编辑推荐：
口腔上皮异常增生（OED）的手动分级存在显著变异性，预后预测不可靠。研究人员开发了基于 Transformer 的 AI 模型 ODYN，可从 HE 染色全切片图像（WSIs）预测恶性转化，分类 F1 分数达 0.96，恶性预测 AUROC 为 0.73，有望提升口腔癌早检与治疗。
口腔癌是全球常见的恶性肿瘤之一，其早期诊断与干预对患者预后至关重要。口腔上皮异常增生（oral epithelial dysplasia, OED）作为一种潜在恶性病变，其组织学诊断依赖病理学家对 HE 染色切片的主观评估。然而，现行的 WHO 三级分级系统（轻度、中度、重度）和二元分级系统（低风险、高风险）均存在显著的观察者内和观察者间变异性，且对恶性转化风险的预测能力有限，可能导致治疗决策不足。如何实现 OED 诊断的客观化与精准化，成为口腔病理学领域的关键挑战。
为解决这一问题，英国华威大学（University of Warwick）与谢菲尔德大学（University of Sheffield）等机构的研究人员开展了一项创新性研究。他们开发了一种基于 Transformer 架构的人工智能（artificial intelligence, AI）模型 —— 口腔异常增生网络（Oral DYsplasia Network, ODYN），旨在通过分析 OED 组织的全切片图像（whole-slide images, WSIs），实现对 OED 的自动分类及恶性转化风险的定量预测。该研究成果发表在《Communications Medicine》，为 OED 的精准诊断提供了新范式。
研究团队采用多中心、回顾性队列数据构建并验证 ODYN 模型。主要技术方法包括：① 使用 Trans-UNet Transformer 模型对 WSIs 中的异常增生区域进行语义分割，通过 QuPath 软件手动标注的感兴趣区域（ROI）作为训练真值；② 利用预训练的 HoVer-Net + 卷积神经网络（CNN）分割上皮和细胞核，计算异常增生 - 上皮比率（REpith）以分类 OED 与非 OED 样本；③ 基于异常增生区域的细胞核形态和空间特征（168 个核特征），通过多层感知机（MLP）构建恶性转化风险评分（ODYN-score）。模型训练数据来自英国谢菲尔德（358 例 OED WSIs、105 例对照 WSIs），并在英国伯明翰、贝尔法斯特及巴西皮拉西卡巴的独立队列（108 例 OED WSIs）中进行外部验证。
研究结果
1. 异常增生区域分割性能
Trans-UNet 模型在内部测试中对 OED 样本的分割 F1 分数为 0.81（召回率 0.85，精确率 0.77），对非 OED 样本的特异性达 1.00；外部测试中 F1 分数为 0.71，显著优于 U-Net、DeepLabV3 + 等传统 CNN 模型。这表明 Transformer 架构在捕捉组织学图像的长程依赖关系方面具有优势，能更精准定位异常增生区域。
2. OED 分类准确性
基于 REpith阈值的分类模型在内部和外部测试中均表现出高可靠性，F1 分数均为 0.96，AUROC 分别为 0.93 和 0.96。REpith与 OED 分级（WHO 及二元系统）和恶性转化状态显著相关，提示该指标兼具诊断与预后价值。
3. 恶性转化预测效能
ODYN-score 在内部交叉验证中 AUROC 为 0.71，外部验证中提升至 0.73，与临床分级系统（WHO 和二元分级）相当。生存分析显示，ODYN-score 的 C-index 为 0.66（内部）和 0.63（外部），风险比（HR）为 3.86，表明其对无转化生存期的预测能力与病理学家的二元分级相当。
4. 特征分析与机制探索
通过对预测为恶性转化的样本进行特征分析，发现转化病例的异常增生区域中 “其他” 细胞核（如结缔组织中的淋巴细胞）数量显著增加，而正常上皮细胞核数量减少。这一结果与免疫细胞浸润促进癌变的机制一致，提示 ODYN 模型可通过量化组织微环境特征提升预测准确性。
研究结论与意义
本研究首次将 Transformer 架构整合到 OED 的全流程分析中，开发了集分割、分类、风险预测于一体的 ODYN 模型。该模型在多中心队列中表现出良好的泛化能力，为 OED 的客观化诊断提供了可靠工具，有望减少病理诊断的主观性差异，提升口腔癌前病变的早期识别率。尽管研究存在外部验证缺乏非 OED 对照样本、未纳入社会风险因素等局限，但 ODYN 的可解释性设计（如核特征分析与热图可视化）增强了临床可信度，为 AI 在数字病理中的应用奠定了基础。未来研究可进一步扩展模型对其他头颈部癌前病变的适用性，推动 computational pathology 向临床实践的转化。
