编辑推荐：
为解决传统玻璃基陶瓷粘结强度测试的局限，南京医科大学附属口腔医院研究人员开展影响锂二硅酸盐增强玻璃陶瓷与树脂粘结强度因素的研究。结果发现关键影响因素，且 ML 有预测潜力。推荐阅读，助您了解前沿成果。
在牙科修复领域，玻璃基陶瓷凭借其与天然牙齿相近的弹性模量、出色的美学性能以及良好的粘结后机械性能，成为了备受青睐的材料 ，广泛应用于制作贴面、嵌体等修复体。不过，它的抗弯强度有限，难以独自承受咬合力，因此与树脂的粘结性能就显得至关重要。
以往，科研人员通过体外和体内实验不断探索玻璃基陶瓷的粘结策略和产品。体外粘结强度测试是评估修复材料粘结性能的常用方法，像剪切粘结强度、拉伸粘结强度等测试，都是通过对粘结界面施加相应的力来衡量粘结强度。但这个方法问题不少，比如样本制备复杂，耗时费力；实验中的设备品牌、测试环境、操作人员等因素都会干扰结果，导致不同研究间的粘结结果难以比较，也很难确定影响玻璃基陶瓷粘结强度的关键因素。
面对这些难题，南京医科大学附属口腔医院的研究人员另辟蹊径，在《BMC Oral Health》期刊上发表了题为《The influence of different factors on the bond strength of lithium disilicate?reinforced glass–ceramics to Resin: a machine learning analysis》的论文 。他们借助机器学习（Machine Learning，ML）技术，深入分析影响锂二硅酸盐增强玻璃陶瓷与树脂粘结强度的因素，并构建预测模型。这项研究成果意义非凡，不仅为玻璃基陶瓷粘结研究提供了新方向，还有助于推动牙科材料领域的发展。
研究人员在此次研究中，运用了多种关键技术方法。首先是数据收集，他们按照既定的纳入和排除标准，从大量体外研究中筛选出 36 项相关研究，收集锂二硅酸盐增强玻璃陶瓷与树脂粘结强度的数据 。接着是输入特征选择，从初始数据集中挑选出 8 个与粘结强度相关的类别，共 19 个输入特征。在模型选择上，鉴于收集到的粘结强度数据范围和变化特点，采用监督学习中的二元分类法，运用 Python 的 scikit-learn 库中的 9 种 ML 算法构建模型。为了优化模型和评估性能，他们使用了分层交叉验证（Cross-validation，CV）、嵌套 CV 和网格搜索 CV 等方法，还进行了特征重要性分析 。
下面，我们来详细看看这项研究的结果。
- 特征重要性分析：研究人员用 6 种 ML 模型对 19 个特征进行重要性评估，结果发现，影响粘结强度的前五大因素依次是氢氟酸（Hydrofluoric acid，HF）浓度、HF 蚀刻时间、底漆中的 γ- 甲基丙烯酰氧基丙基三甲氧基硅烷（gamma-methacryloxypropyltrimethoxysilane，gamma-MPTS）、底漆中的 10 - 甲基丙烯酰氧基癸基二氢磷酸酯（10-methacryloxydecyl dihydrogen phosphate，MDP）以及粘结剂中的双酚 A - 甲基丙烯酸缩水甘油酯（Bisphenol A-glycidyl methacrylate，Bis-GMA）。这一结果表明，HF 蚀刻产生的微机械锁合对玻璃基陶瓷的粘结影响最大，而不是化学亲和力。在实际应用中，以往大家对化学亲和力在粘结中的作用有很多讨论，但这次研究明确了微机械锁合的主导地位。
- 构建五特征数据集：基于特征重要性分析结果，研究人员选取前五个重要特征构建新数据集。这个数据集里，HF 蚀刻时间和浓度是连续变量，其他特征是二元变量。通过对新数据集变量的相关性分析，绘制出矩阵热图，进一步了解变量间的关系。这就好比给研究人员提供了一张 “地图”，让他们更清楚各个因素之间是如何相互影响的。
- 模型性能评估：研究人员用分层 CV、嵌套 CV 评估 9 种 ML 模型性能，指标是受试者工作特征曲线下面积（Area Under Curve，AUC）和准确率。分层 CV 下，9 种模型的 AUC 分数在 0.71 - 0.93 之间，准确率在 0.64 - 0.83 之间，梯度提升（Gradient Boosting，GB）模型得分最高 。综合分层 CV 和嵌套 CV 的 AUC 结果，极端梯度提升（Extreme Gradient Boosting，XGB）模型性能最优、准确率最高。这意味着 XGB 模型在预测玻璃基陶瓷与树脂的粘结强度方面表现更出色，可以为后续研究和临床应用提供更可靠的参考。
从研究结论和讨论部分来看，这次研究收获颇丰。确定了影响锂二硅酸盐增强玻璃陶瓷粘结强度的关键因素，为优化粘结策略提供了理论依据。比如，知道 HF 蚀刻相关因素影响大，在实际操作中就可以更精准地控制蚀刻条件；明确 gamma-MPTS 在底漆中的作用更显著，就可以合理调整其使用方式，避免临床中不必要的冗余应用。机器学习技术在预测玻璃基陶瓷粘结强度上展现出潜力，XGB 模型表现突出。这为牙科材料研究开辟了新道路，未来可以利用该模型预测新粘结策略或产品的粘结强度，减少不必要的体外实验，提高研究效率。不过，研究也存在局限性，只收集了初始粘结强度数据，没涉及人工老化数据，而且对其他玻璃基陶瓷的粘结性能研究有限 。但这也为后续研究指明了方向，未来可以进一步拓展研究范围，完善玻璃基陶瓷粘结强度的预测模型。
总的来说，这项研究突破了传统研究方法的局限，借助机器学习技术深入剖析影响玻璃基陶瓷粘结强度的因素，构建出有效的预测模型。虽然还有一些不足，但它为牙科材料领域的发展提供了新的思路和方法，有望推动该领域在粘结性能研究和产品开发方面取得更大的进展，让玻璃基陶瓷在牙科修复中发挥更大的作用，为患者带来更好的治疗效果。
