【摘要】口呼吸（MB）是一種常見的異常呼吸方式，長(zhǎng)時(shí)間MB可能導(dǎo)致諸多健康問題，尤其對(duì)兒童牙頜面、言語及神經(jīng)等的發(fā)育不利。近年來，以人工智能（AI）為代表的智慧醫(yī)療技術(shù)逐步應(yīng)用于MB的診斷與治療，展現(xiàn)了現(xiàn)代技術(shù)在MB的早期篩查、治療方式選擇及治療效果評(píng)估等方面的獨(dú)特優(yōu)勢(shì)。文章回顧近年來的文獻(xiàn)，深入闡述智能化技術(shù)在MB診斷與治療過程中的應(yīng)用，以期更充分地認(rèn)識(shí)MB智能化診斷與治療所面臨的機(jī)遇與挑戰(zhàn)，打破學(xué)科邊界，開展廣泛的“醫(yī)工結(jié)合”研究，造福更多的MB兒童。

【關(guān)鍵詞】口呼吸；人工智能；診斷；治療；兒童

口呼吸（mouthbreathing，MB）是一種異常的呼吸方式，不僅常與阻塞性睡眠呼吸暫停綜合征（obstructivesleepapneasyndrome，OSAS）并存［1］，還可能引發(fā)顱面異常［2］、牙畸形［3］、言語障礙［4］等健康問題。流行病學(xué)數(shù)據(jù)顯示，MB在兒童中的發(fā)病率較高且存在明顯地域差異：巴西兒童發(fā)病率高達(dá)54.81%［5］；在日本兒童日間和睡眠時(shí)的發(fā)病率分別為35.5%和45.9%［6］；德國的發(fā)病率則為17.7%［7］。我國蘭州地區(qū)的橫斷面研究顯示，兒童MB發(fā)病率達(dá)42.9%［8］。目前，MB的診斷主要依賴醫(yī)師對(duì)患者臨床資料及癥狀描述的分析能力，存在主觀性強(qiáng)、診斷效率低等局限性。隨著信息技術(shù)的不斷發(fā)展，智能化診療不僅有助于緩解專科醫(yī)師人力緊張的問題，也能提升診療效率［9］。因此，越來越多的人工智能（artificialintelligence，AI）技術(shù)被應(yīng)用于兒童耳鼻咽喉疾病的診療［10］，為MB的診療帶來了新的機(jī)遇和挑戰(zhàn)。本文系統(tǒng)綜述AI在MB診療中的應(yīng)用進(jìn)展，并對(duì)其未來發(fā)展進(jìn)行展望。

1MB的病因診斷

兒童MB的常見病因包括腺樣體肥大（adenoidhypertrophy，AH）、扁桃體肥大［11-12］及過敏性鼻炎（allergicrhinitis，AR）［13］。其中，扁桃體肥大可通過Brodsky分級(jí)量表評(píng)估［14］，該量表通過扁桃體占口咽寬度的百分比來反映肥大的程度。由于扁桃體的大小可通過查體直接評(píng)估，因此本部分將重點(diǎn)對(duì)AH及AR的診斷進(jìn)行綜述。

1.1AH的診斷

1.1.1智能化診斷在鼻咽側(cè)位片檢查中的應(yīng)用

鼻咽側(cè)位X線片通過Fujioka比率法測(cè)量腺樣體厚度（A）與鼻咽腔寬度（N）的比值（A/N）［15］，在該方法中，需要在鼻咽側(cè)位片上手動(dòng)標(biāo)記4個(gè)標(biāo)志點(diǎn)以測(cè)量A/N（圖1）。然而，這一過程不僅耗時(shí)，還高度依賴操作者的個(gè)人經(jīng)驗(yàn)，因此有必要借助更準(zhǔn)確高效的算法來自動(dòng)評(píng)估鼻咽側(cè)位片中的腺樣體大小。

2020年，中國學(xué)者Shen等［16］通過深度學(xué)習(xí)將AH分類任務(wù)轉(zhuǎn)化為關(guān)鍵點(diǎn)定位，有效避免了過擬合。在他們的研究中，采用卷積神經(jīng)網(wǎng)絡(luò)（convolutionalneuralnetwork，CNN）對(duì)包含688張鼻咽側(cè)位片的數(shù)據(jù)集進(jìn)行訓(xùn)練，并設(shè)計(jì)了一種全新的正則化項(xiàng)VerticalLoss，用于捕捉關(guān)鍵點(diǎn)之間的垂直關(guān)系以提高準(zhǔn)確性，最終取得了高達(dá)95.6%的準(zhǔn)確率。Alshbishiri等［17］則使用U-net模型分割側(cè)位片中的腺樣體，Dice系數(shù)（常用于醫(yī)學(xué)圖像分割性能評(píng)估，越接近1代表性能越好）為0.74，表明對(duì)腺樣體分割具有一定的準(zhǔn)確性，然而，這并不直接等同于診斷AH的準(zhǔn)確性，還需要更多的臨床驗(yàn)證和研究。王軍等［18］基于深度學(xué)習(xí)方法，利用多分類U-Net和ResU-Net網(wǎng)絡(luò)對(duì)鼻咽側(cè)位片進(jìn)行分割，并通過Matlab模型自動(dòng)測(cè)量A/N。結(jié)果顯示，ResU-Net模型在測(cè)試集上分割性能更優(yōu)，與主治醫(yī)師的診斷能力相當(dāng)，對(duì)病理性肥大腺樣體的診斷準(zhǔn)確率達(dá)96.0%。針對(duì)訓(xùn)練數(shù)據(jù)不足的問題，Zhao等［19］為提高神經(jīng)網(wǎng)絡(luò)的性能和泛化能力，對(duì)原始圖像的像素和角度進(jìn)行調(diào)整，擴(kuò)充數(shù)據(jù)集至9877張。他們構(gòu)建的HeadNet模型能夠準(zhǔn)確地識(shí)別A’、Ba、Ar、PNS4個(gè)關(guān)鍵點(diǎn)，診斷準(zhǔn)確率為0.919，ROC曲線下面積（areaunderthecurve，AUC）為0.987。但研究中使用了連接Ar和Ba兩點(diǎn)的直線代替了連接枕骨斜坡的切線，這在臨界病例中可能會(huì)影響結(jié)果。Rao等［20］則通過AdeNet模型，并結(jié)合多尺度局部注意力模塊AdeBlock，使用PyTorch深度學(xué)習(xí)框架進(jìn)行模型訓(xùn)練。該模型捕捉圖像關(guān)鍵信息的能力更強(qiáng)，降低了不相關(guān)信息的窗口權(quán)重，有利于提高抗干擾能力。此次研究納入了1425張鼻咽側(cè)位片，是目前同類研究中納入圖像最多的。

