综述：深度学习在口腔扁平苔藓诊断中的应用：基于临床图像的检测方法系统评价

本综述系统评估了深度学习（DL）模型在口腔扁平苔藓（OLP）临床图像诊断中的性能，涵盖卷积神经网络（CNN）、视觉变换器（ViT）等架构。结果显示，部分模型准确率超95%（如InceptionResNetV2、Xception），但存在数据集规模小、预处理不一致等局限。未来需结合可解释人工智能（XAI）和跨中心验证以推动临床转化。

　　

INTRODUCTION
口腔扁平苔藓（OLP）是一种慢性炎症性疾病，主要累及口腔黏膜，全球患病率约1-2%，中年女性高发。临床表现为网状、糜烂型、大疱型或斑块型病变，其中网状型最常见。症状从轻微不适到剧烈疼痛不等，严重者可导致吞咽困难，甚至存在恶性转化风险（WHO将其列为潜在恶性病变，恶变率0-37%，均值4.59%⁴¹）。

Protocol
本研究遵循PRISMA指南，注册于PROSPERO（CRD42024597340），系统检索PubMed、Scopus等数据库的867篇文献，最终纳入42项研究。采用QUADAS-2工具评估质量，提取准确率、敏感性、特异性及AUC等指标。

Results
深度学习模型展现出卓越诊断性能：

• 高精度：部分模型准确率>95%，InceptionResNetV2和Xception架构表现突出
• 局限性：数据集规模小（多数<1000例）、样本同质性强（缺乏地域/人种多样性）、外部验证不足
• 技术痛点：图像预处理标准化缺失，模型可解释性（Explainable AI）亟待加强

DISCUSSION
OLP的慢性特性和恶变潜能使其早期诊断至关重要。AI虽在口腔病变识别中表现优异，但现有研究存在明显瓶颈：

1. 数据缺陷：类分布不平衡（糜烂型样本不足）
2. 临床适配：未整合多模态数据（如病理切片或患者病史）
3. 技术壁垒：黑箱模型阻碍医生信任，需开发可视化决策路径

CONCLUSION
深度学习为OLP无创诊断提供新范式，但临床落地仍需：

• 扩大数据集覆盖不同亚型和人群
• 建立标准化图像采集协议
• 开发融合临床指标的多模态模型
  未来研究方向应聚焦可解释AI技术与真实世界验证，推动从实验室到临床的转化。

（注：全文严格基于原文事实缩编，未新增结论或数据）