摘要
目的
利用CT图像开发一种机器学习模型，用于术前鉴别诊断成釉细胞瘤（AM）和牙源性角化囊肿（OKC），并将其性能与口腔颌面放射科医生的诊断结果进行比较。
研究设计
这项回顾性研究分析了154名患者（70例AM，84例OKC）的CT图像。提取了17个临床和影像学特征，并将其整理成CSV文件。数据被随机分为五个子集，进行五折交叉验证。每个子集中，80%的数据用于训练，20%的数据用于测试。使用两种机器学习模型（Prediction One和Random Forest）对训练数据进行处理，并在测试数据上进行评估。通过接收者操作特征（ROC）曲线评估诊断性能，并计算AUC值。将每个模型的性能与未了解临床数据的放射科医生的诊断结果进行比较。同时分析了各特征的重要性，以确定关键的诊断指标。
结果
Prediction One模型的AUC值为0.95，Random Forest模型的AUC值为0.96。两种模型的性能均显著优于放射科医生（放射科医生的AUC值为0.80，P < 0.05）。最具影响力的诊断特征是牙根吸收和结节性。
结论
机器学习模型能够准确区分成釉细胞瘤和牙源性角化囊肿，可能有助于术前诊断和计划制定。
章节摘录
引言
成釉细胞瘤（AM）是一种牙源性肿瘤，而牙源性角化囊肿（OKC）则属于牙源性囊肿。这两种病变在临床表现上有很多相似之处。1, 2, 3 AM和OKC多发生在同一年龄段，且最常见于下颌后部区域。2, 3 由于肿瘤和囊肿的生物学行为和治疗方法不同，因此在手术前进行准确的鉴别诊断至关重要。4, 5 AM...
材料与方法
本研究遵循TRIPOD+AI指南进行，该指南是关于使用回归或机器学习方法报告临床预测模型的最新指导方针。
结果
由口腔颌面放射科医生评估和测量的临床和影像学特征的單变量分析结果见表1。结果显示，在病变部位（P<0.01）、结节性（P<0.01）、CT值（P<0.02）、牙根吸收（P<0.01）、硬化边缘（P<0.01）、向上颌窦的侵袭（P<0.01）以及多发性病变的存在（P<0.01）等方面存在显著差异。然而，在年龄（P=0.73）和性别方面未发现显著差异。
讨论
尽管AM和OKC在临床和影像学特征上存在相似之处，但它们的生物学行为和治疗方法不同，因此在手术前进行准确鉴别诊断非常重要。4, 5 一种潜在的解决方案是使用包括人工智能在内的图像辅助诊断方法。深度学习利用多层神经网络从数据中自动学习特征。多层卷积神经网络（CNN）...
患者知情同意
本研究为回顾性研究，因此无需获得参与者的知情同意。研究方案符合《赫尔辛基宣言》以及日本厚生劳动省发布的《涉及人类受试者的医学研究伦理指南》中的伦理标准。
资金声明
本研究得到了大阪齿科大学研究基金的资助（资助编号：25-08）。
作者贡献声明
野本大辅：撰写 – 审稿与编辑、撰写初稿、数据可视化、模型验证、软件使用、资源获取、方法设计、研究实施、资金申请、数据分析、数据管理、概念构思。深田基树：模型验证、软件使用、资源管理、研究实施、数据分析、数据管理、概念构思。荒司良子：模型验证、项目监督、软件使用、资源管理、研究实施、数据分析、数据管理、概念构思。中西珠美：