相較于確定標(biāo)志點(diǎn)的方法，Liu等［21］則基于VGG16模型提出了一個(gè)簡(jiǎn)化版VGG-Lite模型，該模型采用直接分類的方法，將圖像分類為正?；虿±硇訟H，從而有效避免了關(guān)鍵點(diǎn)定位的誤差。結(jié)果顯示，該模型的F1值達(dá)到0.889，檢測(cè)速度較專家快約522倍。2024年，Guo等［22］通過1188例鼻咽側(cè)位片對(duì)AlexNet、VGG16、InceptionV3、ResNet50和DenseNet121共5個(gè)模型進(jìn)行訓(xùn)練和驗(yàn)證。結(jié)果顯示，5個(gè)模型均表現(xiàn)出良好的診斷性能，其中DenseNet121的表現(xiàn)最出色，其診斷能力與高級(jí)放射科醫(yī)師相當(dāng)。然而，該模型的性能仍然沒有超過Liu等［21］提出的VGG-Lite模型。Guo等［22］認(rèn)為可能是因?yàn)樗心Ｐ途贗mageNet上進(jìn)行預(yù)訓(xùn)練，導(dǎo)致自然圖像上的預(yù)訓(xùn)練模型在應(yīng)用于醫(yī)學(xué)圖像時(shí)未能達(dá)到最佳性能。

1.1.2智能化診斷在錐形束計(jì)算機(jī)斷層掃描中的應(yīng)用

近年來，錐形束計(jì)算機(jī)斷層掃描（cone-beamcomputedtomography，CBCT）也已被探索用于腺樣體大小的評(píng)估。與鼻內(nèi)鏡檢查相比，CBCT展現(xiàn)出良好的一致性，其Kappa值為0.748［23］。王路等［24］利用U-Net網(wǎng)絡(luò)構(gòu)建模型，實(shí)現(xiàn)了腺樣體及鼻咽氣道的全自動(dòng)分割，并證明了其高準(zhǔn)確性和應(yīng)用價(jià)值，為MB的三維診斷標(biāo)準(zhǔn)提供了數(shù)據(jù)支持。

Thereza-Bussolaro等［25］對(duì)14名兒童進(jìn)行CBCT掃描，獲取鼻咽部腺樣體區(qū)域的影像數(shù)據(jù)，并借助Dolphin軟件構(gòu)建腺樣體組織（adenoidmass，AD）及鼻咽部空隙（thelumen，LU）的3D模型，進(jìn)而與鼻內(nèi)鏡檢查結(jié)果進(jìn)行比較，結(jié)果顯示，AD的3D模型在診斷AH方面準(zhǔn)確性較高，而LU的3D模型準(zhǔn)確性欠佳。Dong等［26］則針對(duì)CBCT，基于U-Net構(gòu)建了用于分割上氣道的HMSAU-Net模型，該模型通過引入自注意力機(jī)制和分層掩碼構(gòu)建而成，其Dice系數(shù)為0.96，明顯高于3D-ResNet10。此外，他們還基于ResNet結(jié)合3D構(gòu)建了3D-ResNet模型用于AH的診斷。結(jié)果顯示，3D-ResNet具有極好的自動(dòng)診斷AH的能力，平均準(zhǔn)確率為0.912。

在影像學(xué)檢查中，現(xiàn)有研究雖通過智能化技術(shù)顯著提升了AH診斷的自動(dòng)化水平（表1），但當(dāng)前研究仍存在局限性：①數(shù)據(jù)來源單一，多局限于特定地區(qū)或設(shè)備；②關(guān)鍵點(diǎn)定位易受圖像質(zhì)量影響；③臨床實(shí)用性驗(yàn)證不足，缺乏真實(shí)場(chǎng)景誤診成本分析。

1.1.3智能化診斷在鼻內(nèi)鏡檢查中的應(yīng)用

相較于鼻咽側(cè)位X片，電子鼻咽鏡檢查具有無輻射、能夠直觀顯示腺樣體大小、形態(tài)及其與周圍結(jié)構(gòu)的關(guān)系等優(yōu)勢(shì)，因此被相關(guān)指南推薦為AH的診斷方法［27］，然而，該方法具有一定的主觀性，需要憑借診斷者的經(jīng)驗(yàn)進(jìn)行判斷。因此，基于AI的客觀化診斷技術(shù)是彌補(bǔ)主觀經(jīng)驗(yàn)依賴性、提升診斷一致性的重要研究方向。

Zheng等［28］提出了一種基于對(duì)比學(xué)習(xí)的AH診斷模型MIB-ANet，該模型有效解決了腺樣體內(nèi)鏡圖像分類問題，并通過SimCLR預(yù)訓(xùn)練提升了模型性能，其性能優(yōu)于經(jīng)典CNN?；诖搜芯?，Bi等［29］提出一種新的多尺度分級(jí)網(wǎng)絡(luò)MIB-ANet模型，其性能接近中級(jí)臨床醫(yī)師水平。與傳統(tǒng)CNN模型相比，MIB-ANet的參數(shù)量較少，有效避免了過擬合問題。其缺點(diǎn)是對(duì)腺樣體大小較為敏感，若內(nèi)鏡距離腺樣體過近，容易被預(yù)測(cè)為更高的分級(jí)，未來需擴(kuò)大數(shù)據(jù)集以優(yōu)化性能?；蛟S引入Rao等［20］所采用的注意力機(jī)制，可以使模型聚焦腺樣體與周圍組織的空間關(guān)系特征，而不是單純依賴腺樣體大小，從而減少因圖像采集問題引起的分級(jí)偏倚。2024年，何昌源等［30］開發(fā)了一種創(chuàng)新的三維重建方法，該方法結(jié)合了Point-e算法、3D-CNN和生成對(duì)抗網(wǎng)絡(luò)技術(shù)，以處理鼻內(nèi)鏡下的腺樣體圖像。通過這種深度學(xué)習(xí)方法，他們成功地從二維內(nèi)窺鏡圖像中提取關(guān)鍵特征點(diǎn)，并生成了高精度的腺樣體3D點(diǎn)云模型，提高了腺樣體圖像重建的精度和效率，為臨床診斷和治療規(guī)劃提供了更為準(zhǔn)確和全面的腺樣體解剖結(jié)構(gòu)信息。

