综述：人工智能辅助影像在口腔鳞状细胞癌检测中的诊断准确性：系统综述与Meta分析

《BMC Oral Health》：Artificial intelligence-assisted imaging for oral squamous cell carcinoma diagnosis: a systematic review and diagnostic test accuracy meta-analysis

　　

摘要

背景

人工智能辅助图像分析在口腔鳞状细胞癌（OSCC）检测中的应用研究日益增多，但不同研究之间的证据存在差异，具体表现于成像模态、诊断终点、分析单元及验证策略等方面，且既往综述很少明确说明如何处理非独立模型矩阵或不可验证的2×2数据。方法：我们预先设定并应用了明确的独立性规则，以防止在同一测试集上评估的模型被重复计算，并将主要定量合成限制在具有可验证的配对敏感度和特异度或精确2×2数据的数据集上；重复的模型评估和非独立矩阵被排除。六个数据库的检索于2026年9月26日使用相同的数据库集合和检索策略重新执行，检索和筛选数量保持不变（图1）。通过引文追踪发现的一项后续研究被保留并进行了透明披露（见局限性部分）。采用双变量随机效应模型作为主要联合合成方法，并同时报告透明的单变量随机效应估计作为敏感性分析。结果：根据GRADE-DTA标准，合并敏感度的证据确定性评为低，合并特异度的证据确定性评为极低，这反映了基础数据集中存在的偏倚风险、不一致性和不精确性（表2）；以下点估计值应结合此确定性评级来解读。十个独立数据集贡献了定量合成分析。双变量模型估计合并敏感度为0.901（95%置信区间0.855–0.933），合并特异度为0.897（95%置信区间0.784–0.954）。单变量随机效应估计值为敏感度0.898，特异度0.900。将分析限制在OSCC为阳性诊断类别的七个数据集（尽管对照各不相同，包括非OSCC病变和合并的良性/口腔潜在恶性疾患类别，而不仅仅是健康黏膜）中，双变量估计值为敏感度0.923，特异度0.944。异质性较大，尤其是特异度的异质性。结论：人工智能辅助成像展现了有前景的诊断性能，但现有证据仍存在异质性且以回顾性研究为主。高性能不应等同于临床就绪状态；需要进行前瞻性多中心外部验证以及标准化的OSCC特异性终点。