作者：杨青默，魏攀，华红，北京大学口腔医院口腔黏膜科

口腔黏膜病是发生在口腔黏膜及软组织上的类型各异、种类众多的疾病总称。根据国内外流行病学调查，一般人群中口腔黏膜病患病率为9.11%~10.5%，在60岁及以上的老年人群中，口腔黏膜病患病率甚至可高达52.5%~64%。

口腔黏膜病临床表现多样，不同疾病口腔病损繁杂交错，诊断困难，其中部分疾病具有潜在癌变风险，一旦癌变将严重影响患者生活质量，加重社会经济负担。早期筛查和诊断、精准预测癌变风险、改善预后是口腔黏膜病临床诊疗面临的巨大挑战。但由于口腔黏膜病专科医师数量缺口大、医疗资源地域分布不均，导致很多患者病情被延误。

提高口腔黏膜病诊断的准确率、精准评估预后是口腔黏膜病学AI研究的起点，也是当前研究的热点和重点。人工智能(artificial intelligence，AI)是旨在构建能够推理、学习和输出的计算机和机器的科学领域。AI技术，特别是深度学习，能够通过多模态、大样本数据量训练，达到识别疾病的细微模式和变化的目的，从而实现疾病的辅助诊断和预后监测。

口腔黏膜病学直观性强，其诊断和评估高度依赖于对临床图像和医学影像(组织病理、细胞病理、自体荧光等)等多模态数据的识别，其病种多、数据量大的特点使AI具有广阔的应用前景。此外，AI能够突破时间和空间的限制，作为一种远程医疗方式，缓解医疗资源分布不均的问题。这些特点使得AI有可能为口腔黏膜病学带来前所未有的革命性改变。目前国内外已有多个口腔黏膜病AI相关的研究，本文就AI在口腔黏膜病学领域的应用进行综述。

1. AI在辅助诊断方面的应用

1.1 口腔潜在恶性疾患

口腔潜在恶性疾患(oral potential malignant disorders， OPMDs)是一类具有癌变潜能的口腔黏膜病，癌变率约为7.9%(99%CI:4.9%~11.5%)。OPMDs的AI诊断评估早期研究中，辅助鉴别方法主要基于机器学习技术分析病理图像，其后Kim 等探索了利用口腔黏膜自体荧光成像和光学相干断层成像技术进行辅助诊断和评估。

2012年AlexNet在ImageNet 图像分类竞赛中的突破性胜利使卷积神经网络(convolutional neural network，CNN)在计算机视觉领域获得了广泛应用。近年来的研究更多关注深度学习技术针对临床口腔黏膜临床图像进行辅助鉴别OPMDs。Welikala等、Tanriver等以及Sharma等基于CNN 模型(DenseNet-121、ResNet-101)对大量口腔黏膜临床图像进行分析，并通过与病理活检结果对比，所建立的诊断模型对于OPMDs的诊断准确率超过75%。

此外Jubair的团队使用700张口内摄影图像的数据集，开发了小型CNN 模型，准确率超过85%，该模型同样以活检结果为金标准，提供了一种低成本、非侵入性的诊断工具。针对OPMDs中单一病种的AI辅助诊断研究主要集中于口腔扁平苔藓(oral lichen planus，OLP)、口腔白斑病(oral leukoplakia， OLK)等。针对AI在扁平苔藓辅助诊断方面的应用研究中，不同团队基于多模态的数据采用了多样化的机器学习和深度学习技术。

Dubuc等利用LightGBM 模型对1242张口内摄影进行分析，且以活检结果作为对照，实现了84%的诊断准确率。Idrees等的研究通过人工神经网络在组织病理学诊断上达到了100%的灵敏度，而Keser等的研究则使用Inception V3架构的TensorFlow 库进行深度学习训练，实现了所有测试图像分类的100%准确率。口腔白斑病AI相关研究同样取得了进展。

Xie等的研究基于动态自注意力和特征判别损失函数的CNN 模型，基于临床图像诊断OLK 达到了91.16%的准确率，并以临床诊断作为参考标准。另外，Jurczyszyn等的研究利用了纹理分析和概率神经网络(probabilistic neural network，PNN)，在区分口腔白斑与健康黏膜方面达到了100%的灵敏度，所有结果均基于活检结果进行验证。这些研究不仅证实了AI在准确识别口腔病变方面的有效性，还为OPMDs的早期诊断和治疗提供了有力的技术支持。