盡管影像學(xué)及鼻內(nèi)鏡檢查在AH智能化診斷方面取得了顯著進(jìn)展，但仍存在一些局限需進(jìn)一步解決。首先，鼻內(nèi)鏡及影像圖片上均可能包含患者的隱私信息，因此，確保數(shù)據(jù)的安全性和合規(guī)性是未來重要的挑戰(zhàn)。其次，不同研究者可能使用不同的標(biāo)注標(biāo)準(zhǔn)，導(dǎo)致標(biāo)注結(jié)果不一致，從而影響模型的可比性。此外，目前研究重點(diǎn)主要集中在AH的分級(jí)上，尚未考慮其他鼻咽部疾病的鑒別診斷。因此，未來需要開發(fā)一個(gè)更全面的鼻部疾病分類模型，以提高診斷的準(zhǔn)確性和實(shí)用性。

1.2智能化診斷在AR中的應(yīng)用

AR是常見的疾病之一，在人群中發(fā)病率為10%～40%［31］，鼻塞是其主要癥狀之一［32］。2015年，Christopher等［33］比較了5種監(jiān)督學(xué)習(xí)方法，并開發(fā)了一個(gè)基于皮膚過敏原測(cè)試的臨床決策支持系統(tǒng)，其診斷準(zhǔn)確率超過了初級(jí)臨床醫(yī)師，達(dá)到88%。Malizia等［34］采用機(jī)器學(xué)習(xí)中的潛類分析，基于鼻細(xì)胞學(xué)數(shù)據(jù)對(duì)兒童AR進(jìn)行分型，彌補(bǔ)了傳統(tǒng)診斷方法無法充分捕捉AR異質(zhì)性的缺點(diǎn)，為兒童AR的個(gè)性化治療提供了依據(jù)。然而，該研究?jī)H單次評(píng)估了鼻部細(xì)胞學(xué)等指標(biāo)，而隨著時(shí)間推移，癥狀和細(xì)胞分布可能會(huì)發(fā)生變化，因此，可能無法反映癥狀和炎癥的長(zhǎng)期變化和趨勢(shì)，后續(xù)需要縱向研究來進(jìn)一步驗(yàn)證。Dai等［35］提出了一種基于集成學(xué)習(xí)診斷AR的方法，并比較了傳統(tǒng)機(jī)器學(xué)習(xí)及基于此開發(fā)的集成學(xué)習(xí)方法。結(jié)果顯示，集成學(xué)習(xí)方法中的ARF-OOBEE模型在G-means和AUC指標(biāo)的準(zhǔn)確性提高了近2%，且泛化能力和處理不平衡數(shù)據(jù)的能力更強(qiáng)。AR引起的鼻塞是引起MB的重要原因［13］，因此評(píng)估患兒的鼻塞嚴(yán)重程度至關(guān)重要，尤其是腺樣體扁桃體切除術(shù)后仍有MB的兒童［36］。研究表明，通氣不佳的鼻腔呼吸的溫度差會(huì)更小［37］。基于此，Jiang等［38］使用智能手機(jī)連接的紅外熱成像設(shè)備，記錄每個(gè)鼻孔吸氣和呼氣時(shí)的最大溫度，從而計(jì)算溫度差，以判斷鼻塞的嚴(yán)重程度。但該研究中鼻塞程度的評(píng)估依賴于NOSE評(píng)分，未使用其他客觀測(cè)量方法（如鼻阻力測(cè)量）來驗(yàn)證結(jié)果。

當(dāng)前AI在AR診斷中的應(yīng)用呈現(xiàn)“單模態(tài)強(qiáng)、多模態(tài)弱”的特點(diǎn)，如何整合過敏原檢測(cè)、鼻黏膜表型、微生物組等多維度數(shù)據(jù)構(gòu)建智能診斷系統(tǒng)，將是突破現(xiàn)有診斷瓶頸的關(guān)鍵。同時(shí)，開發(fā)兼具高靈敏度和患者依從性的可穿戴監(jiān)測(cè)設(shè)備，將為實(shí)現(xiàn)AR的實(shí)時(shí)動(dòng)態(tài)評(píng)估提供新思路。

2智能化技術(shù)在呼吸模式診斷中的應(yīng)用

目前，MB的傳統(tǒng)診斷方法主要包括觀察法、雙面鏡法、棉花法及捏嘴法［39］。其中，觀察法是最直觀的診斷方式，通過觀察患者呼吸時(shí)是否張開嘴巴來判斷，可能存在誤差。同樣，捏嘴法也依賴于主觀判斷，容易受觀察者經(jīng)驗(yàn)的影響。雙面鏡法則只能定性地判斷是否存在MB，無法量化其嚴(yán)重程度、持續(xù)時(shí)間及對(duì)睡眠的影響等。

為了克服傳統(tǒng)方法的局限性，有學(xué)者基于溫度和濕度傳感器研制出呼吸模式檢測(cè)裝置［40-41］。此類裝置能夠進(jìn)行長(zhǎng)時(shí)間監(jiān)測(cè)，并且可粗略評(píng)估MB的嚴(yán)重程度。但長(zhǎng)期佩戴可能會(huì)引起不適，尤其是在兒童中，易因信號(hào)缺失影響監(jiān)測(cè)結(jié)果。因此，迫切需要開發(fā)一種無創(chuàng)、穩(wěn)定且高效的呼吸模式診斷方法。

2.1基于紅外熱成像技術(shù)的診斷方法

紅外熱成像是一種非接觸式方法，已被用于多個(gè)領(lǐng)域，包括醫(yī)療領(lǐng)域。其原理是通過檢測(cè)與某些生理過程變化相關(guān)的溫度變化來獲取信息［42］。在呼吸模式識(shí)別方面，Hu等［43］和Huang等［44］均利用呼吸氣體交換時(shí)不同面部區(qū)域的溫度變化進(jìn)行研究。其中，Huang［44］等采用基于深度學(xué)習(xí)的面部DeepAlignmentNetwork模型進(jìn)行面部特征點(diǎn)的定位，分析受試者面部不同區(qū)域熱圖像的相對(duì)溫度變化，以區(qū)分受試者的呼吸模式，并可計(jì)算測(cè)量期間不同呼吸模式的占比。結(jié)果顯示，該方法在實(shí)驗(yàn)室條件下達(dá)到了91%的準(zhǔn)確性，但易受受檢者睡姿變化的影響，其在臨床應(yīng)用中的準(zhǔn)確性有待進(jìn)一步驗(yàn)證。Hanawa等［45］提出了一種利用遠(yuǎn)紅外成像檢測(cè)MB的方法，能夠檢測(cè)MB是否存在及其嚴(yán)重程度，但該方法沒有監(jiān)測(cè)鼻呼吸（nasalbreathing，NB）的變化情況。因熱成像易受環(huán)境溫度的影響，Telson等［46］為消除溫度的影響，計(jì)算了校正后的無量綱溫度。通過使用FlirTools軟件智能化處理熱成像儀數(shù)據(jù)，比較在NB和MB/NB時(shí)嘴巴和鼻子，以及吸氣與呼氣之間的溫度，發(fā)現(xiàn)均存在溫度差異，因此可通過比較嘴巴溫度變化來判斷呼吸模式。但MB/NB的數(shù)據(jù)來自NB者的模擬，而非真正的MB/NB患者，因此需要進(jìn)一步研究以獲取更準(zhǔn)確的數(shù)據(jù)。

