人工智能在口腔潜在恶性疾患恶性转化与复发预测中的应用：模型现状、临床证据与实施挑战

《Oral and Maxillofacial Surgery Clinics of North America》：Artificial Intelligence and Oral Potentially Malignant Disorders: Predicting Malignant Transformation and Recurrence

　　

现有的人工智能（artificial intelligence, AI）模型主要聚焦于预测恶性转化（malignant transformation, MT），而非病变复发或治疗反应。AI模型在预测MT方面显示出有前景的能力。AI模型对MT进行风险分层时报告的敏感度和特异度从中等至优秀不等，并随数据模态和验证设计而变化。当前证据仅支持在本地验证后，谨慎、逐例使用经外部验证（external validation）并已部署的AI模型来辅助临床决策，而非常规采用。

论文解读：人工智能与口腔潜在恶性疾患恶性转化和复发预测

研究背景方面，口腔潜在恶性疾患（oral potentially malignant disorders, OPMD）是一组异质性病变和病症，具有发展为口腔鳞状细胞癌（oral squamous cell carcinoma, OSCC）的风险。根据世界卫生组织（World Health Organization, WHO）口腔癌合作中心2020年分类，OPMD包括11种疾病，其中口腔白斑、红斑、黏膜下纤维性变、扁平苔藓和苔藓样病变较常见。不同OPMD的自然史、生物学行为和恶性转化（malignant transformation, MT）率不同。增殖性疣状白斑（proliferative verrucous leukoplakia, PVL）和红斑MT率持续较高，PVL为44%–66%，红斑为15%–35%；扁平苔藓和苔藓样病变MT率较低，分别为0.44%–3.2%和1.9%–3.8%；口腔白斑MT率变异较大，为1.1%–40.8%。及时检测和管理OPMD对预防和早期发现OSCC至关重要。由于并非所有OPMD患者均进展为OSCC，通常在MT风险评估后推荐预防性治疗和疾病监测。高风险患者接受干预并每1–3个月密切监测复发或进展，低风险患者接受咨询并每6–12个月监测。传统MT风险评估基于临床病理特征、风险习惯和上皮异常增生分级，但常较单维、主观，受观察者间差异影响，并缺乏个体患者水平的MT或复发预测能力。为改善MT和复发风险评估，AI模型作为当代工具用于个性化风险分层和临床决策支持。研究人员开展此项综述，旨在强调AI在OPMD管理中的作用、已开发模型、当前证据和临床实施挑战。

关键技术方法概括，该文为综述性研究，研究人员系统归纳用于OPMD风险预测的AI模型。关键技术包括传统机器学习（如随机森林、支持向量机、梯度提升）、深度学习（卷积神经网络、深度神经网络、多层感知机、自注意力人工神经网络、VGG-16、ResNet50、Hibou等）、时间-事件模型（DeepSurv、Cox比例风险、LightGBM、TabPFN、XGBoost）以及多模态融合。数据模态涵盖电子健康记录（electronic health record, EHR）结构化变量、临床照片、病理和全切片图像、分子标志物及影像。样本队列来源包括加拿大、香港、英国、尼日利亚、美国、巴西、中国和西班牙等OPMD队列。验证设计包括内部验证及外部时间、地理和中心验证，部分模型部署为网页工具。

研究结果方面，历史视角显示，MT预测模型最初为双变量和多变量统计模型，后作为二元风险分类器、风险评分、公式和列线图。Baik等2014年报告最早应用AI进行MT分层的研究之一，使用随机森林分析加拿大OPMD队列的病理数据。此后多数模型出现在近5年，即2021–2025年，与AI架构、计算能力和医疗领域应用进展同步。

数据模态方面，现有MT风险分层AI模型使用的患者数据跨越多种模态，常规EHR结构化数据较其他模态更常用。临床数据包括从EHR和照片提取的预测变量；病理数据包括细胞学、组织病理学和全切片图像；分子标志物和影像特征包括流式细胞术DNA含量分析和傅里叶变换红外光谱。多数模型使用单一模态，近期Li等使用双模态结合EHR和临床照片。Wang等、Dominguete等和Adeoye等的模型整合结构化患者数据与临床照片、流式细胞术和免疫组化全切片图像。Adeoye等还基于结构化数据转化为二维图像进行MT风险预测。

OPMD亚型方面，鉴于OPMD异质性，多数AI模型一次针对1或2个OPMD亚型。口腔白斑和口腔苔藓样疾病，包括扁平苔藓和苔藓样病变，模型显著更多，可能反映其临床患病率、不确定或可变MT风险以及随访数据可及性。据研究人员所知，尚无仅用于口腔黏膜下纤维性变、PVL、红斑或口腔移植物抗宿主病MT预测的AI模型。