1.2 口腔溃疡类疾病

现阶段针对口腔黏膜溃疡类疾病的AI相关研究较少。Anantharaman等基于75张临床图像数据集，将Inception V3应用于辅助诊断单纯疱疹和复发性阿弗他溃疡，实现了100%的识别准确率。Guo等的研究专注于口腔溃疡的实时分类，与其他CNN 模型相比，残差网络(residual network，ResNet)模型在口腔溃疡分类上显示了更高的准确性，上述研究初步显示AI作为决策支持工具在口腔黏膜溃疡类疾病辅助诊断中的可行性，为未来研究提供了新的思路。

除疾病的AI辅助诊断外，有研究提出为了扩大AI技术在口腔医学临床实践中的适用范围，对口腔黏膜基础病损进行识别和分类可能是建立安全有效的诊断推理过程中的重要一步。通过对口内摄像、病理切片图像、光学相干断层成像等多种图像的分析，AI技术不仅大大提高了诊断的效率，还展现了其多功能性和广泛的临床应用潜力。特别是，AI作为一种非侵入性、低成本的诊断与辅助诊断工具，能够极大增加医疗服务的可及性和便利性。

2. AI用于OPMDs的风险预测

AI技术在预测OPMDs的风险上取得了一定进展。借助机器学习、深度学习及人工神经网络等技术，研究人员已成功开发出多种高效的预测模型，这些模型不仅提高了风险评估的准确性，而且为临床决策提供了新的视角。其中随机森林(random forest，RF)模型显示出更高的准确度。Liu等和Wang等开发了预测OPMDs的癌变风险模型，准确率超过90%。同时，国外多个研究团队证实了通过分析学习患者综合临床数据的多种机器学习模型，也在预测OPMDs恶性转化上展示出巨大潜力。

研究显示，在OPMDs的诊断领域，深度学习特别是CNN技术，在图像处理效率及持续学习方面表现较好，模型展现出了0.8~0.95的较高准确率。而在风险预测方面，基于机器学习的模型如RF，擅长处理分类和回归任务，能有效处理高维数据，拥有更出色的性能。然而，针对其他类型的口腔非恶性病变，AI辅助诊断的研究仍然处于较初级的阶段。

AI已经从最初的医生辅助诊断工具，如病理诊断和脱落细胞检查，逐渐向决策支持和患者管理方面渗透。尤其是基于临床图像的AI辅助诊断，不仅显著提高了诊断效率，还优化了患者的就医体验。随着AI技术的持续发展和优化，可以预见深度学习将在口腔医学领域扮演着愈发关键的角色，不仅在提高诊断准确性和效率上发挥作用，也将推动个性化治疗策略的发展，从而改善患者的治疗效果和生活质量。

3. AI在口腔黏膜病学中的应用与前景

以多维口腔黏膜影像数据和深度学习为基础的AI技术在口腔黏膜病诊疗领域的发展突飞猛进，有助于实现诊疗效率和水平的进一步提升，弥补国内口腔黏膜病学医疗资源短缺的短板，驱动精准诊疗和分级诊疗的深化改革。

3.1 个性化医疗与疾病管理

目前在皮肤病学领域，已经成功开发出多种针对痤疮等疾病的严重程度评估和预后分析模型，能够分析患者的病情进而制定个性化的治疗方案。AI 的持续监测和数据分析能力也同样适用于预测OPMDs的进展，并根据患者的遗传背景和生活方式制定调整治疗方案，从而实现个性化医疗。

3.2 疾病筛查与流调

基于深度学习算法如CNN的OPMDs诊断模型，已经被证明能有效识别口腔癌及其癌前病变状态。口腔黏膜疾病筛查与流行病学调查产生的多模态大数据集，使AI在该领域大有用武之地，它可以处理来自不同地区和人群的大量数据，揭示疾病发展的趋势、风险因素和地理分布模式，这对于公共卫生政策制定和预防策略的优化至关重要。