上述研究均在實(shí)驗(yàn)條件下進(jìn)行，環(huán)境干擾、個(gè)體差異及溫度變化等因素共同影響了臨床診斷的準(zhǔn)確性和普及性。因此，盡管紅外熱成像技術(shù)在呼吸模式診斷中展現(xiàn)出一定的潛力，但要實(shí)現(xiàn)其在臨床實(shí)踐中的廣泛應(yīng)用，仍需克服諸多挑戰(zhàn)。

2.2基于腦電圖的智能呼吸模式診斷

在MB發(fā)生時(shí)，由于氧氣供應(yīng)不足，大腦功能會(huì)發(fā)生直接和即時(shí)的變化［47］。因此，Hong等［48］利用線性判別分析-隨機(jī)森林方法對(duì)MB和NB的腦電圖（electroencephalogram，EEG）數(shù)據(jù)特征進(jìn)行訓(xùn)練和驗(yàn)證。在閉眼休息狀態(tài)下，該模型的分類準(zhǔn)確率高達(dá)98.4%。其中，腦γ波對(duì)區(qū)分NB和MB最為重要。EEG只能反映大腦活動(dòng)，若將其與其他生理信號(hào)如血氧飽和度（peripheraloxygensaturation，SpO2）、心率等融合，可以提高分類器的準(zhǔn)確性。Lv等［49］開發(fā)了一種性能更優(yōu)的無線EEG采集系統(tǒng)，通過在頭皮上放置電極來記錄腦電活動(dòng)，適用于更廣泛的受試者群體。事件相關(guān)電位地形圖顯示，NB和MB后分別在約23s和16s時(shí)達(dá)到最大幅度。然而，這些研究中僅考慮了NB和MB兩種模式，未涵蓋其他可能的呼吸模式，這可能限制了研究結(jié)果的全面性。此外，這些研究中測(cè)量的SpO2只能反映外周SpO2，不能證明大腦血氧飽和度是否充足，未來，在頭皮電極中整合腦SpO2監(jiān)測(cè)功能可能會(huì)獲得更準(zhǔn)確的研究結(jié)果。

2.3基于呼吸氣流的智能呼吸模式診斷

由于呼吸路徑、共鳴腔及生理結(jié)構(gòu)的差異，MB與NB時(shí)氣流產(chǎn)生的呼吸音存在特征性差異，這為呼吸模式的診斷提供了新的路徑。2012年，Curran等［50］通過分析聲學(xué)傳感器記錄的聲信號(hào)來區(qū)分呼吸模式。研究人員使用數(shù)據(jù)集對(duì)反向傳播神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，建立聲音特征與呼吸模式之間的對(duì)應(yīng)關(guān)系。結(jié)果顯示，使用鎖骨上窩記錄的聲信號(hào)診斷準(zhǔn)確率最高達(dá)90%，但對(duì)于混合模式的識(shí)別準(zhǔn)確率較低。Ahmed等［51］則利用耳塞捕獲音頻信號(hào)，并使用機(jī)器學(xué)習(xí)模型對(duì)特征向量進(jìn)行分類，得到對(duì)應(yīng)呼吸模式的分類結(jié)果。研究中采用了隨機(jī)森林（randomforest，RF）和CNN2種模型。使用RF模型進(jìn)行MB檢測(cè)時(shí)，實(shí)現(xiàn)了72%的準(zhǔn)確率。而使用CNN模型進(jìn)行MB檢測(cè)時(shí)，F(xiàn)1分?jǐn)?shù)達(dá)78.4%，體現(xiàn)了該模型更好的性能。KhanWazir等［52］通過對(duì)人工方式標(biāo)注的音頻（包括NB、MB和呼吸暫停）進(jìn)行數(shù)據(jù)訓(xùn)練，利用CNN模型分析無線AirPods耳機(jī)收集的呼吸音頻信號(hào)，以診斷是否存在MB，得到的最高平均F1分?jǐn)?shù)為97.99%，最低平均F1分?jǐn)?shù)為82.45%。

Ronkin等［53］基于呼吸模式對(duì)氣流速度分布和呼吸信號(hào)特性的影響，通過超聲波流量計(jì)測(cè)量氣流速度等信號(hào)，并提取信號(hào)的特征，作為機(jī)器學(xué)習(xí)的輸入特征。他們使用全連接神經(jīng)網(wǎng)絡(luò)、CNN和RF等分類算法，根據(jù)輸入特征對(duì)呼吸類型進(jìn)行分類。結(jié)果顯示，CNN的分類準(zhǔn)確率約為96%。盡管現(xiàn)有研究主要通過深度學(xué)習(xí)的方法獲得了良好的準(zhǔn)確性，但Biedebach等［54］比較了多種機(jī)器學(xué)習(xí)模型與深度學(xué)習(xí)在檢測(cè)MB方面的性能差異，并首次將基于重建的異常檢測(cè)方法應(yīng)用于睡眠數(shù)據(jù)。結(jié)果發(fā)現(xiàn)，傳統(tǒng)機(jī)器學(xué)習(xí)方法在MB檢測(cè)的表現(xiàn)優(yōu)于深度學(xué)習(xí)模型，這引發(fā)了對(duì)深度學(xué)習(xí)應(yīng)用必要性的反思，間接強(qiáng)調(diào)了簡(jiǎn)單模型在特定場(chǎng)景下的價(jià)值。

雖然呼吸音易于獲取，但現(xiàn)有研究均假設(shè)了相對(duì)干凈的呼吸信號(hào)，現(xiàn)實(shí)生活中的噪聲環(huán)境可能會(huì)影響模型的準(zhǔn)確性。此外，無論是呼吸音還是氣流，均會(huì)受到體位、個(gè)體差異等的影響，這可能會(huì)影響模型的準(zhǔn)確性和泛化能力。若能解決這些問題，可進(jìn)一步提高診斷性能及患者的接受度。

