Link: https://www.sciencedirect.com/science/article/pii/S136184152500091X

当患者原始下颌形态已经被肿瘤或创伤改变时，术前到底该以什么为目标形态来做重建规划；在这个目标形态确定之后，又该如何把腓骨的切割、分段、摆放变成一个可优化、可重复、尽量客观的计算问题?

方法部分

这篇论文的核心创新不是单独某个网络结构，也不是单独某个优化器，而是把两件事情连成闭环：
第一阶段先用带形状先验的网络预测“病前完整下颌骨”；
第二阶段再把腓骨重建方案写成“受约束的形态匹配优化问题”，自动求最优解。

首先否定了“镜像就是参考答案”这个默认前提

“The accuracy and feasibility of restoring the complete morphology of the mandible through mirroring cannot be guaranteed… suggesting that it is not entirely symmetrical.”

传统下颌重建规划常常把健康侧镜像到病侧，得到“完整下颌”的近似模板。论文明确指出，这个思路在三种情况下都不稳：

第一，下颌骨本身并不严格对称；
第二，病变可能已经在术前改变了骨形态；
第三，跨中线缺损和双侧缺损时，镜像法要么不准，要么根本不能用。

这意味着如果连“患者原本应该长什么样”都没有可信答案，后续的腓骨摆放再精细，也可能是在追一个错误目标。 这就是作者为什么把“shape completion”放在规划之前，而不是作为附属步骤。

第一阶段不是普通补洞，而是“病前形态推断”

“Firstly, we employ a convolutional neural network with shape prior… Next, we evaluate the difference in shape between the predicted defective mandible and the current planning scheme from a two-dimensional perspective, generating an objective function.”

作者把这个任务定义成形状学习：输入是残余健康下颌骨和一个统计形状先验，输出是缺损区应该补回来的完整下颌体素。这里的关键不是“生成缺失块”，而是让补出的形状与患者保留下来的骨形态保持一致，同时又符合人类下颌骨的一般解剖学分布。“shape prior”在这里扮演的是解剖学正则化器，其提供了：1. 残余下颌提供患者特异性信息；2. 形状先验提供群体层面的“正常形态边界”。3. 网络最后不是只靠数据残块去猜，而是在“患者个体信息”和“正常解剖分布”之间做融合。对于大缺损、跨中线缺损，这一点尤其重要，因为残余结构本身已经不足以唯一确定缺失区。

三维手术规划参数化

“We implement this 3D shape-matching process by defining variable points $P_i$​ in the predicted mandibular model $M_{pre}$​.”

作者没有直接在整个三维空间里暴力搜索“每段腓骨放哪、怎么转、怎么切”，而是在预测完整下颌骨上定义一组变量点 $P_i$​。这些点决定：

• 每个腓骨截骨平面的中心位置
• 每个截骨平面的方向
• 各骨段在下颌上的对应位置
• 最终拼接方案的整体几何布局

这一步的本质是：把一个高自由度、难以手调的空间装配问题，压缩成少量关键变量控制的优化问题。换句话说，作者不是在优化“整个骨块的每个点”，而是在优化“定义骨块拼接关系的关键几何点”。这让问题可计算，也更接近外科医生的真实思考方式。

为什么作者不用单纯 3D 距离，而要用 2D 切片加权指标

“The rationale behind analyzing reconstruction on a per-slice basis rather than globally is to assign greater importance to slices containing more mandible voxels…”

作者认为，单纯三维表面误差不够，因为临床目标并不是“表面距离最小”这么简单，而是同时关心两件事：

• 下颌下缘轮廓要尽量恢复
• 腓骨在关键区域要有足够体积支撑

因此他们把重建后的腓骨和预测下颌骨沿两个方向做 2D 切片，并给每张切片赋权。含更多下颌像素的切片权重更高，边缘薄片权重更低。这样做的含义是：主体区域比边缘零碎区域更重要。
这比全局 Dice 更临床，因为它避免了“边缘一些无关紧要的小重叠”对整体目标产生过大影响。

人为参与部分

论文标题和摘要强调 automated planning，但在真实临床工作流里，医生仍需要：

• 确定肿瘤切除范围
• 在三维模型上标定 osteotomy plane（切除平面）

对比方法

“Overall, M1 achieved performance comparable to M3 across all three evaluation metrics, demonstrating expert-level proficiency.”

这里的 M1 是本文自动规划，M3 是资深外科医生手工规划。

实验部分

第一阶段的验证是强项，但也有一个隐含限制

强项在于：他们用合成缺损的方法，从完整健康下颌骨中“切掉一块”，这样就能得到真实缺失区域作为 ground truth，便于严格量化 shape completion 的精度。

但隐含限制也在这里：随机生成的缺损虽然有助于构造监督信号，却不一定能完全复现真实肿瘤造成的骨侵蚀边界、牙槽嵴破坏和形态变形。作者也承认随机缺损不能完美保留真实缺损的牙缘特征，只是“对重建目的已经足够”。这句话其实意味着：第一阶段的验证在可控性上很强，但在病理真实性上仍有差距。

效率提升非常大

表 2 的平均结果是：传统手工规划约 29 分 37 秒，自动流程总时间约 3 分 4 秒；鼠标点击从 581 次降到 37 次，滚轮从 305 次降到 5 次左右。

定性评估说明它“多数时候不差于人工”

作者用 3 分 Likert 量表比较自动规划和人工规划，结果是：17 例更好，40 例相当，8 例更差。也就是说，57/65 例（约 87.7%）至少不逊于人工规划；Wilcoxon 检验显示与经验医生规划相比无显著差异。

临床病例展示有说服力，但随访还短

临床病例是一个 61 岁、成釉细胞瘤、跨中线缺损的患者。术后 2 周影像和面形显示重建良好、面部较对称、腓骨与下颌衔接紧密、口开度和功能可接受。

但要更严格地说，这仍然是早期术后结果。2 周能说明手术方案可实施、短期外形可接受，却还不能证明长期骨愈合、咬合恢复、种植修复成功率和功能稳定性。所以这部分更像“临床可行性展示”，还不是长期疗效证据。

优缺点总结

优点

第一，它把参考形态生成和供骨规划优化整合成一条链，而不是把两者割裂开。

第二，它对跨中线缺损这种镜像法最难处理的场景，给出了更自然的解法。作者在引言、实验和临床案例里都反复强调这一点。

第三，它的目标函数不是抽象的三维误差最小化，而是更贴近临床真实目标：轮廓恢复 + 骨量填充 + 避免不必要突起。

第四，它的效率数据非常有分量，因为不仅时间缩短，交互负担也大幅降低。

缺点

作者自己在讨论部分已经承认，当前方法主要针对single-barrel fibula flap，未来才考虑 double-barrel；同时还没有把咬合关系、力学稳定性、自动导板设计纳入主框架。

除此之外：

第一，真实患者队列主要来自单中心，且回顾性研究对象是 benign mandibular tumors，临床场景仍偏集中。

第二，所谓“自动化”并不是从原始 CT 到手术方案的彻底无人流程，临床上仍需医生参与切除范围判断。