性能及与传统方法比较方面，AI算法包括二元分层和时间-事件预测模型。二元风险分层中，口腔白斑模型敏感度为57%–100%，特异度为67%–94%；多OPMD亚型模型敏感度为62%–100%，特异度为71%–100%。Li等自注意力人工神经网络用于苔藓样疾病MT预测，敏感度93%，特异度95%。Correia-Neto等基于极端梯度提升构建光化性唇炎模型，敏感度和特异度均为97%。与口腔白斑异常增生分级相比，AI模型判别性能更好，尤其敏感度。时间-事件预测模型较少。Adeoye等用DeepSurv和EHR预测白斑和苔藓样疾病MT，c-index为0.82，IBS为0.18。扩展模型使用梯度提升Cox比例风险和多维变量，含KRT13和P53免疫组化表达，c-index为86%，IBS为5%，时间依赖AUC为88%。与传统WHO和二元异常增生分级相比，AI时间-事件预测判别性能增加，决策曲线更优。

AI在MT预测中的应用方面，MT风险预测AI模型的部署和用户界面开发常取决于泛化性和外部验证性能。据研究人员所知，仅3个AI模型在外部验证后部署为网络工具供临床医生使用，均公开可用。Wang等的网络工具基于前瞻性验证的随机森林模型，使用医疗记录和辅助检查进行OPMD二元风险分层。OralCancerAI基于DeepSurv模型，含26个输入变量，用于白斑和苔藓样疾病MT风险时间-事件预测。OralCancerPredict也是AI网络工具，需26个输入特征，输出白斑和苔藓样疾病二元风险状态，目前正在香港口腔癌AI诊所评估其对临床决策的影响。

复发预测方面，AI模型仅近期用于预测病变复发或OPMD治疗反应，数量少于MT预测。复发预测更困难，原因包括不同治疗方式、场癌化、OPMD治疗后可能生物学行为变化、监测策略差异，以及病变复发、疾病进展和第二原发OPMD病变定义不清。Wang等整合自编码器提取的全切片图像特征和临床变量，预测光动力治疗后口腔白斑复发，AUC为88%，准确率为84%，单独使用临床变量或全切片图像时性能下降。Adeoye等基于EHR人口学和临床病理数据开发多任务AI模型，预测常规或激光手术切除后口腔白斑和口腔苔藓样疾病的治疗失败、MT和复发；复发预测AUC为79%，低于MT预测AUC为91%，强调需要新的特异特征用于术后复发风险评估。

当前证据与实施挑战方面，由于缺乏前瞻性研究调查任何AI模型对MT或复发风险预测的临床影响，当前证据不支持任何AI工具常规用于OPMD管理。这是临床转化主要挑战之一。但外部验证AI模型可在本地中心病例独立测试后，逐例用于预测MT和复发风险并辅助临床决策。其他挑战包括证据层的小样本、回顾性、单中心、有限外部验证、较少多模态模型和过拟合风险；模型层的可解释性、校准、稳定性和净获益报告不足；临床层的临床医生信任有限、担心过度依赖AI而损害临床技能和判断、工作流程整合困难。

未来考虑方面，现有OPMD风险评估模型显示，AI使用定量指标在不同数据类型中取得满意性能，作为决策支持工具仍有前景。未来研究应建立AI模型平台的临床影响和真实世界应用，否则领域仍有前景但未改变实践。首要措施包括更新并开展或继续外部验证现有模型，以了解更新模型和数据集偏移导致的性能趋势。数据集偏移可能来自人群、疾病患病率、治疗或临床设置差异。未来应使用相同队列将这些模型相互比较并与传统方法比较，以筛选出表现最优者进入真实世界评估。未来研究还应进行决策曲线分析并报告模型净获益。未来AI模型可更好地利用多模态数据集和先进架构，提高风险预测敏感度，同时平衡精确度和模型稳定性。OPMD风险分层范围不应仅限于白斑和苔藓样疾病或MT预测，应额外评估AI用于复发、治疗反应预测和其他OPMD亚型，尤其口腔黏膜下纤维性变。

讨论总结与结论翻译如下：人工智能在口腔潜在恶性疾患转化和复发中的作用主要是辅助性的，涉及分析患者数据以提供全面的风险预测，从而为预防性干预和密切监测需求提供决策支持。用于MT预测的AI模型的开发和验证似乎比病变复发风险评估更成熟。对于MT预测，多数模型针对口腔白斑开发，而非其他OPMD亚型，在二分类风险分层中获得中等至优秀的敏感度和特异度。一些研究还显示，AI模型对某些OPMD亚型的预测优于传统风险评估方法，如异常增生分级。尽管已有3个基于网络的平台在外部验证后用于OPMD的MT风险分层，但当前证据不支持任何基于AI的方法常规用于临床应用。然而，这些平台可在本地中心验证后逐例使用，以确定其在应用场所的泛化性。未来研究应旨在对这些模型进行基准测试，选择表现最优者进行影响评估，然后开展影响评估研究，以确定其相较于传统方法对临床决策和OPMD结局的影响。临床护理要点为：AI模型可预测OPMD结局，但性能取决于模型、数据模态和临床环境；大多数已发表OPMD AI模型用于预测MT而非病变复发或治疗反应；AI预测MT的敏感度和特异度中等至优秀；当前证据不支持常规临床使用AI模型预测MT或复发；经外部验证且具有用户界面的AI模型可在本地中心验证后，考虑谨慎逐例用于OPMD患者的AI辅助风险分层。