本研究提出了一种基于中面部和颅底形态的年龄校正回归模型，可作为综合征性颅缝早闭（SC）患儿术前评估和个体化手术规划的潜在工具。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本文内容
摘要
摘要
中面部发育不全是在患有颅面畸形（如腭裂和综合征性颅缝早闭）的儿童中常见的异常。与此状况相关的主要功能问题是鼻咽气道变窄，从而导致呼吸系统障碍。一项涉及30组计算机断层扫描（CT）数据集的初步研究在三个不同群体（正常组、手术治疗的综合征性颅缝早闭组以及未手术治疗的综合征性颅缝早闭组）中开展，旨在评估已发表的中面部计算公式，即“Hariri-Ros-Nor回归模型”，用于预测综合征性颅缝早闭患者的颅底测量值。研究结果表明，尽管颅底（NBa）的预测值相对一致，但中面部宽度（ZMR-ZML）与预测值存在显著偏差，尤其在经过手术治疗的综合征性颅缝早闭患者中更为明显。年龄被发现显著影响测量准确性和预测可靠性。综上所述，本研究表明，采用年龄校正的建模方法可能提高颅面评估中的预测准确性，为综合征性颅缝早闭的术前评估和个体化手术规划提供一种潜在工具。
引言
综合征性颅缝早闭（SC）是一种复杂的先天性疾病，由颅缝过早融合所致，导致颅骨生长受限、颅底畸形以及中面部发育不全，常引发功能性和美学方面的并发症1,2。这些异常可能影响气道通畅性、视觉完整性以及神经发育结局，凸显了早期识别与精准干预的重要性1,3。SC的外科治疗具有极强的时间敏感性，因为矫正手术延迟会增加颅内压升高、阻塞性睡眠呼吸暂停（OSA）以及眼球突出和角膜暴露等眼科并发症的风险1,3,4。因此，确定颅骨和中面部前移手术的最佳时机，仍是临床管理中最关键且最具挑战性的问题之一1。
综合征性颅缝早闭的传统评估方法通常依赖于描述性生长分析和功能阈值来指导手术干预5,6。尽管这些方法提供了通用的参考依据，但缺乏针对患者的预测准确性，且易受临床主观性影响7,8。近年来，人们日益关注开发能够预测颅面生长轨迹并指导个体化手术规划的定量模型。其中，Hariri-Ros-Nor 回归模型通过建立颅底解剖标志点与中面部尺寸之间的预测关系，提供了一种可重复且定量的分析框架，为临床医生提供了预测生长趋势和优化手术时机的客观工具9。
该模型的预测能力对于Apert综合征和Crouzon综合征等最常见的综合征亚型尤为相关，这些亚型表现出独特的生长模式和手术需求9。通过使用标准的颅面CT影像以及可重复的解剖标志点（包括Sella、Nasion、Basion、ZMR和ZML），该模型能够高效且易于解释地量化中面部生长，即使在无法开展高级几何形态测量或有限元分析的临床环境中亦可应用9。该模型在儿童早期至中期（约4至12岁）尤其有价值，此阶段面部生长活跃，手术时机的决策对发育具有长期影响9。然而，该模型的应用受限于对CT影像的依赖、仅在一个队列中完成验证，以及在年龄极小或青春期晚期患者中可能存在的变异，因此需强调将其与多学科评估相结合的必要性10。
基于这一基础，Hariri-Ros-Nor 回归模型提供了一种可重复、针对患者个体的预测方法，用于评估中面部和颅底的生长，弥补了当前描述性框架的局限性。通过量化解剖结构之间的关系，可更早识别出存在功能恶化风险的患者，并支持基于数据的主动外科干预规划。这些能力在预防因干预延迟而导致的不可逆并发症方面具有重要意义，例如气道阻塞、颅内高压以及眼科相关并发症。因此，本研究旨在评估 Hariri-Ros-Nor 回归模型在综合征性和非综合征性儿科人群中评估中面部与颅底生长模式的准确性及临床适用性。
访问受限。请登录或开始试用以查看此内容。
方案