3智能化技術(shù)在MB治療中的應(yīng)用

基于患者的具體病情，AI可以輔助制定個(gè)性化的治療方案。通過分析患者的歷史醫(yī)療數(shù)據(jù)、呼吸模式、生活習(xí)慣等信息，AI系統(tǒng)可以輔助醫(yī)師選擇治療方案。Hu等［55］通過計(jì)算機(jī)視覺技術(shù)提取面部特征點(diǎn)，并通過相關(guān)性矩陣分析發(fā)現(xiàn)唇厚度、內(nèi)外眼角距離等特征點(diǎn)距離與腺樣體面容高度相關(guān)。Mancini等［56］基于學(xué)習(xí)向量量化（learningvectorquantization，LVQ）模型對(duì)MB兒童的姿勢(shì)進(jìn)行訓(xùn)練，并使用Leave-One-Out對(duì)LVQ模型進(jìn)行驗(yàn)證。結(jié)果顯示，該模型的AUC值高達(dá)0.92。此外，他們還將LVQ模型集成到軟件，開發(fā)了一款輔助醫(yī)師進(jìn)行MB兒童姿勢(shì)評(píng)估和分類的軟件，幫助臨床醫(yī)師及時(shí)發(fā)現(xiàn)MB兒童的異常發(fā)育。Malizia等［34］的研究則專注于協(xié)助醫(yī)師篩選出鼻塞型AR兒童，從而采取精準(zhǔn)治療方法。

口腔矯治器（oralappliance，OA）通過前移下頜位置，充當(dāng)下頜和舌頭的支撐器，起到擴(kuò)張氣道、防止阻塞的作用，此外，OA還可以破除MB習(xí)慣，逆轉(zhuǎn)MB引起的牙頜面畸形［57-58］。因其無創(chuàng)傷、經(jīng)濟(jì)、方便，已經(jīng)被越來越多口腔醫(yī)師和患者所接受［59］。Kujirai等［60］利用3D打印技術(shù)，根據(jù)患者的口腔情況個(gè)性化設(shè)計(jì)肌功能矯治器，有效解決了佩戴不適、固位不良等問題，從而提高了治療效果。肖思情等［61］通過層次分析法對(duì)OA的功能需求進(jìn)行深入分析，并結(jié)合用戶的呼吸習(xí)慣和口腔結(jié)構(gòu)特點(diǎn)，設(shè)計(jì)了一種能夠智能適應(yīng)個(gè)體差異、實(shí)現(xiàn)精準(zhǔn)矯正MB的矯治器，從而提高治療的依從性，以達(dá)到更好的療效。Shihabi等［62］運(yùn)用3DUX-Net算法提取OA治療前后下頜骨和髁突的三維模型特征，用于治療效果的評(píng)估。Mancini等［56］開發(fā)的軟件也可用于治療后面部發(fā)育情況的隨訪，提升了治療效果評(píng)價(jià)的準(zhǔn)確性。

總之，AI技術(shù)在個(gè)性化醫(yī)療方案的制定中展現(xiàn)出廣闊的應(yīng)用前景。通過多維度數(shù)據(jù)分析、智能算法優(yōu)化和個(gè)性化設(shè)備研發(fā)，AI有望進(jìn)一步提升診療的精準(zhǔn)度和患者生活質(zhì)量。同時(shí)，跨學(xué)科合作將進(jìn)一步推動(dòng)醫(yī)療創(chuàng)新，為臨床實(shí)踐帶來更多突破。

4結(jié)語與展望

本文系統(tǒng)闡述了智能技術(shù)在MB診療中的應(yīng)用，通過智能技術(shù)實(shí)現(xiàn)病因診斷、呼吸模式識(shí)別及治療輔助，為突破傳統(tǒng)診療主觀性強(qiáng)、效率低等問題提供了新路徑。未來的研究和應(yīng)用推進(jìn)方向包括①多模態(tài)融合：整合影像、腦電、呼吸音等數(shù)據(jù)，構(gòu)建Transformer驅(qū)動(dòng)的全鏈條智能診斷模型。②數(shù)據(jù)與算法優(yōu)化：建立多中心數(shù)據(jù)庫，借助聯(lián)邦學(xué)習(xí)和弱監(jiān)督學(xué)習(xí)提升泛化能力。③設(shè)備研發(fā)：開發(fā)可穿戴式監(jiān)測(cè)設(shè)備，集成邊緣計(jì)算實(shí)現(xiàn)“監(jiān)測(cè)-治療”閉環(huán)管理。④跨學(xué)科協(xié)同：聚焦三維重建精度、噪聲魯棒性等技術(shù)難點(diǎn)，推動(dòng)“醫(yī)工”深度融合。通過以上方向的探索和實(shí)踐，有望進(jìn)一步提升智能技術(shù)在MB診療中的應(yīng)用價(jià)值，為患者提供更高效、精準(zhǔn)的醫(yī)療服務(wù)。利益沖突聲明：本研究未受到企業(yè)、公司等第三方資助，不存在潛在利益沖突。

參考文獻(xiàn)

［1］NOSETTIL，ZAFFANELLOM，DEBERNARDIDIVALSERRAF，etal.Exploringtheintricatelinksbetweenadenotonsillarhypertrophy，mouthbreathing，andcraniofacialdevelopmentinchildrenwithsleep-disorderedbreathing：unravelingtheviciouscycle［J］.Children（Basel），2023，10（8）：1426.DOI：10.3390/children10081426.

［2］WANGH，QIAOX，QIS，etal.Effectofadenoidhypertrophyontheupperairwayandcraniomaxillofacialregion［J］.TranslPediatr，2021，10（10）：2563-2572.DOI：10.21037/tp-21-437.

［3］BORSAL，ESTèVED，CHARAVETC，etal.Malocclusionsandoraldysfunctions：acomprehensiveepidemiologicalstudyon359schoolchildreninFrance［J］.ClinExpDentRes，2023，9（2）：332-340.DOI：10.1002/cre2.719.

［4］WARNIERM，PIRONL，MORSOMMED，etal.Assessmentofmouthbreathingbyspeech-languagepathologists：aninternationalDelphiconsensus［J］.Codas，2023，35（3）：e20220065.DOI：10.1590/2317-1782/20232022065.

［5］LEALRB，GOMESMC，GRANVILLE-GARCIAAF，etal.Impactofbreathingpatternsonthequalityoflifeof9-to10-yearoldschoolchildren［J］.AmJRhinolAllergy，2016，30（5）：147-152.DOI：10.2500/ajra.2016.30.4363.

