人工智能技术在口腔颌面部肿瘤诊断中应用的研究进展

口腔颌面部肿瘤是口腔颌面外科最常见的疾病之一，其早期可能原发于深部的肿瘤，因此早期发现是治疗的关键，但目前早期诊断难度较大，误诊率较高

。人工智能（artificial intelligence，AI）技术在20 世纪50 年代就已经开始被应用于常见疾病的诊断中；近年来，随着以图像识别技术为代表的深度学习（deep learning，DL）技术的快速发展和应用，相关研究主要集中在利用各种来源的医学图像，实现对口腔颌面部肿瘤的诊断。本文就AI技术在口腔颌面部肿瘤诊断中的应用进展进行综述。

1 AI 技术在影像学检查中的应用

1.1 曲面断层片

在医学影像中识别和分割肿瘤图像，是实现智能诊断和治疗的基础。Nurtanio 等

采用支持向量机（support vector machine，SVM）实现了对囊肿与肿瘤病变的分类，结果表明囊肿与肿瘤病变的鉴别准确率可达87.18%，受试者工作特征曲线下面积可达0.94。DL 技术近年来在医学图像识别领域得到了迅速的发展和应用，Yang 等

采用基于DL的卷积神经网络，通过学习1 602 例医师标注的曲面断层片中的颌骨内病变，实现了机器对颌骨内肿瘤的识别和分类，该算法诊断准确率为70.71%，与临床医师诊断准确率无统计学差异。

1.2 电子计算机断层扫描（computed tomography，CT）

CT 可以更加准确反映肿瘤性疾病的三维特征，但计算机需要进行的运算量也成倍提高。近年来随着DL 技术的发展以及计算机运算能力的提升，已经有很多研究实现了对口腔颌面部CT 中肿瘤的识别、诊断。锥形束CT（cone beam CT，CBCT）是口腔医学中常用的检查方式。有研究采用AI 方法对CBCT 数据中口腔颌面部肿瘤的识别、分割及诊断。Abdolali 等

提出了一种基于不对称性分析的颌骨囊肿自动分割方法，通过识别CBCT中双侧图像的不对称性可以准确的自动分割颌骨囊肿。在此基础上，该研究团队进一步提出了一种口腔颌面部囊肿纹理特征提取分析（texture analysis）的方法，并根据这些特征实现了对颌面部根尖囊肿、含牙囊肿和牙源性角化囊肿的分类诊断，诊断准确率达到96.48%

。Romeo 等

通过对原发于口咽部的鳞状细胞癌病变提取CT 纹理特征分析，预测患者的肿瘤分级和淋巴结状态。结果显示对于肿瘤分级的预测，准确率达92.9%，对于淋巴结转移的预测准确率超过90%。是否发生淋巴结转移决定了肿瘤患者的诊断分级及治疗方案的选择，近年来DL 技术在肿瘤CT 图像诊断中表现出很好的应用前景。Ariji 等

通过学习颈部淋巴结转移的CT 图像特征，采用DL 技术算法实现了淋巴结转移分类诊断，诊断准确率为78.2%，敏感度75.4%，特异度81%。双能CT（dual-energy CT，DECT）是近年来新出现的检查方式，AI 技术与该检查方法结合的研究是肿瘤患者的术前诊断达到更高的水平。Al 等

比较了在多能量数据集中图像的纹理分析性能，对两种最常见的良性腮腺肿瘤（多形性腺瘤、沃辛瘤）进行分类。采用多能量纹理分析，独立检测集的肿瘤分类准确率为92%，而单能量分析的肿瘤分类准确率为75%。

1.3 磁共振检查（magnetic resonance imaging，MRI）

MRI 是口腔颌面部肿瘤最常用检查方法之一。传统的MRI 序列，如T2 加权成像和对比增强的T1 加权成像可以提供关于肿瘤直径、位置和边界的重要信息。近年来，口腔颌面部肿瘤的MRI纹理分析越来越受到关注。与AI 技术参与分析CT 数据的相关研究相似，通过对MRI 数据实现对口腔颌面部肿瘤的分类诊断的相关研究聚焦在肿瘤的自动分割

