基于人工智能的口腔潜在恶性病变早期检测与风险分层系统的开发与验证

《Journal of Oral Biology and Craniofacial Research》：Development and validation of an AI-based application for early detection and risk stratification of oral potentially malignant disorders

本研究针对口腔潜在恶性病变(OPMDs)早期诊断资源不足的问题，开发了名为PRAYAAS的AI移动应用。该研究利用794张口腔内图像，通过U-Net分割和微调DenseNet201模型进行分类，测试集准确率达94%，为社区口腔癌筛查提供了高效工具。

　　

在印度，口腔癌是男性中最常见的癌症，也是女性中第三大常见癌症，占全国所有癌症病例的30%。然而，许多口腔癌患者在确诊时已处于晚期，这大大降低了治疗效果并增加了死亡率。口腔潜在恶性病变(OPMDs)是口腔癌的前兆，其恶性转化可能需5到10年，这为通过早期发现和治疗OPMDs来预防口腔癌提供了一个关键窗口。尽管印度国家项目建议由基层健康工作者进行人群筛查，但实际筛查率极低，数据显示仅有约1%的适龄人群曾接受过口腔癌筛查。这凸显了在资源有限地区，亟需一种可及、高效的筛查工具。

在此背景下，研究人员Akash Gajanan Prabhune、Vinay R. Srihari、Shreya Shree、Manish Katiyar和Vipin Thampi来自印度班加罗尔健康管理研究学院数字健康促进中心(ADMIRE)，他们开展了一项研究，旨在开发并验证一款名为PRAYAAS（Primary Referral and AI-based Screening for Assessing Oral Health）的基于人工智能(AI)的移动应用程序，用于OPMDs的早期检测和风险分层。这项研究发表在《Journal of Oral Biology and Craniofacial Research》上，为改善社区口腔健康筛查提供了新的解决方案。

为了开展研究，研究人员主要应用了几项关键技术。首先，他们收集了总计794张来自三级口腔病理中心（134张）和社区筛查营（610张）的口腔内图像数据集，并将其分为三类：正常黏膜/炎症、癌前病变和口腔癌。其次，采用敏捷开发框架Scrum方法论来管理项目进程。在模型构建上，利用U-Net架构进行图像分割以聚焦病灶区域，并采用经过微调(Fine-tuning)的DenseNet201深度学习模型进行分类。最后，使用Streamlit框架将训练好的模型部署为易于使用的网页应用程序PRAYAAS，实现实时图像分析和结果展示。

研究结果和发现

模型性能

研究开发的AI应用程序在训练、验证和测试阶段均表现出稳健的性能。选定的DenseNet201模型在训练集（556张图像）上达到了99.5%的准确率，在验证集（142张图像）上达到98.9%的准确率，显示出极强的学习能力和泛化能力。在独立测试集（96张图像）上的总体准确率为94%。具体到各类别，对于正常黏膜/炎症类别（Category 1），精确度(Precision)、召回率(Recall)和F1分数均达到1.00，表现完美。对于癌前病变类别（Category 2），精确度为0.87，召回率为1.00，F1分数为0.93，显示出有效识别癌前病变的能力。对于口腔癌类别（Category 3），精确度为1.00，但召回率降至0.80，F1分数为0.89，表明存在少量误判。模型的敏感性(Sensitivity)为0.8333，特异性(Specificity)为0.7143，阳性预测值(PPV)为0.5556，阴性预测值(NPV)高达0.9091，表明其在排除OPMDs方面非常可靠。

PRAYAAS应用工作流程

该应用程序的工作流程设计系统且自动化。从图像捕获开始，应用程序安全地存储用户上传或直接通过应用拍摄的口腔内图像。接着进入图像分析阶段，应用先进的机器学习算法检查图像，识别OPMDs的潜在迹象。然后是图像分割，将分析后的图像分类到三个类别之一：正常黏膜变异、癌前病变或口腔癌。最后，在结果呈现阶段，应用程序显示详细的OPMD风险评估，包括每个类别的概率，并通过用户友好界面确保所有功能易于访问，特别适合社区筛查和资源有限环境。

讨论

本研究使用的数据集规模（794张图像）与同类研究相比具有可比性。开发的PRAYAAS算法显示出作为OPMDs诊断辅助工具的潜力，特别是在资源有限的环境中。其高阴性预测值(0.9091)意味着被判定为阴性的人患有未被发现的OPMDs的可能性很低，这有助于减少不必要的干预。虽然模型的敏感性、特异性和阳性预测值仍有提升空间，但其总体性能验证了其作为筛查工具的可靠性。研究的优势在于开发了针对资源有限环境定制的AI应用，并整合了用户友好界面。局限性包括数据集可进一步扩大以增强泛化能力，以及对口腔癌类别的召回率可进一步优化。

结论

PRAYAAS算法作为OPMDs检测的诊断辅助工具展现出显著潜力。尽管其敏感性、特异性和阳性预测值指出了改进方向，但其强大的阴性预测值和F1分数凸显了其作为筛查工具的可靠性。通过进一步的完善和验证，该应用程序有望成为早期检测和风险分层OPMDs的有效解决方案，为全球口腔癌预防工作做出贡献。这项研究成功地将人工智能技术与实际医疗需求相结合，为改善口腔公共卫生提供了一条创新路径。