使用机器学习基于头影测量预测感知轮廓吸引力

目的：正畸治疗计划需要仔细考虑面部美学。本研究旨在比较机器学习（ML）模型，基于侧位头影测量数据预测感知吸引力，并识别对感知吸引力有显著影响的参数。方法：本研究使用了400名患者的侧位头影测量片和相应的面部照片。26名评估者（包括20名非专业人士和6名领域专家）使用1至5分的视觉模拟评分法（VAS）评估每张照片，并使用Dolphin软件进行的头影测量分析作为参考标准。训练了五种机器学习模型（线性回归、支持向量机、XGBoost回归器、随机森林和人工神经网络）来基于参考标准预测吸引力评分，并使用均方根误差（RMSE）评估了它们在测试集（n = 59）上的性能。随后，进行了特征重要性分析，以识别对VAS评分影响最大的头影测量指数。结果：专家对女性面部吸引力的评分始终高于非专业人士，尤其是在>15岁的年龄组中。此外，女性评估者对女性轮廓的评分显著高于男性评估者，而对男性轮廓的评分则显著低于男性评估者，差异在>15岁年龄组中明显。在五种机器学习模型中，随机森林表现出最佳性能（RMSE = 0.50）。特征重要性分析显示，软组织参数，特别是与面部凸度、上颌和下颌前突以及垂直比例相关的参数，对吸引力评分的预测性最强。结论：机器学习模型在基于头影测量预测面部吸引力方面显示出有希望的结果，并强调了面部美学与软组织参数的相关性。所提出的基于机器学习的方法可以帮助临床医生客观评估治疗结果。