3.3 远程医疗

AI应用不受时间、空间限制的特点使患者能够进行居家口腔健康检查，并通过虚拟助理提供远程医疗支持。马来西亚癌症研究中心以利用远程医疗促进患者管理为长期目标，开发了一款名为MeMoSA(Mobile Mouth Screening Anywhere)的手机应用程序。MeMoSA 允许通过手机摄像头记录口腔病变，并实现初级保健从业人员和异地专家之间的无缝双向通信。这种技术的进步不仅为患者提供了便利和更佳的医疗体验，也有助于优化医疗资源分配，助力实现分级诊疗。

3.4 精确诊断与预测

现有的口腔黏膜病AI研究虽然在辅助诊断和评估方面取得了一定进展，然而大多数研究仅关注病灶的识别(分割)或疾病类型的分类，而非两者的综合。未来的发展方向应着重于创建综合性的辅助诊断系统，该系统不仅能对病灶进行精确识别，还能对疾病类型进行准确分类，这要求模型能够同时处理和解释复杂的图像数据，提供全面的诊断信息。此外未来的研究应探索针对多模态数据的AI辅助诊断，包括临床图像、病理图像、患者临床数据和可能的遗传信息等，从而更好地模拟口腔黏膜病专科医生诊断疾病的过程，进一步提高诊断准确率。

3.5 助力口腔黏膜病专科医师培训

口腔黏膜病专科医师的培养周期长，需要大量临床病例的积累。通过建立口腔黏膜病大语言数据模型，模拟患者就诊过程，可使接受口腔黏膜专科培训的医师在较短时间内积累大量临床经验，从而加速医生的培养过程，助力口腔黏膜病专科医师培训。

4. AI技术在口腔黏膜病学临床应用的潜在限制和挑战

尽管AI在口腔黏膜病学应用的研究取得了一定的进展，但在将这些成果转化为临床应用方面，仍面临着一些重要的挑战。目前的AI模型多专注于一种或少数几种疾病的鉴别，面对表现复杂的黏膜病，尚缺乏能够全面覆盖所有黏膜疾病类型的综合性AI模型，需要更多的研究来进一步改进现有的学习方式，使模型能够鉴别多种口腔黏膜疾病。部分研究虽然显示出较高的准确率，如使用75张图像检测鉴别唇疱疹与溃疡，使用73张图像样本预测个体发展为口腔癌的风险，使用35例患者的图像数据诊断白斑。但这些研究的局限性在于样本量较小，且没有对算法的准确性进行前瞻性验证。

CNN 模型的性能很大程度上受图像质量的影响，模型多采用基于标准化流程采集的临床图像，如口内摄影、高光谱图像、口内探针、病理学图像，且录入数据集的图像都经过了筛选与预处理，内部数据集验证准确率高，但是缺乏在不同临床图像的外部验证。而口腔结构的复杂性和解剖变异性使得在实际临床应用中，尤其是在无自然光照的条件下，患者获取标准化、高质量图像变得更加困难，这一挑战突显出在实际临床环境中开发和使用适应性更强的AI技术的迫切需求，以确保即便在非理想条件下也能维持高水平的诊断准确性。

5. 结语

AI在口腔黏膜病学的应用正在开启新的医疗革命。尽管目前AI在此领域还处于起步阶段，但其在口腔黏膜疾病的辅助诊断、疾病风险评估方面已经取得了重要进展。通过对大量临床数据的分析和处理，AI不仅提高了诊断的准确性和效率，而且为远程医疗和个性化治疗提供了强大的支持。这些进步预示着未来口腔医学领域将更加依赖于数据驱动和技术支持的决策过程。

然而，将AI技术从实验室成功转移到临床实践仍然面临挑战，特别是在确保技术适应性和临床验证方面。未来的研究应集中于提高AI模型的通用性和适用性，同时确保这些技术在临床环境中的有效性和安全性。随着技术的进一步发展，我们有理由相信，AI将在未来成为口腔黏膜病诊疗中不可或缺的一部分，为患者提供更高质量的医疗服务。

来源：杨青默，魏攀，华红.智能化时代下的口腔黏膜病学——人工智能应用研究的现状与展望[J].口腔医学研究，2025，41(01):1-6.DOI:10.13701/j.cnki.kqyxyj.2025.01.001.