编辑推荐：
为探究口腔黏膜病变（如 RAU、OLP 等）与健康人群在体液免疫、维生素 B 及微量元素水平的差异，温州医科大学附属第一医院团队采用 Random Forest 模型分析 319 例样本。发现 VB2、VB3 等水平异常，模型分类准确率达 94.68%，为疾病诊断提供新方向。
口腔健康是全身健康的重要窗口，而口腔黏膜病变如复发性阿弗他溃疡（RAU）、口腔扁平苔藓（OLP）等，不仅带来疼痛、溃疡等不适，还严重影响患者生活质量。目前，这类疾病的发病机制尚不明确，尽管免疫失调、遗传、环境等因素被提及，但如何通过便捷的检测手段揭示其内在关联仍是临床难题。血液检测作为常规诊断工具，能否从中找到与口腔黏膜病变相关的生物标志物，成为提升诊断精度的关键。
为解决这一问题，温州医科大学附属第一医院的研究团队开展了一项横断面研究，旨在分析口腔黏膜病变患者与健康对照者的外周血生物标志物差异，并探索机器学习模型在疾病分类中的应用。该研究成果发表在《BMC Oral Health》，为口腔黏膜病变的精准诊断提供了新视角。
研究人员从 2021 年 11 月至 2023 年 3 月，招募了 237 例口腔黏膜病变患者（包括 100 例 RAU、35 例 OLP、67 例萎缩性舌炎 AG、35 例灼口综合征 BMS）和 82 例健康对照，采集其外周血样本，检测了免疫球蛋白（IgG、IgA、IgM）、补体（C3、C4）、维生素 B（VB1、VB2、VB3、VB5）、血清锌（Serum Zn）、血清铁（Serum Fe）、总铁结合力（TIBC）等指标，并利用 Random Forest 模型对数据进行分析。
研究结果
生物标志物差异分析
通过统计分析发现，口腔黏膜病变组与健康对照组在 VB2、VB3、VB5、Serum Zn、Serum Fe、TIBC 及铁饱和度（Iron Sat）水平上存在显著差异。具体而言，患者组 VB2、VB3 水平显著高于对照组（p<0.05），而 VB5、Serum Zn、Serum Fe、TIBC、Iron Sat 水平显著低于对照组（p<0.05），但体液免疫指标（C3、C4、IgG 等）无显著差异。
机器学习模型性能
优化后的 Random Forest 模型展现出高分类性能，整体准确率达 94.68%，Kappa 值为 0.9306。特征重要性分析显示，VB2、VB3、Serum Fe、TIBC 和 Serum Zn 是区分口腔黏膜病变的关键生物标志物。尽管部分疾病组间存在重叠，但模型在 RAU、AG 和健康组的分类中表现优异，为疾病鉴别提供了量化依据。
研究结论与意义
该研究证实了维生素 B（尤其是 VB2、VB3）和微量元素（锌、铁）与口腔黏膜病变的密切关联，提示调节这些营养素水平可能成为预防和治疗的新策略。Random Forest 模型的成功构建，彰显了机器学习在处理高维生物数据、提升诊断准确性方面的潜力，为临床引入非侵入性诊断工具奠定了基础。
尽管研究存在样本量限制、部分疾病分类敏感性不足等局限，但其首次通过多维度生物标志物结合机器学习的方法，系统解析了口腔黏膜病变的外周血特征，为后续大样本验证及其他算法的应用提供了重要参考。未来，随着跨学科技术的融合，精准医学在口腔领域的应用有望实现突破，为 millions of 口腔黏膜病变患者带来更高效的诊疗方案。
