基于智能手机图像的人工智能辅助口腔癌及口腔潜在恶性疾患检测：系统评价与荟萃分析

《Journal of Dentistry》：Artificial intelligence-assisted detection of oral cancer and oral potentially malignant disorders on smartphone images: a systematic review and meta-analysis

　　

摘要

**背景**
口腔癌性病变的准确早期诊断对于有效治疗和可靠的预后预测至关重要。随着技术的进步，人工智能（AI）已被提议作为一种变革性工具用于癌症检测，通过分析数字化牙科照片来提高诊断准确性。

**目的**
本研究旨在回顾和综合分析人工智能在口腔癌和口腔潜在恶性疾病（OPMDs）诊断中的应用，特别关注使用智能手机拍摄的牙科图像。

**方法**
在Cochrane图书馆、PubMed、Scopus和Web of Science数据库中进行了全面的文献检索，截止日期为2026年8月，以识别关于利用智能手机摄影诊断OPMDs和口腔癌的文章。使用诊断准确性研究质量评估工具（QUADAS-2）对纳入研究进行偏倚风险评估。综合了诊断性能指标，包括敏感度、特异度、阳性似然比（LR+）、阴性似然比（LR?）、诊断评分和诊断优势比（DOR）。

**结果**
22项研究进行了定性综合，其中13项纳入荟萃分析。所筛选的研究对AI在口腔癌和OPMDs诊断中显示了总体积极的结果。大多数模型，主要基于卷积神经网络（CNNs），部分基于Transformer，表现出中至高的敏感度和特异度。汇总敏感度为0.89（95%置信区间[CI] 0.85–0.92），汇总特异度为0.87（95% CI 0.81–0.92）。一些先进模型的F1分数接近90%，表明检测与准确性之间具有良好的平衡，突显了AI辅助口腔病变诊断的临床潜力。

**结论**
基于智能手机图像的AI检测模型在诊断分析中展现了令人瞩目的性能，在筛查OPMDs和口腔癌方面显示出巨大潜力，尤其是在资源匮乏的环境中。未来研究应着力于提高模型可解释性并进行外部验证以确保泛化能力，从而将其安全有效地整合到更广泛的应用中。

**临床意义**
移动AI筛查范式可以辅助基层医务人员的常规口腔检查，减少偏远地区对细微癌前病变的漏诊。它还有助于合理化活检转诊，减轻医疗资源有限人群的晚期口腔癌治疗经济负担。

**引言**

口腔癌是全球最常见的恶性肿瘤之一，与口咽癌合并计算，位居全球第六大常见恶性肿瘤[1]。手术是口腔癌的主要标准治疗方法，往往能取得高成功率，早期患者总生存率在75%至90%之间[2]。相比之下，晚期诊断与更复杂的治疗、增加的并发症和更差的预后相关[3]。据报道，早期诊断可将五年生存率提高至约83%，而延迟诊断和转移的发生可将生存率降低至30%以下[4]。此外，肿瘤学和外科治疗技术的进步对晚期疾病预后的改善作用有限。因此，口腔癌的准确及时诊断对于提高患者生存率至关重要，尤其是在早期阶段[5]。

口腔癌通常先于口腔潜在恶性疾病（OPMDs）发生，OPMDs是一组与恶变风险增加相关的临床重要的口腔黏膜病变[6]。目前已认识到的高危OPMDs包括白斑、红斑、口腔扁平苔藓、营养不良性角化病、光化性唇炎、盘状红斑狼疮、与反卷香烟吸烟相关的腭部病变和口腔苔藓样病变[7]。OPMDs的全球患病率为4.47%，在亚洲人群中报告的最高（10.54%）[8]。及时诊断OPMDs允许对疾病进展进行密切监测，并促进对恶变的早期发现和及时处理[9]。此外，口腔癌的治疗费用约为管理OPMDs的三到七倍[10]。因此，早期识别OPMDs至关重要，它不仅提高了患者生存率，还大幅降低了治疗相关费用。

活检标本的组织病理学检查仍然是确认OPMDs诊断的金标准[11]。然而，这种方法具有侵入性且技术要求高，需要额外的实验室处理，并且成本高昂。近年来，开发了几种辅助诊断工具来筛查这些棘手的口腔病变，包括细胞学分析、甲苯胺蓝活体染色和基于自发荧光的光学检测[12]。然而，验证这些辅助技术临床准确性的大型研究仍然有限[13]。此外，三分之二的口腔癌病例发生在中低收入国家，特别是在东南亚和南亚，这些地区口腔癌专科医师数量不足[14]。偏远地区的患者也难以获得适当的诊断和治疗服务。尽管传统的视觉检查在资源有限的地区检测口腔癌性病变已被证明有效，但其性能容易受到临床医生主观判断的影响，并严重依赖于临床经验[15]。因此，迫切需要一种准确、客观且易于使用的筛查方法来早期检测OPMDs和口腔癌。

人工智能（AI）被定义为创造能够代替人类解决问题的智能机器的科学和工程，正越来越多地整合到医疗实践中，并已在预测、筛查和诊断多种器官的癌症和癌前病变方面展现出临床可行性和准确性[16]。随着AI在肿瘤学中的广泛应用，其在牙科中的潜在价值日益明显，表明AI在OPMDs和口腔癌筛查中具有独特优势[17]。作为AI的核心子领域，机器学习使系统能够从经验中学习并提高其性能，而无需明确的特定任务编程。在机器学习内部，深度学习（DL）模型被设计用于自动提取和整合图像中的空间信息，从而支持高级数据分析和模式识别[18]。在DL中，CNNs在图像分析任务中尤为成功，包括目标检测、图像分类和图像分割[19]。通过采用此类算法，AI可以执行图像识别、数据挖掘和深度学习，从而有效解决医学中大规模数据处理面临的挑战[20]。

