基于人工智能辅助红外光谱技术的唾液口腔白斑诊断研究

《Clinical Oral Investigations》：AI-driven infrared spectroscopy in salivary oral leukoplakia

　　

目的：口腔潜在恶性疾患（OPMDs），特别是白斑，与口腔鳞状细胞癌风险增加密切相关。唾液作为一种诊断性生物体液，因其简便、无创的采集方式和复杂的生化组成而受到关注。本研究旨在探究傅里叶变换红外光谱（FTIR）结合机器学习识别唾液生化变化的应用价值。 材料与方法：唾液样本采集自健康对照参与者（n=22）和口腔白斑患者（n=22）。采用衰减全反射傅里叶变换红外光谱（ATR-FTIR）获取光谱数据，经导数分析、归一化和基线校正预处理后，利用主成分分析（PCA）进行分析，并使用极端随机树、随机森林和XGBoost算法进行分类。 结果：分析揭示了900–1800 cm-1区域内一致的生化差异，主要与蛋白质（酰胺I和II）、核酸和胶原蛋白相关。PCA显示出部分但相关的组间分离，而机器学习模型，尤其是极端随机树和随机森林，多层感知机（MLP）分类器对初始异型增生与对照组达到了0.992的曲线下面积（AUC），对重度异型增生与对照组达到了0.974的AUC，表明其具有良好的分类性能。 结论：这些发现支持将FTIR光谱与机器学习相结合，作为白斑唾液分析的一种强大、非侵入性方法。这种光学活检方法有望成为早期检测和监测OPMDs的辅助诊断工具，从而加强口腔肿瘤学中的预防策略。

一、研究背景与意义

口腔潜在恶性疾患（OPMDs），尤其是口腔白斑，与口腔鳞状细胞癌的发生风险高度相关。传统的诊断依赖于临床检查和侵入性活检进行组织病理学评估，该方法虽为金标准，但存在创伤性、耗时较长等局限。唾液作为一种诊断性生物体液，因其采集简便、无创且富含复杂的生化成分（如蛋白质、核酸、代谢物等）而备受关注。然而，如何高效、准确地从唾液中提取与疾病状态相关的生化信息，仍是亟待解决的科学问题。为此，研究人员开展了此项研究，旨在探究傅里叶变换红外光谱（FTIR）结合机器学习技术，用于识别口腔白斑患者唾液中的生化特征变化，评估其作为一种快速、非侵入性辅助诊断工具的潜力。

二、主要关键技术方法

研究人员采用了以下关键技术方法：

1. 1.
   样本采集：唾液样本来自巴西陶巴特大学牙科系和圣保罗大学牙科学院口腔科的44名志愿者，包括22名健康对照者和22名口腔白斑患者。白斑队列包含20例有组织病理学信息的病例（14名女性，6名男性），其中重度异型增生9例，初始异型增生11例。
2. 2.
   光谱采集：使用配备钻石晶体的Alpha II（布鲁克光学）ATR-FTIR光谱仪，在37°C下采集光谱数据，分辨率为4 cm^-1，每份样本进行三次重复测量。
3. 3.
   数据预处理：对原始光谱进行Savitzky-Golay二阶导数计算（11点窗口，二阶多项式拟合）、限制在900–1800 cm^-1指纹区分析以及向量归一化处理，以消除基线漂移、噪声和样品浓度差异等非生化因素影响。
4. 4.
   数据分析：采用主成分分析（PCA）进行无监督降维探索；使用多种机器学习算法（包括多层感知机（MLP）、极端随机树（Extra Trees）、随机森林（Random Forest）、CatBoost等）进行有监督分类，并通过十折交叉验证评估模型性能。

