[发明专利]一种基于人工智能的颅颌面骨骼和软组织形态预测方法

说明书

本发明提出一种基于人工智能的颅颌面骨骼和软组织形态预测方法，第一，采集基因组数据，第二，采集骨骼或软组织形态数据并获取特征点，第三，利用质控后的基因组数据和降维后的形态数据进行全基因组关联分析，获得SNP位点，第四，根据SNP位点和特征点坐标训练机器学习模型，获得骨骼和软组织形态预测模型。本发明结合基因组数据和形态数据来获取骨骼和软组织预测模型，所得模型精确度高，预测具有效率高、结果精准等优点。

技术领域

本发明属于鉴定和预测领域，尤其是基于人工智能的颅颌面骨骼和软组织形态预测方法及其应用。

背景技术

基因组数据：人类基因组由30亿个核苷酸组成，其基因序列中有99.9％的相同性，0.1％的差异性决定了我们每个个体的独特性，包括面部特征，身高和肤色等。而且，这些特征在某种程度上也是可遗传的。

全基因组关联分析：在遗传流行病学中，全基因组关联研究(GWAS)是对人群基因组遗传变异的研究，其设计为发现表型与基因型的关联。在研究中，表型可能包括个体的诸如血压，体重，特定疾病或病症发生的特征等。在过去的几年中，GWAS经历了巨大的发展。已经有研究表明，头发、瞳孔的颜色和鼻部形态等可能与某些特定的SNPs相关联。

面部骨骼和软组织数据：在过去的二十年中，锥形束CT计算机断层扫描(CBCT)因其与扇形束CT相比存在的潜在优势而被广泛应用。这些优点包括：(a)数据采集效率，空间分辨率和空间分辨率均匀性的显著提高，(b)与扇形束CT相比，由x射线管产生的x射线光子的利用率更好，以及(c)在临床三维(3D)CT应用中的显著进步，可以通过计算机断层扫描重建出三维影像，改善颌面外科手术治疗的诊断，计划和监测。

机器学习：机器学习(Machine Learning,ML)是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。它是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域，它主要使用归纳、综合而不是演绎。通过大量的输入输出的训练，使机器能够找到其中的规律从而能建立模型，而最近研究的热点深层神经网络也属于机器学习的一种。

现有的面型预测是基于3dMD采集的面部皮肤表面数据，但其下颌颏部的数据和下颌角数据经常缺失，而这些数据对于整个头颅的形态和正畸治疗至关重要。

与肌肉形态、脂肪厚度等的个体差异相比，骨骼形态受外界环境的影响更小，更多的是由遗传所致。而且肌肉和脂肪是以骨骼形态为基础而支撑起来的，所以骨骼应处于决定面部形态更核心和更本质的地位。而且骨骼形态不会受到拍摄时面部表情的变化的影响，所以更能够从生物学的角度解释。

发明内容

本发明所解决的技术问题在于提供一种基于人工智能的颅颌面骨骼和软组织形态预测方法，通过结合基因组数据和骨骼或软组织形态数据来训练并验证得到骨骼和软组织预测模型，该预测具有效率高、结果精准等优点。

实现本发明的技术解决方案为：

一种基于人工智能的颅颌面骨骼和软组织形态预测方法，包括以下步骤：

步骤1：采集研究对象个体的基因组数据，并进行填补和质量控制；

步骤2：采集研究对象个体的骨骼或软组织形态数据，并进行坐标降维和获得特征点；

步骤3：根据质量控制后的基因组数据和坐标降维后的形态数据进行全基因组关联分析，获得非高度连锁的单核苷酸多态性SNP位点；

步骤4：根据非高度连锁的SNP位点和特征点坐标，使用包括神经网络在内的机器学习，获得骨骼和软组织形态预测模型：