一种用于预测颞下颌关节紊乱病患者髁突侵蚀情况，并分析影响预测结果因素的机器学习人工智能模型

《Oral Radiology》：A machine learning AI model for predicting condylar erosion in patients with temporomandibular joint disorders and analyzing factors contributing to prediction

　　

摘要

研究目的

< />

研究方法

研究结果

结论

< />

研究目的

< />

研究方法

研究结果

Prediction One模型的AUC为0.845，准确率为0.779，灵敏度为0.777，特异性为0.780；随机森林模型的AUC为0.836，准确率为0.759，灵敏度为0.777，特异性为0.753。在Prediction One模型中，对预测结果影响最大的前五项参数为椎间盘后附着处的信号变化、椎间盘位置、骨水肿、椎间盘形状以及关节积液；而在随机森林模型中，这五项参数分别为椎间盘位置、关节积液、椎间盘后附着处的信号变化、骨水肿以及椎间盘形状。

结论

我们成功构建了一个高度准确的模型，可用于预测髁突侵蚀，并明确了影响预测结果的相关参数。