，以及肿瘤的分级诊断

。

1.4 放射性核素检查与AI 驱动的医学影像多模态融合

不同影像学检查方法各有优劣，临床上常采用多种影像学检查模态融合的方法，更准确的辅助诊断。但目前对多模态数据的融合多采用手动操作，耗时长，准确率较低。Guo 等

利用多模态正电子发射计算机断层显像（positron emission tomography，PET）和CT 图像，提出一种基于DL 技术的口腔颌面部肿瘤自动分割模型。该模型成功的应用于口腔颌面部肿瘤患者并取得了良好的肿瘤分割效果。

1.5 肿瘤数码照片

Welikala 等

报道了一种快速、无创、经济有效且易于使用的DL 技术，通过学习2 155 种类型口腔内病变的照片，实现对口腔病变照片分类。算法对照片中病变识别的F1 分数为87.07%，对需转诊至上级医院治疗分类的F1 分数为78.3%。Fu等

纳入更大样本量用于DL 技术，通过学习来自11 家医院的44 049 张经病理检查证实的口腔鳞状细胞癌和正常黏膜照片，能够实现通过手机软件拍照识别口腔内可能存在的鳞状细胞癌病变，达到了和口腔癌专家诊断相似的准确率（92.3%）、灵敏度（91.0%）和特异度（93.5%）。

近年来，科学家开始对医学样本进行虚拟染色，通过使用高光谱成像技术（hyperspectral image，HSI）既避免了染色过程损害样本，又可以提供准确度高的结果。Jeyaraj 等

在通过高光谱图像，实现自动计算机辅助口腔癌检测的DL 技术算法。该算法在训练集中对良性和恶性肿瘤的区分准确率达到了91.4%，敏感度94%，特异度91%，对正常组织和肿瘤性组织的区分准确率更是达到了94.5%，具有良好的应用于口腔颌面部肿瘤病理诊断应用前景。

1.6 共聚焦显微镜（confocal laser endomicroscopy，CLE）

Das 等

采用迁移学习和卷积神经网络，对病理切片中鳞状细胞癌的诊断分级准确率达到97.5%。AI 技术能更好地识别高分化和低分化癌症，有助于提供更有针对性的治疗方法。Halicek等

使用192 张头颈部鳞状细胞癌的数字化病理切片，用来训练和验证其提出的卷积神经网络。在测试集和训练集中AUC 分别为0.91 和0.92。在该研究团队的另一项研究中，使用该卷积神经网络模型对数字化全景病理图像中的原发性头颈部鳞状细胞癌细胞进行定位，对鳞状细胞癌检测的AUC 为0.918

。以上结果表明，该模型可以帮助病理医师准确有效地检测组织学图像中的鳞状细胞癌病变。肿瘤浸润淋巴细胞（tumor infiltrating lymphocytes，TILs）已被证明是一系列癌症的关键预后指标。Shaban 等

提出了一种用于客观量化口腔鳞状细胞癌组织学图像中TILs 富集程度的方法，并据此进行量化淋巴细胞和肿瘤区域的共定位和分割，该方法的组织分割准确率达到96.31%，且对口腔鳞状细胞癌患者无病生存期的预后预测价值明显高于人工评分。

本文利用我国29个省 （市）2001～2016年的面板数据，用技术进步的CES生产函数法对炼化产业的产能利用率进行了测度，并对影响各省产能利用率的因素进行分析，得出以下结论：

1.7 红外热成像

他解释“大体框架”包括：首先，岗位评价必须以职业自律、医德医风为基础，“医疗工作是团队作业，相互交叉、需要协同的工作太多，应急处理尤其如此。比如门诊大厅有人突然晕倒，为了最有效率地救人，肯定应该是最先发现且具备急救技能的医务人员施救，职业天性必然是凌驾于岗位设置与岗位评价之上的。”

