综述：基于迁移学习与EfficientNet的吸烟者黑变病口腔内图像客观分析：系统综述与证据质量评估

《BMC Oral Health》：A systematic literature review of convolutional neural network and transfer learning approaches for smoker’s melanosis classification on intraoral images: methods, evidence quality, and readiness for clinical decision support

　　

摘要

背景

吸烟者黑变病是一种良性的口腔黏膜黑色素过度沉着，常见于吸烟者，在临床上既可作为烟草暴露的标志，也是一种需要进行鉴别诊断的病变。其严重程度目前仍通过主观视觉指标进行分级，因此催生了利用深度学习进行客观图像分析的方法。本综述梳理了卷积神经网络、迁移学习和EfficientNet家族如何被应用于口腔内图像中的吸烟者黑变病及相关口腔黏膜病变，评估了这些证据的质量，并评估了其在临床决策支持方面的就绪程度。

方法

本综述遵循PRISMA 2020声明和Kitchenham与Charters指南，针对架构、迁移学习策略、类别不平衡与采集变异性、评估协议、可解释性与临床整合等五个研究问题展开。检索了六个数据库（IEEE Xplore、ScienceDirect、PubMed/Medline、SpringerLink、Scopus、Google Scholar），时间范围为2019至2025年，并进行了补充引文检索；最后一次检索于2026年3月28日进行。偏倚风险采用PROBAST进行评估，报告完整性对照CLAIM清单进行评估；每个研究问题的确定性采用GRADE-CERQual风格的方案进行评估，并预设了降级规则。该方案未在PROSPERO或其他前瞻性注册机构注册；纳入标准在筛选前以书面形式确定。

结果

从440条已识别记录中，21项研究被纳入。其中7项直接针对目标疾病，但仅有2项开发了计算模型；其余5项为临床观察性研究。迁移学习是主导策略。在5项接受评估的一级研究中，有4项在分析领域存在高偏倚风险，反映了样本量小、依赖总体准确率和缺乏校准等问题。从受试者角度看，仅一项研究采用了患者级别的数据分割，且没有研究报告外部跨设备验证。没有任何已发表的EfficientNet研究使用过吸烟者黑变病的口腔内图像；唯一识别到的EfficientNet研究使用的是非口腔内的吸烟场景照片。

结论

基于EfficientNet的迁移学习是吸烟者黑变病一个有前景但尚未经证实的方向。进展需要一个分级口腔内数据集，采用标准化采集方式，将不平衡处理作为设计约束，进行以临床为导向的评估（包括按受试者分割和校准），并具备可解释性。我们还制定了临床医生可以立即采用的图像采集标准。