夜雨聆风
01 研究背景
TMD是一类影响TMJ、咀嚼肌及相关结构的功能和/或结构紊乱性疾病，人群中患病率约为31%，其中关节盘移位最为常见。MRI因其优异的软组织对比度，被公认为评估颞下颌关节软组织结构的金标准。然而，MRI图像的解读具有挑战性，不同阅片者之间的一致性并不理想。
为了辅助诊断、提高效率，人工智能（AI）技术被引入TMJ影像分析。AI可通过学习大量标注数据，自动完成图像分割（如勾勒关节盘轮廓）和分类（如判断盘是否移位）。目前已有综述关注AI在TMJ骨关节炎（CBCT/全景片）中的应用，但针对MRI的AI研究尚缺乏系统总结。
本综述的研究问题： AI算法在MRI图像上识别TMJ关节盘和诊断内部紊乱（盘移位、盘退变、盘穿孔）的诊断能力如何？
02 研究方法
本系统综述按照PRISMA指南进行报告。
2.1 资格标准
本系统综述回答以下问题：AI算法识别TMJ关节盘和/或诊断MRI图像中TMJ内部紊乱的诊断能力如何？
研究问题采用以下PIRDS框架构建：其中人群（P）：患有或不患有TMD的患者；待评价试验（I）：在MRI图像上训练的AI算法，用于观察TMJ关节盘或诊断TMJ内部紊乱；参考标准（R）：人类判读；诊断（D）：待评价试验检测TMJ关节盘或诊断TMJ内部紊乱（关节盘移位、关节盘退变、关节盘穿孔）的性能；纳入研究类型（S）：观察性研究（涉及AI、机器学习或深度学习算法的诊断性试验，与人类影像判读进行比较）。
排除标准如下：（1）使用临床数据但无影像的研究；（2）未使用AI或AI用于其他目的而非TMJ检测和诊断的研究；（3）使用MRI以外的影像学模式训练AI的研究；（4）无参考标准（人类标注）作为比较的研究；（5）综述、个人观点、摘要、病例报告、病例系列、书籍章节、信件。
2.2 文献检索
检索Medline、Embase、Scopus、Web of Science及Google Scholar灰色文献，时间截至2024年5月27日。
2.3 质量评价
对最终纳入文献采用QUADAS-2工具评估偏倚风险和适用性，并额外使用牙科AI研究专用清单（涵盖数据处理、样本量、聚类、测试集、计算资源等）。
03 研究结果
3.1 纳入研究概况
依据检索策略共检索276篇文献，通过筛选，最终纳入13项研究（发表于2021-2023年）。
研究来自6个国家：中国、日本、韩国、中国台湾、土耳其、加拿大。
样本量从20到1260例不等，年龄13-74岁。
研究内容包括：评估关节盘位置（正常/移位）11项；评估关节盘穿孔1项；评估髁突退变与关节盘位置的关系2项；评估TMJ正常解剖结构的分割1项。
3.2 AI模型类型
所有研究均使用卷积神经网络（CNN）这一深度学习方法，采用有监督学习（依赖人工标注的数据集）。最常见的模型包括：U‑Net、ResNet、InceptionV3、MobileNetV2、VGG16等。
3.3 特定任务性能
关节盘位置分类性能：
Bai等（TMJ MRI‑Net系统）：医师+AI辅助组的AUC高达0.995，显著高于无AI辅助组的0.926；
Kao等（4种CNN架构）：InceptionResNetV2在数据增强后准确率达100%；InceptionV3的F1分数为0.9；
Nozawa等（U‑Net）：前移位检测召回率92.9%，正常盘位置召回率91.6%；
Ito等（3DiscNet）：正常盘Dice系数0.76，移位盘0.70；
Lin等（ResNet/ImageNet）：最大开口位模型准确率0.97（敏感度0.98，特异度0.95）；闭口位准确率0.86；
Yoon等（RetinaNet+ResNet50）：内测AUC 0.98，外测AUC 0.96；
Ozsari等（27种网络）：MobileNetV2在闭口位准确率达0.97；
Lee等（VGG16）：准确率0.83；
盘穿孔预测（仅1项，Kim等）：
多层感知器（MLP）表现最佳，AUC 0.94（95%CI 0.88–0.99）。
解剖结构分割（Li等）:
2D图像：UNet++对关节盘的Dice系数0.70，髁突0.93；nnU‑Net类似；
3D体积分割效果与2D相近，且新提出的“盘质心”指标误差1.1mm（介于专家0.6–0.8mm与非专家1.9mm之间）。
3.4 质量评价与异质性
QUADAS-2偏倚风险：所有研究在“患者选择”领域均为高风险或不明确（因采用病例对照设计，未说明连续纳入）；“参考标准”领域6项低风险、6项高风险、1项不明确；但在“适用性”领域总体为低风险。
AI专用清单：多数研究缺少“聚类”（仅1项提及）和“样本量计算”等信息，但均报告了“处理”、“数据集”、“计算资源”。
3.5 预测时间
仅2项研究报告了模型预测时间：Li等每例0.6–18秒，Bai等每例16.4–27.4秒。其余未提及。
04 讨论
4.1 AI的潜力
所有研究均显示CNN模型在TMJ MRI图像上能够以较高准确率（70%–99%）自动分割关节盘、髁突、关节结节，并分类盘位置（正常/前移位/可复位/不可复位）。与人类专家相比，AI的表现相当甚至更优，尤其是在辅助诊断时显著提高了医师的AUC。
4.2 主要局限与挑战
单中心、样本局限：13项研究中12项来自亚洲，且均为单中心数据，模型易过拟合，泛化能力存疑。
金标准的主观性：人类专家标注作为“参考标准”本身存在观察者差异，且多数研究未报告专家间的校准过程。
数据异质性：MRI序列（T1/T2/PD）、成像平面（矢状/冠状）、设备场强（1.5T/3.0T）不统一，影响模型训练质量。
评价指标不统一：有的用准确率，有的用AUC、Dice系数，难以直接比较。
预测时间极少报告：临床可行性需要知道模型推理耗时。
4.3 未来方向
采用多中心、多民族、大规模数据集训练，提高模型泛化能力；探索3D体积分割和视觉Transformer等新技术，可能超越CNN的局限性；标准化MRI采集协议和AI评估指标，便于研究间比较；明确报告预测时间，评估实际临床工作流中的可行性。
05 结论
本系统综述表明，AI（特别是深度学习）在TMJ MRI图像评估中展现出强劲的辅助诊断潜力，能够自动分割关节结构和准确分类盘位置。目前的研究多来自亚洲单中心，性能指标喜人但存在偏倚风险。
在临床实践推广应用前，还需要更多高质量、多中心的外部验证研究。 未来结合3D影像和Transformer架构，有望进一步提升AI模型在TMD诊断中的可靠性与普适性。
参考文献：Manek M, Maita I, Silva DFB, et al. Temporomandibular joint assessment in MRI images using artificial intelligence tools: where are we now? A systematic review. Dentomaxillofacial Radiol. 2024;54(1):1-11.