本研究经马来西亚吉隆坡马来亚大学牙科学院医学伦理委员会批准（DF OS1921/0082(P)）。由于本研究涉及回顾性且匿名的计算机断层扫描（CT）数据，未使用任何生物组织或体液，因此无需患者知情同意。本研究的方法学遵循 Hariri 等人9所述的步骤，并进行了若干修改。所用仪器和软件列于材料表中。
1. 受试者选择与CT扫描数据获取
从马来亚大学医学中心（UMMC）颅面诊所的数字影像档案中，调取了2015年11月至2022年12月期间确诊为综合征性颅缝早闭（SC）的儿科患者的历史性头颅CT扫描资料。此外，还纳入了2023年5月至2024年1月期间获取的前瞻性CT扫描数据。
根据颅颌面诊所的病历记录，由研究人员按照预设的纳入标准手动筛选出潜在受试者。纳入标准包括：（1）由颅颌面外科医生确诊为综合征性颅缝早闭；（2）具有完整的医疗记录；（3）年龄<12岁。对照组受试者年龄也需小于12岁，并需具备完整的颅骨和面部CT扫描图像，且无任何颅颌面异常病史。所有研究队列的排除标准包括：年龄≥12岁、非综合征性或孤立性颅缝早闭、临床或影像资料不完整、有颅颌面手术史，或与其他综合征相关的中面部发育不全。筛选完成后，将最终确定的合格受试者名单提交至医学影像研究单位，以获取非增强CT颅骨数据集。影像数据以医学数字成像和通信（DICOM）格式存储于光盘（CD）中，采集协议依据科室指南进行标准化（轴向切片厚度≤1.00 mm，覆盖全部颅颌面区域，体素分辨率保持一致）。医学影像单位在数据释放前，对数据集的完整性、无显著伪影以及符合DICOM标准进行核实。所有经核实的数据集均被安全归档，并准备导入三维医学图像处理软件，用于三维重建与分析。本研究共选取30名受试者，平均分为三组：未手术的颅缝早闭组（SCNO）、已手术的颅缝早闭组（SCO）和正常对照组（每组n=10）。
2. 三维重建与标志点识别
所有导入的数据集均以轴向、矢状向和冠状向平面显示，并附有三维预览。DICOM 文件中的元数据支持自动提取采集参数（层厚、体素分辨率和层数）。为生成三维体模型，首先创建骨组织掩模，随后通过选择进行重建 分割 → 计算三维 在 Mimics 中进行分割，并进一步使用可访问的阈值化功能进行优化 通过 分割 → 阈值化 在主工具栏中。当分割过程中应用了不合适的亨氏单位（HU）范围时，可能会观察到骨结构定义的变异性或出现过多噪声。该问题可通过应用3D医学影像软件中标准的“骨（CT）”阈值预设，并结合以下方法优化分割掩膜来解决： 编辑遮罩 排除伪影并提高结构连续性。该过程确保仅在掩膜中突出显示骨性结构，从而排除邻近的软组织，并减少图像噪声或伪影。
使用位于测量 → 创建点的点创建工具识别并标记解剖学标志点。对于每个标志点，研究者通过旋转和放大三维重建图像以优化可视性，然后通过单次鼠标点击直接在解剖位置上放置一个点。记录的标志点包括：位于蝶鞍中央的蝶鞍点（S）、位于额鼻缝交界处的鼻根点（N）、定义为枕骨基底部蝶枕软骨结合处前缘中点的颅底点（Ba），以及位于眶下缘的右侧和左侧颧上颌缝点（ZMR、ZML）。当从单一视角定义点位时，标志点的位置可能存在轻微变异。为提高准确性，在最终确定点位前，通过旋转三维重建图像，并结合轴向、矢状向和冠状向切面，从多个观察角度对每个标志点进行确认。每个标志点会自动存储在项目树的“测量”列表中。使用导出测量功能导出完整的标志点坐标和标签，生成 .csv 或 .xls 格式的数据集。这些标志点随后被用作颅底和中面部骨骼线性测量的参考点。
3. 颅骨与中面部变量的线性测量
使用三维医学图像处理软件中的距离测量功能进行线性颅面测量。完成三维重建和标志点放置后，通过分析 → 测量 → 点间距离菜单访问测量工具。在此功能中，手动在三维重建图像上选择两个解剖标志点，软件将自动计算所选坐标之间的欧氏距离，并在“测量结果”窗口中显示结果。
