人工智能于牙髓病學的运用

研究重点：

• 根尖周病变核心与边界区域的影像组学分析

• 影像特征与患者及牙位临床数据的整合

• 用于根管再治疗预后的可解释机器学习

• 多中心验证及转化为临床实用的决策支持工具
   

关键研究： 利用机器学习和影像组学方法预测根管再治疗结果 (《国际牙科杂志》，2027)
摘要：本概念验证研究开发了一个可解释的机器学习框架，用于预测非手术根管再治疗后的12个月预后。该模型利用200例匹配的成功和失败病例，整合了根尖周X线片的影像组学特征与术前临床变量。表现最佳的组合模型实现了0.902的堆叠AUC，优于仅基于影像组学或临床变量的模型。来自根尖周病变边界的影像组学特征对预测的贡献最大，而较高的病变异质性与较高的再治疗失败风险相关。