基于改进模式特征与混合深度学习的口腔鳞状细胞癌自动分类新方法

针对口腔鳞状细胞癌(OSCC)诊断依赖临床经验导致的误差问题，研究人员提出AC-OSCC-DL系统，通过MCD-BIRCH分割、MMBP特征提取和CAA-Bi-LSTM+LinkNet混合模型实现自动分类，准确率达0.986，为早期精准诊断提供新方案。

　　

口腔癌作为全球第六大高发癌症，在印度等地区发病率高达15.62%，其中口腔鳞状细胞癌(OSCC)因确诊晚、手术生存率不足50%成为重大公共卫生挑战。传统诊断依赖医生肉眼观察和触诊，87%的肿瘤阳性边缘可能隐藏在深层软组织，而冰冻切片技术又存在耗时长、主观性强等缺陷。这种"诊断困境"导致患者5年生存率不足50%，但若能早期发现，生存率可提升至90%——这正是推动人工智能辅助诊断技术发展的核心动因。

研究人员在《Expert Systems with Applications》发表的研究中，构建了名为AC-OSCC-DL的自动化诊断系统。该系统创新性地采用高斯滤波去噪后，通过改进聚类距离的MCD-BIRCH算法（用Jensen-Shannon距离替代欧氏距离）实现精准分割；特征提取阶段融合VGG-16、ResNet深度特征与新型改进中值二值模式(MMBP)纹理特征；最终通过引入G-softmax函数的协同注意力层CAA-Bi-LSTM结合LinkNet模型完成分类。实验采用公开的Mendeley口腔癌组织病理学数据集验证，该数据集经Amit Nisal医生临床验证。

主要技术路线包含：1)高斯滤波预处理；2)MCD-BIRCH分割；3)MMBP+VGG-16+ResNet+统计特征的多模态特征提取；4)CAA-Bi-LSTM+LinkNet混合分类。其中MMBP创新性地改进了传统纹理描述符，而协同注意力层通过G-softmax函数优化权重计算。

【模拟实验】在Intel i5-1135G7平台实现0.986的准确率，较传统方法显著提升。关键突破在于：1)MCD-BIRCH使分割误差降低37%；2)MMBP特征使纹理识别敏感度提高29%；3)G-softmax注意力机制有效捕捉病灶空间关联。

【讨论】虽然依赖高质量标注数据仍是局限，但该系统通过三重创新：距离度量改进、特征提取优化和注意力机制增强，实现了三大临床价值：1)减少87%的术中边缘误判风险；2)将诊断时间从小时级缩短至分钟级；3)使早期检出率理论值提升40%。

【结论】这项研究标志着OSCC诊断进入"算法辅助"新时代，其0.989的精确度和0.979的F值证明，融合改进传统算法与前沿深度学习的混合策略，能有效突破单一模型瓶颈。未来通过扩大跨种族数据集验证，有望建立国际统一的OSCC智能诊断标准。