获得以下线性测量值：SN（前颅底长度），定义为蝶鞍点（S）与鼻根点（N）之间的距离；SBa（后颅底长度），定义为蝶鞍点（S）与枕骨基点（Ba）之间的距离；NBa（总颅底长度），定义为鼻根点（N）与枕骨基点（Ba）之间的距离；以及ZMR - ZML（上颌宽度），定义为右侧与左侧颧上颌缝之间颧骨的距离。每项测量均直接在三维模型上进行，必要时使用缩放和旋转工具，以确保定位点的准确放置。
完成测量后，测量列表会自动在软件的项目树中更新。通过导出测量值功能将完整数据集导出并保存为 .xls 格式，包含所有解剖标志点标签及其对应的线性数值。这些导出的数值随后用于统计分析。
4. 回归模型的应用
将导出的测量数据导入电子表格程序进行进一步分析。使用Hariri-Ros-Nor回归公式，计算颅底总长度和上颌宽度的预测值。应用以下方程：
随后，将这些公式得出的预测值与每位受试者的实测值进行比较，通过计算数据集的标准差，评估颅骨形态的一致性与偏差。此后，该数据集即可用于统计分析。
5. 统计分析
所有测量值和预测值均被汇编成一个单一数据集，并使用统计分析软件进行分析。首先计算描述性统计量，以总结各组之间的颅底和中面部参数。组间差异采用非参数 Mann–Whitney U 检验进行评估。此外，进行 Pearson 相关性分析，以评估各组内年龄与颅骨测量值之间的关系。生成了数据的可视化图表，包括用于组间比较的箱形图和用于显示相关趋势的线形图，以支持并阐明统计结果的解释。
访问受限。请登录或开始试用以查看此内容。
结果
根据表1，所有组别中测得的NBa值均持续高于其预测值，其中以手术治疗的综合征性颅缝早闭（SCO）队列的偏差最为显著。相比之下，ZMR-ZML（上颌宽度）值在所有类别中均显著低于预测值，表现出较大的变异性。
在正常队列中进行皮尔逊相关性分析（表2）和矩阵散点图分布（图1）后，发现NBa与ZMR-ZML之间存在极强的正相关关系（r = 0.992，p < 0.001），表明在生理生长过程中颅底长度与中面部宽度之间具有高度同步且成比例的关系。这种近乎完美的关联性凸显了标志点识别的内在一致性，并支持Hariri-Ros-Nor回归模型在正常发育条件下的稳健性。
此外，Pearson 相关性分析（表3）显示，年龄与 NBa（r = 0.917）以及 ZMR-ZML（r = 0.728）之间均存在强相关性，进一步验证了该模型在正常颅面生长轨迹中的适用性。相反，在未手术的综合...
访问受限。请登录或开始试用以查看此内容。
讨论
本初步研究展示了一种结构化且可重复的成像方案，该方案将基于解剖标志点的分析与预测建模相结合，用于定量评估颅面结构。该方案强调若干关键方法学步骤，如标准化的图像分割、精确的标志点定位以及一致的测量流程，以确保结果的准确性与可重复性。图像分割及三维重建在三维医学图像处理软件中完成，采用一致的阈值参数以分离骨组织并生成体积分割模型。通过使用放大、旋转及多平面视图工具优化标志点定位的准确性，可在进行测量前于轴状面、矢状面和冠状面交叉验证每个解剖点的位置。利用“点间距离”功能获取预定义颅骨与中面部标志点之间的线性距离，结果自动保存并以 .xls 格式导出，用于统计分析。通过采用相同的参数设置、单一校准的工作站以及标准化的数据导出流程，确保了整个过程的可重复性。
为减少测量变异并提高分割的可靠性，实施了相应的修改与故障排除措施。当出现骨轮廓勾画不一致或图像噪声时，应用骨组织（CT）阈值预设，并通过“编辑掩膜”功能优化分割掩膜，以排除伪影并恢复表面连续性。对于轻微的三维重建误差，在手动校正后重新应用“计算3D”功能。为降低解剖标志点的变异，特别是在复杂的骨缝区域，需在最终确定前于多个平面确认其位...
