简要概述
口腔鳞状细胞癌是一种常见的口腔癌类型，而预测哪些患者最有可能出现复发、疾病进展或生存期缩短仍然是一项挑战。近年来，机器学习被越来越多地用于分析大量的临床数据、影像学数据、病理学数据和分子数据，以此提升预后预测的准确性。本系统评价研究了那些利用机器学习模型来预测口腔鳞状细胞癌患者预后的已发表研究。在涉及105,000多名患者的40项研究中，许多模型展现出了良好的生存期和复发预测能力。不过，由于研究设计、报告质量以及验证方法存在差异，这些模型在临床上的广泛应用仍需谨慎。这些研究结果体现了机器学习在个性化癌症治疗方面的潜力，同时也强调了在将其常规应用于临床实践之前，还需要开展更大规模且经过充分验证的研究。
摘要
背景/目标：机器学习模型已被越来越多地应用于口腔鳞状细胞癌的预后预测，但其性能和方法学质量的相关报道则不尽相同。本系统评价着眼于那些经过独立验证的、基于机器学习的、可用于预测口腔鳞状细胞癌相关临床结果的模型。方法：依据PRISMA指南，通过PubMed、Scopus、Cochrane Library和CINAHL数据库，检索截至2025年12月1日的相关研究。纳入了那些评估机器学习或人工智能预后模型在成人口腔鳞状细胞癌患者中应用效果的研究。评估指标包括总生存期、复发率、无病生存期、无复发生存期、疾病特异性生存期、癌症特异性生存期、疾病进展情况以及淋巴结转移情况。数据提取工作以及使用PROBAST + AI进行的偏倚风险评估均由不同的评审人员独立完成。结果：共有40项研究符合纳入标准，涉及105,619名患者。所使用的机器学习架构包括随机森林、支持向量机、梯度提升算法、神经网络以及深度学习框架。大多数模型都结合了临床和病理学指标，还有不少模型融入了影像学、免疫学或基因组学特征。在总生存期预测方面，经过独立验证的模型其AUC值通常在0.80到0.90之间。复发预测模型的区分能力也相当不错，大多数经过外部验证的研究都显示出了不错的预测性能。至于无病生存期、疾病进展情况以及淋巴结转移等其他预后指标，其AUC值则在0.70到0.90之间。常见的方法学局限包括回顾性研究设计、样本量较小、外部验证不足以及过拟合风险。结论：用于口腔鳞状细胞癌预后的机器学习模型在预测生存期和复发情况方面总体表现良好。然而，由于方法学上的巨大差异以及外部验证不足，这些模型在临床上的应用仍受到限制。未来的研究应重点关注前瞻性多中心验证、标准化报告以及可重复的建模框架的构建。