［6］YAMAGUCHIH，TADAS，NAKANISHIY，etal.AssociationbetweenmouthbreathingandatopicdermatitisinJapanesechildren2-6yearsold：apopulation-basedcross-sectionalstudy［J］.PLoSOne，2015，10（4）：e0125916.DOI：10.1371/journal.pone.0125916.

［7］ALQUTAMIJ，ELGERW，GRAFEN，etal.Dentalhealth，halitosisandmouthbreathingin10-to-15yearoldchildren：apotentialconnection［J］.EurJPaediatrDent，2019，20（4）：274-279.DOI：10.23804/ejpd.2019.20.04.03.

［8］雷曉靜，任衛(wèi)萍，郭昱，等.兒童張口呼吸及相關(guān)危險(xiǎn)因素的調(diào)查研究［J］.中國科技論文在線精品論文，2018，11（5）：450-456.

LEIXJ，RENWP，GUOY，etal.Investigationonthesituationofmouthbreathinganditsrelateddangerousfactorsinchildren［J］.HighlightsofSciencepaperOnline，2018，11（5）：450-456.

［9］田甜，張飛，張璇，等.基于ChatGPT的人工智能技術(shù)在全科醫(yī)療服務(wù)中的應(yīng)用研究［J］.中華全科醫(yī)學(xué)，2025，23（5）：721-725.DOI：10.16766/j.cnki.issn.1674-4152.003988.

TIANT，ZHANGF，ZHANGX，etal.ResearchontheapplicationofartificialintelligencetechnologybasedonChatGPTingeneralmedicalservices［J］.ChinJGenPract，2025，23（5）：721-725.DOI：10.16766/j.cnki.issn.1674-4152.003988.

［10］許溪，康寧，羅敏婷，等.人工智能在兒童耳鼻咽喉頭頸外科中應(yīng)用的系統(tǒng)綜述［J］.新醫(yī)學(xué)，2024，55（7）：497-505.DOI：10.3969/j.issn.0253-9802.2024.07.002.

XUX，KANGN，LUOMT，etal.Applicationofartificialintelligenceinpediatricotolaryngology-headandnecksurgery：asystematicreview［J］.JNewMed，2024，55（7）：497-505.DOI：10.3969/j.issn.0253-9802.2024.07.002.

［11］FENGX，LIG，QUZ，etal.Comparativeanalysisofupperairwayvolumewithlateralcephalogramsandcone-beamcomputedtomography［J］.AmJOrthodDentofacialOrthop，2015，147（2）：197-204.DOI：10.1016/j.ajodo.2014.10.025.

［12］GULOTTAG，IANNELLAG，VICINIC，etal.Riskfactorsforobstructivesleepapneasyndromeinchildren：stateofthear［tJ］.IntJEnvironResPublicHealth，2019，16（18）：3235.DOI：10.3390/ijerph16183235.

［13］WANGQ，GUOY，WUX，etal.Effectofallergicrhinitisonsleepinchildrenandtheriskfactorsofanindoorenvironmen［tJ］.SleepBreath，2022，26（3）：1265-1275.DOI：10.1007/s11325-021-02546-2.

［14］NGSK，LEEDL，LIAM，etal.Reproducibilityofclinicalgradingoftonsillarsize［J］.ArchOtolaryngolHeadNeckSurg，2010，136（2）：159-162.DOI：10.1001/archoto.2009.170.

［15］ACARM，KANKILICES，KOKSALAO，etal.Methodofthediagnosisofadenoidhypertrophyforphysicians：adenoidnasopharynxratio［J］.JCraniofacSurg，2014，25（5）：e438-40.DOI：10.1097/SCS.0000000000000952.

［16］SHENY，LIX，LIANGX，etal.Adeep-learning-basedapproachforadenoidhypertrophydiagnosis［J］.MedPhys，2020，47（5）：2171-2181.DOI：10.1002/mp.14063.

［17］ALSHBISHIRIAA，MARGHALANIMA，KHANHA，etal.AdenoidsegmentationinX-rayimagesusingU-net［C］//2021NationalComputingCollegesConference（NCCC）.Taif，SaudiArabia：IEEE，2021：1-6.DOI：10.1109/nccc49330.2021.9428866.

［18］王軍，何生，張智星，等.基于深度學(xué)習(xí)方法對(duì)兒童腺樣體肥大進(jìn)行準(zhǔn)確診斷和分級(jí)［J］.放射學(xué)實(shí)踐，2022，37（9）：1143-1149.DOI：10.13609/j.cnki.1000-0313.2022.09.016.

WANGJ，HES，ZHANGZX，etal.Adeeplearningapproachforchildhoodadenoidhypertrophyprecisediagnosisandgrading［J］.RadiologicPractice，2022，37（9）：1143-1149.DOI：10.13609/j.cnki.1000-0313.2022.09.016.

［19］ZHAOT，ZHOUJ，YANJ，etal.Automatedadenoidhypertrophyassessmentwithlateralcephalometryinchildrenbasedonartificialintelligence［J］.Diagnostics（Basel），2021，11（8）：1386.DOI：10.3390/diagnostics11081386.

［20］RAOY，ZHANGQ，WANGX，etal.Automateddiagnosisofadenoidhypertrophywithlateralcephalograminchildrenbasedonmulti-scalelocalattention［J］.SciRep，2024，14（1）：18619.DOI：10.1038/s41598-024-69827-0.

［21］LIUJL，LISH，CAIYM，etal.AutomatedradiographicevaluationofadenoidhypertrophybasedonVGG-Lite［J］.JDentRes，2021，100（12）：1337-1343.DOI：10.1177/00220345211009474.

［22］GUOW，GAOY，YANGY.Automaticdetectionofadenoidhypertrophyonlateralnasopharyngealradiographsofchildrenbasedondeeplearning［J］.TranslPediatr，2024，13（8）：1368-1377.DOI：10.21037/tp-24-194.

［23］GAOD，SUNX，YANGY，etal.DiagnosticvalueofCBCTinChinesechildrenwithadenoidhypertrophy［J］.LaryngoscopeInvestigOtolaryngol，2022，7（5）：1308-1314.DOI：10.1002/lio2.837.

［24］王路，羅澤斌，倪健慧，等.基于U-Net網(wǎng)絡(luò)的兒童腺樣體及鼻咽氣道圖像分割［J］.臨床耳鼻咽喉頭頸外科雜志，2023，37（8）：632-636，641.DOI：10.13201/j.issn.2096-7993.2023.08.006.

WANGL，LUOZB，NIJH，etal.ApplicationofU-Netnetworkinautomaticimagesegmentationofadenoidandairwayofnasopharynx［J］.JClinOtorhinolaryngolHeadNeckSurg，2023，37（8）：632-636，641.DOI：10.13201/j.issn.2096-7993.2023.08.006.