2 AI 技术在病理学检查中的应用

2.1 数字化病理切片

CLE 是一种无创、无辐射的记录皮下显微解剖图像，用于体内细胞结构分析的检查方法。对于CLE 的研究显示了其对于口腔鳞状细胞原位癌可靠、实时的超微结构成像及早期诊断的巨大前景。Aubreville 等

提出并评估一种新的自动诊断方法，利用DL 技术在CLE 图像上进行口腔鳞状细胞癌的准确诊断，该方法对获得自口腔鳞状细胞癌肿瘤患者CLE 图像序列，共7 894 张图像的诊断平均准确率为88.3%，灵敏度为86.6%，特异性为90%，ROC曲线下面积（area under curve，AUC）为0.96。

2.2 高光谱成像病理切片

元素锗（Ge）对人体的影响主要是可以恢复疲劳、防止贫血、帮助新陈代谢等等。在很多地方，锗被当作医疗辅助用具。最近几年的临床医学研究发现，正常人体中，不会缺乏此类的微量元素，但是现代工业文明的环境下，长期受到化学污染的人体，使得这锗元素离子活性有衰退的迹象，适当补充这种微量元素有助于身体机能的健康。

Dong 等

尝试评估红外热成像系统在检测与机器学习结合，对口腔癌发生颈淋巴结转移的诊断效能，共90 例怀疑有颈部淋巴结转移的口腔癌患者在颈淋巴结清扫前接受了颈部红外成像检查。红外图像分析采用人工定性分析和AI 技术自动分析两种方法，结果显示AI技术自动分析具有更高的敏感性（84.8%

71.7%）和特异性（77.3%

72.7%）、准确性（81.1%

72.2%）、阳性预测值（79.6%

73.3%）和阴性预测值（82.9%

71.1%）。

口腔潜在恶性病变的有效监测对发现早期癌症和改善预后至关重要。Mcrae 等

运用机器学习算法，通过学习口腔鳞状细胞癌及潜在恶性口腔病变患者口腔中毛刷刷落组织细胞的细胞表型开发了一种工具，以帮助病理医师进行肿瘤筛查。该算法对良、恶性肿瘤鉴别诊断的AUC 为0.95，对良性肿瘤与不典型增生的鉴别诊断的AUC为0.81，且具有无创、操作简便的优点，具有很好的口腔肿瘤筛查应用前景。

2.3 细胞病理学

回顾二十多年的教学经历，自己一直以来都认认真真备课，教案越写越详尽，课件越做越多，教学似乎变成了日复一日的重复，激情也慢慢随着时间的推移消失了。以往在语文教学中，我常常担心讲不深、讲不透，喜欢在课堂上滔滔不绝，实际上学生不是在学语文，而是在学教师对课文的心得体会。事实证明，由于忽视了学生的主体地位，再加上学生自主阅读课文时间太少，他们对课文本身认识不真切，思考不深刻，因此教学效果并不好。而模块教学的实施注定了教师再不能在课堂上满堂灌了，必须把时间还给学生。在单元模块教学中教师又该怎么做呢？

3 AI 技术在生化检测检查中的应用

3.1 液体活检

液体活检是目前肿瘤诊断中的一个新概念，通过检测体液可以早期发现多种循环生物标志物揭示癌症的代谢物特征。采用AI 技术筛选关键生物标志物，并协助准确诊断是非常重要的发展方向。傅里叶变换红外（fourier transform infrared，FTIR）光谱是一种成熟的、应用广泛的分析技术，当分子受到红外光照射时，会以一定的能量/频率吸收入射的辐射。该光谱提供了生物样品中蛋白质、核酸、脂类和碳水化合物的生化概况，称为生物分子指纹。Zlotogorski-Hurvitz 等

