全世界每年有数百万人接受某种类型的正畸治疗，这主要是由于颌骨、头骨或面部的发育畸形。计算机断层扫描 (CT) 成像是外科医生在规划此类治疗(尤其是手术)时的首选技术。这是因为 CT 提供了骨骼和牙齿的 3D 图像，这有助于外科医生详细分析复杂的病例，并据此确定最佳治疗方案。

在 CT 扫描期间，外科医生通常会尝试在图像中精确定位特定的解剖学标志。这些是人体中的不同点，可用作进行测量和评估状况或畸形的参考。然而，找到这些地标可能非常耗时并且需要相当高的技巧。因此，许多研究人员尝试使用人工智能 (AI) 使这一过程自动化，并取得了不同程度的成功。

现有 AI 方法的一个常见问题是它们依赖于称为“分割”的过程。在医学图像分析中，分割意味着将图像分成不同的相关区域，例如单个骨骼或特定组织组。虽然这种方法对大多数人来说效果很好，但对于有植入物或畸形(包括缺失或骨折)的患者来说，它往往会失败。但是，如果我们能找到一种方法来执行解剖标记而不需要先分割图像呢?

据《医学影像学杂志》报道，这是西北大学研究小组进行的一项研究的目标。研究人员假设深度学习AI模型应该能够学习颅颌面 (CMF) 骨骼(颅骨、面部和颌骨)的解剖标志之间的空间关系，而无需明确的图像分割。

“这种人工智能模型可以自动学习解剖结构及其根本原因之间的关系的方法被称为‘关系推理’。”虽然关系推理在机器人技术中广为人知，但在医学成像中几乎没有考虑到关系推理，”通讯作者、西北大学放射学和生物医学工程系副教授 Ulas Bagci 解释道。