三、研究结果

平均FTIR吸收光谱分析

研究人员比较了口腔白斑患者与对照组的平均FTIR吸收光谱。两组在整体谱图上表现出相似轮廓，但在特定波段存在强度差异。对照组在约1645 cm^-1和1545 cm^-1区域（对应蛋白质酰胺I和II带）显示出更高的平均吸光度，而白斑组则在约1150–1050 cm^-1区域（与核酸和碳水化合物相关）表现出更高的平均吸光度。

组织病理学亚组光谱比较

进一步按组织病理学亚组分析发现，重度异型增生组的平均光谱与对照组非常接近，主要差异在于1545 cm^-1处对照组吸光度更高，以及1150–1050 cm^-1区域的细微变化。相比之下，初始异型增生组与对照组的差异更为明显：在1645 cm^-1和1545 cm^-1处吸光度更低，而在1150–1050 cm^-1区域吸光度更高，表明不同进展阶段的病变可能伴随不同的生化改变。

二阶导数光谱分析

通过对Savitzky-Golay二阶导数光谱的分析，研究人员观察到对照组与白斑组在1650–1630 cm^-1、1560–1540 cm^-1、1450–1400 cm^-1及约1080 cm^-1等波数范围内存在局部特征强度的差异，进一步证实了蛋白质、核酸等分子构象或含量的变化。

主成分分析（PCA）

PCA结果显示，在初始异型增生与对照组的比较中，前两个主成分（PC1和PC2）分别解释了32.20%和19.41%的总方差；在重度异型增生与对照组的比较中，PC1和PC2分别解释了42.21%和16.44%的方差。尽管两组在得分图中呈现出部分分离趋势，但仍存在显著重叠，表明唾液生化谱并非完全截然不同，反映了疾病的生物学异质性和个体间差异。

机器学习分类性能

在区分初始异型增生与对照组的任务中，MLP分类器表现最佳，平均准确率达到0.967 ± 0.067，曲线下面积（AUC）为0.994 ± 0.011；极端随机树也取得了优异性能，准确率为0.950 ± 0.067，AUC为0.983 ± 0.022。对于重度异型增生与对照组的区分，MLP同样表现最好，准确率为0.891 ± 0.068，AUC达到1.000 ± 0.000；极端随机树的准确率为0.835 ± 0.105，AUC为0.967 ± 0.042。这些结果表明，机器学习模型能够有效捕捉光谱中的细微差异，实现高精度的分类。

四、讨论与结论

讨论部分指出，唾液分析可辅助诊断多种疾病，因为疾病过程中唾液的成分或性质会发生改变。本研究中观察到的光谱差异，特别是在1400–1600 cm^-1区域的峰形变化，可能指示了蛋白质浓度的改变，这与既往研究发现白斑患者唾液中CK10片段和载脂蛋白A1等蛋白质水平升高的结果相符。此外，1076 cm^-1处与核酸磷酸基团对称伸缩振动相关的谱带，提示唾液中含有遗传物质的光谱贡献。尽管机器学习模型展现了优异的内部分类性能，但研究人员强调，这些结果是初步的探索性证据，受限于较小的样本量和缺乏独立外部验证队列。因此，唾液ATR-FTIR光谱应被视为一种潜在的辅助筛查或风险分层工具，而非替代临床检查和组织病理学评估的独立诊断方法。

研究结论翻译如下：研究人员描述了FTIR光谱应用于唾液作为一种有前景的工具，用于早期诊断口腔潜在恶性病变的潜力。检测到各组间的生化差异，尤其是在与蛋白质、核酸和胶原蛋白相关的光谱区域，突显了该技术对与异型增生过程相关的代谢和细胞变化的敏感性。研究人员还展示了与机器学习模型的整合，该模型具有高准确率和判别力，建立了一种稳健且非侵入性的临床使用方法。尽管存在样本量有限和需要标准化方案等局限性，本研究的发现为开发更快、更安全、更易获得的诊断方法铺平了道路。唾液作为一种诊断性生物体液，结合光谱技术，可能通过提高筛查和监测口腔癌风险患者的有效性来改变临床实践。