［25］THEREZA-BUSSOLAROC，LAGRAVèREM，PACHECOPEREIRAC，etal.Development，validationandapplicationofa3Dprintedmodeldepictingadenoidhypertrophyincomparisontoanasoendoscopy［J］.HeadFaceMed，2020，16（1）：5.DOI：10.1186/s13005-020-00216-4.

［26］DONGW，CHENY，LIA，etal.Automaticdetectionofadenoidhypertrophyoncone-beamcomputedtomographybasedondeeplearning［J］.AmJOrthodDentofacialOrthop，2023，163（4）：553-560.e3.DOI：10.1016/j.ajodo.2022.11.011.

［27］WorkingGroupofChineseGuidelinefortheDiagnosisandTreatmentofChildhoodOSA，SubspecialtyGroupofPediatricsofSocietyofOtorhinolaryngologyHeadandNeckSurgeryofChineseMedicalAssociation，SubspecialtyGroupofRespiratoryDiseasesofSocietyofPediatricsofChineseMedicalAssociation，etal.Chineseguidelineforthediagnosisandtreatmentofchildhoodobstructivesleepapnea（2020）［J］.PediatrInvestig，2021，5（3）：167-187.DOI：10.1002/ped4.12284.

［28］ZHENGS，LIX，BIM，etal.Contrastivelearning-basedadenoidhypertrophygradingnetworkusingnasoendoscopicimage［C］//2022IEEE35thInternationalSymposiumonComputer-BasedMedicalSystems（CBMS）.Shenzhen，China：IEEE，2022：377-382.DOI：10.1109/CBMS55023.2022.00074.

［29］BIM，ZHENGS，LIX，etal.MIB-ANet：anovelmulti-scaledeepnetworkfornasalendoscopy-basedadenoidhypertrophygrading［J］.FrontMed（Lausanne），2023，10：1142261.DOI：10.3389/fmed.2023.1142261.

［30］何昌源，袁鑫攀.基于深度學(xué)習(xí)的鼻內(nèi)鏡腺樣體圖像的3D點(diǎn)云重建［J］.電腦知識(shí)與技術(shù)，2024，20（34）：1-3，6.DOI：10.14004/j.cnki.ckt.2024.1783.

HECY，YUANXP.3Dpointcloudreconstructionofadenoidimageofnasalendoscopebasedondeeplearning［J］.ComputKnowlTechnol，2024，20（34）：1-3，6.DOI：10.14004/j.cnki.ckt.2024.1783.

［31］BRO?EKJL，BOUSQUETJ，AGACHEI，etal.Allergicrhinitisanditsimpactonasthma（ARIA）guidelines-2016revision［J］.JAllergyClinImmunol，2017，140（4）：950-958.DOI：10.1016/j.jaci.2017.03.050.

［32］MENGY，WANGC，ZHANGL.Advancesandnoveldevelopmentsinallergicrhinitis［J］.Allergy，2020，75（12）：3069-3076.DOI：10.1111/all.14586.［33］CHRISTOPHERJJ，NEHEMIAHHK，KANNANA.AclinicaldecisionsupportsystemfordiagnosisofAllergicRhinitisbasedonintradermalskintests［J］.ComputBiolMed，2015，65：76-84.DOI：10.1016/j.compbiomed.2015.07.019.

［34］MALIZIAV，CILLUFFOG，F(xiàn)ASOLAS，etal.Endotypingallergicrhinitisinchildren：amachinelearningapproach［J］.PediatrAllergyImmunol，2022，33（Suppl27）：18-21.DOI：10.1111/pai.13620.

［35］DAIF，ZHAOCL，YANGJD，etal.Artificialintelligenceapplicationsinallergicrhinitisdiagnosis：focusonensemblelearning［J］.AsiaPacAllergy，2024，14（2）：56-62.DOI：10.5415/apallergy.0000000000000126.

［36］LEEDJ，CHUNGYJ，YANGYJ，etal.Theimpactofallergicrhinitisonsymptomimprovementinpediatricpatientsafteradenotonsillectomy［J］.ClinExpOtorhinolaryngol，2018，11（1）：52-57.DOI：10.21053/ceo.2017.00500.

［37］BAILEYRS，CASEYKP，PAWARSS，etal.Correlationofnasalmucosaltemperaturewithsubjectivenasalpatencyinhealthyindividuals［J］.JAMAFacialPlastSurg，2017，19（1）：46-52.DOI：10.1001/jamafacial.2016.1445.

［38］JIANGS，CHANJ，STUPAKHD.Theuseofinfraredthermalimagingtodeterminefunctionalnasaladequacy：apilotstudy［J］.OTOOpen，2021，5（3）：2473974X211045958.DOI：10.1177/2473974X211045958.

［39］PACHECOMCT，CASAGRANDECF，TEIXEIRALP，etal.Guidelinesproposalforclinicalrecognitionofmouthbreathingchildren［J］.DentPressJOrthod，2015，20（4）：39-44.DOI：10.1590/2176-9451.20.4.039-044.oar.

［40］RENH，LIY，ZHANGH，etal.Aflexibleanddual-channelsensingsystemforlong-termnasalandoralrespirationsimultaneouslymonitoring［J］.IEEESensorsJournal，2023：23（22）：28129-28140.DOI：10.1109/JSEN.2023.3322683.

［41］ULLAHA，ZULFIQARMH，KHANMA，etal.Non-wovenpaper-basedfacileultra-fastresponsecapacitivesensorforrespirationmonitoring［C］//2023IEEE23rdInternationalConferenceonNanotechnology（NANO）.JejuCity，RepublicofKorea：IEEE，2023：1-5.DOI：10.1109/NANO58406.2023.10231277.

［42］LAHIRIBB，BAGAVATHIAPPANS，JAYAKUMART，etal.Medicalapplicationsofinfraredthermography：areview［J］.InfraredPhysTechnol，2012，55（4）：221-235.DOI：10.1016/j.infrared.2012.03.007.

［43］HUMH，ZHAIGT，LID，etal.Synergeticuseofthermalandvisibleimagingtechniquesforcontactlessandunobtrusivebreathingmeasurement［J］.JBiomedOpt，2017，22（3）：36006.DOI：10.1117/1.JBO.22.3.036006.

［44］HUANGZ，WANGW，DEHAANG.Nosebreathingormouthbreathing：athermography-basednewmeasurementforsleepmonitoring［C］//2021IEEE/CVFConferenceonComputerVisionandPatternRecognitionWorkshops（CVPRW）.Nashville，TN，USA：IEEE，2021：3877-3883.DOI：10.1109/cvprw53098.2021.00430.