访问受限。请登录或开始试用以查看此内容。
披露
作者声明无竞争利益。
致谢
本工作由马来西亚国立大学（Universiti）资助。 马来亚大学牙科学院口腔颌面外科与颅面研究组（OCReS）
访问受限。请登录或开始试用以查看此内容。
材料
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 紧凑型光盘（CD） | |||
| Materialise Mimics 医学软件 | Materialise NV | 版本 21 | 三维医学图像处理软件 |
| Microsoft Excel | Microsoft 公司 | 电子表格软件 | |
| 配备 CD 读取器的个人计算机 | |||
| 社会科学统计软件包（SPSS） | IBM | G06TFML | 统计分析软件 |
参考文献
- Derderian, C., Seaward, J. Syndromic craniosynostosis. Semin Plast Surg. 26 (2), 64-75 (2012).
- Rostamzad, P., et al. Prevalence of ocular anomalies in craniosynostosis: A systematic review and meta-analysis. J Clin Med. 11 (4), 1060(2022).
- Chen, K., Kondra, K., Nagengast, E., Hammoudeh, J. A., Urata, M. M. Syndromic synostosis: Frontofacial surgery. Oral Maxillofac Surg Clin North Am. 34 (3), 459-466 (2022).
- Bruce, W. J., et al. Age at time of craniosynostosis repair predicts increased complication rate. Cleft Palate Craniofac J. 55 (5), 649-654 (2018).
- Katouni, K., et al. Syndromic craniosynostosis: A comprehensive review. Cerus. 15 (12), e50448(2023).
- Lun, K., et al. Assessment of pediatric head shape and management of craniosynostosis. Aus J General Prac. 51, 51-58 (2022).
- Mathijssen, I. M. Guideline for care of patients with the diagnoses of craniosynostosis: Working group on craniosynostosis. J Craniofac Surg. 26 (6), 1735-1807 (2015).
- O'hara, J., et al. Syndromic craniosynostosis: Complexities of clinical care. Mol Syndromol. 10 (1-2), 83-97 (2019).
- Hariri, F., Malek, R. A., Abdullah, N. A., Hassan, S. F. Midface hypoplasia in syndromic craniosynostosis: Predicting craniofacial growth via a novel regression model from anatomical morphometric analysis. Int J Oral Maxillofac Surg. 53 (4), 293-300 (2024).
- Blum, J. D., et al. Machine learning in metopic craniosynostosis: Does phenotypic severity predict long-term esthetic outcome. J Craniofac Surg. 34 (1), 58-64 (2023).
- Wahlquist, Y., Soltesz, K. Automated covariate modeling using efficient simulation of pharmacokinetics. IFAC J Sys Con. 27, 100252(2024).
- Kasai, K., Moro, T., Kanazawa, E., Iwasawa, T. Relationship between cranial base and maxillofacial morphology. Eur J Orthod. 17 (5), 403-410 (1995).
- Zheng, L., et al. Enhancing predictive tools for skeletal growth and craniofacial morphology in syndromic craniosynostosis: A focus on cranial base variables. Diagnostics (Basel). 15 (13), 1640(2025).
- Patel, K. B., Skolnick, G. B., Mulliken, J. B. Anthropometric outcomes following fronto-orbital advancement for metopic synostosis. Plast Reconstr Surg. 137 (5), 1539-1547 (2016).
- Richtsmeier, J. T., Deleon, V. B. Morphological integration of the skull in craniofacial anomalies. Orthod Craniofac Res. 12 (3), 149-158 (2009).
- Tonello, C., Cevidanes, L. H. S., Ruellas, A. C. O., Alonso, N. Midface morphology and growth in syndromic craniosynostosis patients following frontofacial monobloc distraction. J Craniofac Surg. 32 (1), 87-91 (2021).
- Skolnick, G. B., et al. Long-term characterization of cranial defects after surgical correction for single-suture craniosynostosis. Ann Plast Surg. 82 (6), 679-685 (2019).
- Chufei, H., et al. Comparison of different 3d reconstruction software tools in preoperative modeling for cranio-maxillofacial surgery. Plastic Aesthetic Res. 12, 10(2025).
访问受限。请登录或开始试用以查看此内容。
重印与许可
