基于深度学习模型的智能手机口腔潜在恶性病变与口腔癌筛查研究

本研究针对口腔癌早期筛查难题，开发了DenseNet201（20 M参数）和轻量化FixCaps（0.83 M参数）两种深度学习模型，通过智能手机采集的518张口腔图像实现OPMDs（口腔潜在恶性病变）和口腔癌的云端/本地化筛查。结果显示：DenseNet201的F1分数达87.50%（AUC 0.97），FixCaps达82.8%（AUC 0.93），为资源受限地区提供了高精度、低算力需求的AI筛查方案。

　　

口腔癌是全球范围内致死率较高的恶性肿瘤之一，尤其在低收入国家，由于医疗资源匮乏和筛查技术局限，患者往往确诊时已进入晚期。尽管临床口腔检查（COE）被公认为最有效的早期筛查手段，但基层医疗人员的技术差异、病灶异质性以及城乡医疗资源分配不均等问题，严重阻碍了筛查效率。更令人担忧的是，口腔潜在恶性病变（OPMDs）如白斑和口腔黏膜下纤维化（OSF）具有显著的癌变风险，但传统筛查方法难以实现大规模普及。

针对这一挑战，东京齿科大学与印度国际信息技术研究所等机构的研究人员开展了一项创新性研究，通过深度学习技术开发了两套适用于智能手机的AI筛查系统。研究团队利用518张由社区健康工作者用智能手机拍摄的口腔图像（分辨率3-5百万像素），分别训练了预训练模型DenseNet201和自主改进的轻量化模型FixCaps。这些图像由专业医师团队标注，涵盖白斑（均质型LKH/非均质型LKN）、OSF和口腔癌（OCC）等典型病变。研究成果发表在《Scientific Reports》期刊，为资源受限地区提供了可落地的解决方案。

关键技术方法包括：1）采用多边形标注工具CVAT对病灶区域（ROI）进行精细标注，整合颜色、纹理等临床特征；2）DenseNet201基于ImageNet预训练模型微调，输入图像裁剪为224×224像素；3）FixCaps模型创新性引入31×31大卷积核和注意力模块（CBAM），输入尺寸299×299像素；4）使用五折交叉验证评估模型泛化性。数据来源于印度海得拉巴地区Grace癌症基金会的社区筛查项目。

研究结果部分显示：
模型性能对比
DenseNet201在独立测试集（105张图像）中表现优异，准确率达88.6%（AUC 0.97），但参数规模达20 M；FixCaps虽准确率略低（83.8%），但参数仅0.83 M，更适合手机端部署。两类模型对OSF广泛性病灶和血管丰富区域（如舌腹侧）的识别仍存在挑战。

错误分析
假阴性（FN）主要集中在OSF泛发性黏膜苍白病例（DenseNet201漏诊1例，FixCaps漏诊2例），假阳性（FP）多发生于创伤性病变与非特异性炎症区域。研究指出，结合病史采集和口腔分段策略可进一步提升特异性。

在讨论环节，作者强调DenseNet201适合云端部署（通过网页应用访问），而FixCaps凭借其极低的计算需求，可直接集成至手机原生应用，尤其适合网络覆盖差的农村地区。与既往研究对比，该工作首次验证了胶囊网络在口腔筛查中的可行性——例如Birur等采用的VGG+BDL模型参数高达143.7 M，而FixCaps仅用1/170的参数量即实现相近性能。

研究结论指出，未来需扩大数据集纳入扁平苔藓等其他OPMDs亚型，并探索RGB通道分割、YCbCr色彩空间等图像处理技术以提升OSF识别率。这项工作不仅为AI辅助口腔癌筛查提供了双路径解决方案（云端/本地），更开创性地平衡了模型性能与落地实用性，对缩小城乡医疗差距具有重要实践意义。