对比了口腔癌患者和健康个体唾液外泌体的FTIR 光谱，并利用计算辅助模型评估其诊断潜力。该模型对样本的正确分类灵敏度为100%，特异性为89%，准确率为95%。证明了该方法对口腔癌诊断具有很好的应用前景。

3.2 多数据来源的综合诊断

现有采用分子生物学方法，进行口腔颌面部肿瘤诊断的研究是探索性、革命性的，未来很有可能颠覆基于组织形态学变化的传统诊疗模式。这些新方法本质上都是基于大数据，以及对大数据的统计学分析，诸如FTIR 光谱、质谱等检测方法提供了以往无法获取的肿瘤患者在分子水平特征变化。但是，现有研究的样本数量和质量均不足以支撑可靠的诊断模型的训练，且不同方法获得数据的可靠性有待观察。在可以预见的时间内，结合包括临床表现、辅助检查和分子生物学数据等多种来源的数据，综合患者的个体组学特征给出诊断，是未来最理想的诊断模式，而这种多数据源、复杂问题的解决离不开AI 技术的辅助。

4 展望与总结

AI 技术已在口腔颌面部肿瘤的诊断中展现出广泛的临床应用价值和前景，在部分类型疾病的诊断中已经展现出超过传统医学专家诊断的效能。AI 技术辅助的基于基因组学、转录组学的全新肿瘤诊断方式，未来有很大可能改变临床诊断的模式。但AI 技术在短时间内仍很难取代专家单独进行对口腔颌面部肿瘤的诊断，更多的可能是对医师进行辅助。目前研究存在的主要问题是标注数据质量参差不齐、样本量过小、研究问题局限、数据模态单一。此外，对AI 诊断肿瘤结果的解释和专家质控、以及错误诊断相关伦理问题，也是AI 技术临床应用需要解决的问题。

Du W wrote the article. Peng X reviewed the article. All authors read and approved the final manuscript as submitted.

[1]Gigliotti J，Madathil S，Makhoul N.Delays in oral cavity cancer[J].Int J Oral Maxillofac Surg，2019，48(9):1131-1137.doi:10.1016/j.ijom.2019.02.015.

[2]Nurtanio I， Astuti ER， Purnama IE， et al. Classifying cyst and tumor lesion using support vector machine based on dental panoramic images texture features[J]. IAENG Int J Comput Sci， 2013， 40(1):29-37.

[3]Yang H， Jo E， Kim HJ， et al. Deep learning for automated detection of cyst and tumors of the jaw in panoramic radiographs[J]. J Clin Med，2020，9(6):1839.doi:10.3390/jcm9061839.

[4]Abdolali F，Zoroofi RA，Otake Y，et al.Automatic segmentation of maxillofacial cysts in cone beam CT images[J]. Comput Biol Med，2016，72:108-119.doi:10.1016/j.compbiomed.2016.03.014.

[5]Abdolali F， Zoroofi RA， Otake Y， et al. Automated classification of maxillofacial cysts in cone beam CT images using contourlet transformation and Spherical Harmonics[J]. Comput

Programs Biomed， 2017， 139: 197-207. doi: 10.1016/j.cmpb.2016.10.024.

[6]Romeo V，Cuocolo R，Ricciardi C，et al.Prediction of tumor grade and nodal status in oropharyngeal and oral cavity squamous-cell carcinoma using a radiomic approach[J].Anticancer Res， 2020，40(1):271-280.doi:10.21873/anticanres.13949.

[7]Ariji Y，Fukuda M，Kise Y，et al.Contrast-enhanced computed tomography image assessment of cervical lymph node metastasis in patients with oral cancer by using a deep learning system of artificial intelligence[J]. Oral Surg Oral Med Oral Pathol Oral Radiol，2019，127(5):458-463.doi:10.1016/j.oooo.2018.10.002.