已经有多项荟萃分析总结了AI辅助的基于图像的OPMDs和口腔癌诊断。例如，Pirayesh等人评估了DL模型在组织病理学图像上检测口腔鳞状细胞癌（OSCC）的性能，报告了非常高的诊断准确性，在某些情况下与人类专家相当[21]。随后Shen等人进行的一项仅针对基于CNN的OSCC模型的荟萃分析，报告了汇总敏感度0.94、特异度0.94和曲线下面积（AUC）0.98，研究间异质性较大[22]；贡献的研究采用了异质性成像来源，包括口腔临床照片、组织病理学切片、拉曼光谱、PET-CT和高光谱成像。Soleimani Sardou等人汇集了16项AI口腔癌诊断研究，涵盖影像和非影像模态，获得了汇总敏感度0.90和特异度0.89[23]。综合而言，这些发现表明AI有相当大的潜力提高诊断精确度，辅助病理学家，并减少诊断错误。最近的工作转向了临床摄影图像。Rokhshad等人综合了使用口腔临床照片的研究的诊断性能数据，汇总了基于AI检测口腔癌和OPMDs的证据，并报告了两个病变亚组的汇总诊断优势比[24]。Li等人比较了AI在临床照片、光学相干断层成像和自发荧光成像中检测口腔癌和OPMDs的诊断性能，报告了汇总敏感度89.9%和特异度89.2%，结论认为AI辅助成像是一种有前途的口腔黏膜病变筛查工具[25]。

然而，现有的AI辅助口腔病变诊断系统评价和荟萃分析主要综合了使用专业临床成像设备获取的图像证据。据我们所知，尚无公开发表的评价专门考察使用智能手机获取的口腔内照片进行AI辅助诊断OPMDs和口腔癌的诊断性能。智能手机在全球普及，高度便携，操作简单，经过最少培训，即使是非专业操作者也能拍摄出具有诊断质量的口腔内照片。其用于图像获取可大幅降低硬件成本，并可能有助于缓解资源有限环境中的诊断工作量和医疗负担。此类移动工作流程可以促进更早的病变检测，支持更准确的分诊和专科转诊，并减少不必要的侵入性活检，相应地节省临床工作量和成本。

此外，智能手机成像技术的持续进步有望进一步提高图像质量并减轻目前限制移动图像获取的几个技术局限性，使得对使用智能手机获取的图像进行AI辅助诊断OPMDs和口腔癌的系统综合既及时又必要。因此，本评价旨在综合和批判性地评估AI算法检测基于智能手机获取的口腔内图像中OPMDs和口腔癌的诊断性能，以帮助临床医生判断此类工具是否足够准确，可用于即时筛查。

**章节片段**

**方案**
本系统评价和荟萃分析遵循系统评价和荟萃分析优先报告事项（PRISMA）指南，并已在国际前瞻性系统评价注册处注册（注册号：CRD420261330141）[26]。使用参与者、干预、对照、结果（PICO）框架构建研究问题[27]。具体而言，研究问题为："AI辅助检测的诊断准确性是什么……"

**研究选择**
通过数据库检索共识别出2423条记录，包括Cochrane图书馆19条、PubMed 1419条、Scopus 410条和Web of Science 575条。从灰色文献来源额外获取了568条记录，但均不符合纳入标准。去除重复后，剩余1853条记录，其中1758条基于标题和摘要筛选被排除。全文评估后，73篇文章因不符合纳入标准被排除。

**讨论**

口腔癌代表着全球健康负担，早期检测对于改善生存率和减少发病率至关重要。基于AI的检测为筛查OPMDs和促进口腔癌早期诊断提供了一种新颖策略，在速度和效率方面具有特别优势。在本评价中，我们综合了来自一系列采用基于AI分析智能手机获取图像的研究的证据，以全面评估诊断性能。在这13项……

**结论**

现有证据表明，基于AI的智能手机图像分析在口腔癌和OPMDs检测中达到了良好的诊断性能，具有高的汇总敏感度。这在低中和中收入国家尤为相关，这些国家往往难以获得专科护理和全面的医疗服务。随着成像技术的进步和更多AI架构的纳入，诊断准确性可能进一步提高。未来研究……

**伦理批准和参与同意**

本研究未涉及人类或动物受试者，因此无需伦理委员会批准。

**资金**

本研究由福建省自然科学基金（项目编号：2024J01548）和福建省工业和信息化厅人工智能应用推广项目（项目编号：2024RGZNCJ-ZXF）资助。本研究还获得了香港研究资助局合作研究基金（C7015-23G）和香港大学合作研究种子资金（2207101590）的支持。

**CRediT作者贡献声明**

Cao Rongkai：撰写——初稿、方法论、概念构思。Ren Qilin：可视化、验证、方法论、正式分析。Xu Liang：验证、数据整理。Tang Yue：验证。Bao Qinghang：数据整理。Zhang Hexian：数据整理。Wang Junwen：监督、项目管理、资金获取、概念构思。Zhu Xiaofeng：撰写——审阅与编辑、监督、资源、项目管理、资金获取、概念构思。

**利益冲突声明**

作者声明不存在已知的竞争财务利益或个人关系可能影响本文所报告的工作。

Cao Rongkai | Ren Qilin | Xu Liang | Tang Yue | Bao Qinghang | Zhang Hexian | Wang Junwen | Zhu Xiaofeng