［45］HANAWAD，OHGUCHIT，OGUCHIK.Basicstudyonnoncontactmeasurementofhumanoralbreathingbyusingfarinfra-redimaging［C］//201639thInternationalConferenceonTelecommunicationsandSignalProcessing（TSP）.Vienna，Austria：IEEE，2016：681-684.DOI：10.1109/TSP.2016.7760970.

［46］TELSONYC，F(xiàn)URLANRMMM，PORTOMP，etal.Evaluationofthebreathingmodebyinfraredthermography［J］.BrazJOtorhinolaryngol，2023，89（6）：101333.DOI：10.1016/j.bjorl.2023.101333.

［47］LEEKJ，PARKCA，LEEYB，etal.EEGsignalsduringmouthbreathinginaworkingmemorytask［J］.IntJNeurosci，2020，130（5）：425-434.DOI：10.1080/00207454.2019.1667787.

［48］HONGYG，KIMHK，SONYD，etal.IdentificationofbreathingpatternsthroughEEGsignalanalysisusingmachinelearning［J］.BrainSci，2021，11（3）：293.DOI：10.3390/brainsci11030293.

［49］LVD，ZHANGX，WANGX，etal.Differencesinelectroencephalogramsignalsevokedbynasalandoralbreathing［C］//20242ndInternationalConferenceonMechatronics，IoTandIndustrialInformatics（ICMIII）.Melbourne，Australia：IEEE，2024：474-480.DOI：10.1109/ICMIII62623.2024.00093.

［50］CURRANK，YUANP，COYLED.Usingacousticsensorstodiscriminatebetweennasalandmouthbreathing［J］.IntJBioinformResAppl，2012，8（5/6）：382-396.DOI：10.1504/IJBRA.2012.049623.

［51］AHMEDT，RAHMANMM，NEMATIE，etal.Mouthbreathingdetectionusingaudiocapturedthroughearbuds［C］//ICASSP2023-2023IEEEInternationalConferenceonAcoustics，SpeechandSignalProcessing（ICASSP）.RhodesIsland，Greece：IEEE，2023：1-5.DOI：10.1109/ICASSP49357.2023.10095793.

［52］KHANWAZIRH，WAGHOOZ，KAPILAV.Wirelessearphonebasedreal-timemonitoringofbreathingexercises：adeeplearningapproach［C］//202446thAnnualInternationalConferenceoftheIEEEEngineeringinMedicineandBiologySociety（EMBC）.Orlando，F(xiàn)L，USA：IEEE，2024：1-4.DOI：10.1109/EMBC53108.2024.10782159.

［53］RONKINM，KALMYKOVA.BreathingactivityparametersmeasurementsusingFMCWultrasonicflowmeters［C］//2019InternationalMulti-ConferenceonEngineering，ComputerandInformationSciences（SIBIRCON）.Novosibirsk，Russia：IEEE，2019：0509-0513.DOI：10.1109/sibircon48586.2019.8958326.

［54］BIEDEBACHL，óSKARSDóTTIRM，ARNARDóTTIRES，etal.Anomalydetectioninsleep：detectingmouthbreathinginchildren［J］.DataMinKnowlDiscov，2024，38（3）：976-1005.DOI：10.1007/s10618-023-00985-x.

［55］HUX，ZHANGQY，YANGJJ，etal.Photographicanalysisandmachinelearningfordiagnosticpredictionofadenoidhypertrophy［C］//2019IEEE16thInternationalConferenceonNetworking，SensingandControl（ICNSC）.Banff，AB，Canada：IEEE，2019：7-11.DOI：10.1109/ICNSC.2019.8743276.

［56］MANCINIF，SOUSAFS，HUMMELAD，etal.Classificationofposturalprofilesamongmouth-breathingchildrenbylearningvectorquantization［J］.MethodsInfMed，2011，50（4）：349-357.DOI：10.3414/ME09-01-0039.

［57］SAKAIRH，DEASSUMP??OMS，RIBEIROJD，etal.Impactofrapidmaxillaryexpansiononmouth-breathingchildrenandadolescents：asystematicreview［J］.JClinExpDent，2021，13（12）：e1258-e1270.DOI：10.4317/jced.58932.

［58］CAPPELLETTEMJr，NAGAILHY，GON?ALVESRM，etal.SkeletaleffectsofRMEinthetransverseandverticaldimensionsofthenasalcavityinmouth-breathinggrowingchildren［J］.DentalPressJOrthod，2017，22（4）：61-69.DOI：10.1590/2177-6709.22.4.061-069.oar.

［59］蔣昕怡，高軼昳，陳建軍，等.口腔矯治器治療兒童口呼吸的臨床研究進(jìn)展［J］.解放軍醫(yī)學(xué)院學(xué)報(bào)，2019，40（8）：802-805.DOI：10.3969/j.issn.2095-5227.2019.08.024.

JIANGXY，GAOYY，CHENJJ，etal.Advancesinclinicalapplicationoforalapplianceintreatmentofchildrenmouthbreathing［J］.AcadJChinPLAMedSch，2019，40（8）：802-805.DOI：10.3969/j.issn.2095-5227.2019.08.024.

［60］KUJIRAIK，TAKAHASHIM，KOIZUMIS，etal.3Dprinterassistedlayeredfabricationofanovelappliancefororalmyofunctionaltherapyandfunctionalevaluationofitseffectsonorofacialmusclesduringwear［J］.Cureus，2024，16（4）：e59228.DOI：10.7759/cureus.59228.

［61］肖思情，楊雪，姚君.基于AHP層次分析法的口呼吸矯正器的功能設(shè)計(jì)研究［J］.機(jī)電產(chǎn)品開發(fā)與創(chuàng)新，2021，34（4）：66-67，92.DOI：10.3969/j.issn.1002-6673.2021.04.023.

XIAOSQ，YANGX，YAOJ.ResearchonthefunctiondesignoforalandrespiratoryappliancebasedonAHP［J］.DevInnovMachElectrProd，2021，34（4）：66-67，92.DOI：10.3969/j.issn.1002-6673.2021.04.023.

［62］SHIHABIR，LIUY，KUSAIBATIAM，etal.Threedimensionalanalysisofmandibularandcondylargrowthusingartificialintelligencetools：acomparisonoftwin-blockandFrankelIIAppliances［J］.BMCOralHealth，2025，25（1）：254.DOI：10.1186/s12903-025-05624-z.

（責(zé)任編輯：鄭巧蘭）