值，以及某些对称性分析指标，仍需进一步优化，以提高其在2D图像中的可靠性。

### 对临床和未来研究的意义

本研究的结果对临床实践和未来研究具有重要的指导意义。首先，它提供了一个标准化的中线选择方案，有助于提高对称性分析的可靠性。其次，它揭示了某些标志点和分析指标在2D图像中的不稳定性，提醒临床医生在使用这些指标时需谨慎，并考虑多次测量或结合其他方法（如3D影像）以提高准确性。此外，研究还强调了人工智能在面部软组织分析中的应用潜力。传统的标志点识别方法容易受到光照条件、拍摄角度和遮挡等因素的影响，而基于深度学习的算法能够有效克服这些局限，提高分析的自动化水平和准确性。

因此，本研究不仅为临床医生提供了可靠的标志点和分析指标，还为未来开发基于人工智能的面部软组织分析系统奠定了基础。通过进一步优化算法和标注流程，可以实现更快速、更准确的面部分析，从而提高诊断效率和治疗效果。此外，本研究还强调了标准化标注和数据共享的重要性，建议未来的研究在标注过程中采用统一的标准，并通过数据共享提高研究的可重复性和可靠性。

总之，本研究通过系统评估面部软组织标志点的识别和分析可靠性，为正畸学、颌面外科和法医人类学等领域提供了重要的参考依据。它不仅有助于提高2D图像中对称性分析的准确性，还为未来研究和临床实践提供了新的思路和技术支持。