[8]Al AE， Forghani B， Reinhold C， et al. Spectral multi-energy CT texture analysis with machine learning for tissue classification: an investigation using classification of benign parotid tumours as a testing paradigm[J]. Eur Radiol， 2018， 28(6): 2604-2611. doi:10.1007/s00330-017-5214-0.

[9]Deng W，Luo L，Lin X，et al.Head and neck cancer tumor segmentation using support vector machine in dynamic contrast-enhanced MRI[J]. Contrast Media Mol Imaging， 2017， 2017: 8612519. doi:10.1155/2017/8612519.

[10] Ren J， Qi M， Yuan Y， et al. Machine learning-based MRI texture analysis to predict the histologic grade of oral squamous cell carcinoma[J]. AJR Am J Roentgenol， 2020， 215(5): 1184-1190. doi:10.2214/AJR.19.22593.

[11] Guo Z， Guo N， Gong K， et al. Gross tumor volume segmentation for head and neck cancer radiotherapy using deep dense multi-modality network[J]. Phys Med Biol， 2019， 64(20): 205015. doi:10.1088/1361-6560/ab440d.

[12] Welikala RA， Remagnino P， Lim JH， et al. Automated detection and classification of oral lesions using deep learning for early detection of oral cancer[J]. IEEE Access， 2020， 8(2020): 132677-132693.doi:10.1109/ACCESS.2020.3010180.

[13] Fu Q， Chen Y， Li Z， et al. A deep learning algorithm for detection of oral cavity squamous cell carcinoma from photographic images:a retrospective study[J]. 2020， 27: 100558. doi: 10.1016/j.eclinm.2020.100558.

[14] Aubreville M， Knipfer C， Oetter N， et al. Automatic classification of cancerous tissue in laserendomicroscopy images of the oral cavity using deep learning[J]. Sci Rep， 2017， 7(1): 11979. doi:10.1038/s41598-017-12320-8.

[15] Dong F， Tao C， Wu J， et al. Detection of cervical lymph node metastasis from oral cavity cancer using a non-radiating， noninvasive digital infrared thermal imaging system[J]. Sci Rep， 2018， 8(1):7219.doi:10.1038/s41598-018-24195-4.

[16] Das N， Hussain E， Mahanta LB. Automated classification of cells into multiple classes in epithelial tissue of oral squamous cell carcinoma using transfer learning and convolutional neural network[J]. Neural Netw， 2020， 128: 47-60. doi: 10.1016/j.neunet.2020.05.003.

[17] Halicek M，Shahedi M，Little JV，et al.Detection of squamous cell carcinoma in digitized histological images from the head and neck using convolutional neural networks[J]. Proc SPIE Int Soc Opt Eng，2019，10956:109560K.doi:10.1117/12.2512570.

[18] Halicek M， Shahedi M， Little JV， et al. Head and neck cancer detection in digitized whole-slide histology using convolutional neural networks[J]. Sci Rep， 2019， 9(1): 14043. doi: 10.1038/s41598-019-50313-x.

[19] Shaban M， Khurram SA， Fraz MM， et al. A novel digital score for abundance of tumour infiltrating lymphocytes predicts disease free survival in oral squamous cell carcinoma[J]. Sci Rep， 2019， 9(1):13341.doi:10.1038/s41598-019-49710-z.

[20] Jeyaraj PR，Samuel NR.Computer-assisted medical image classification for early diagnosis of oral cancer employing deep learning algorithm[J]. J Cancer Res Clin Oncol， 2019， 145(4): 829-837.doi:10.1007/s00432-018-02834-7.

[21] Mcrae MP，Modak SS，Simmons GW，et al.Point-of-care oral cytology tool for the screening and assessment of potentially malignant oral lesions[J]. Cancer Cytopathol， 2020， 128(3): 207-220. doi:10.1002/cncy.22236.

[22] Zlotogorski-Hurvitz A， Dekel BZ， Malonek D， et al. FTIR-based spectrum of salivary exosomes coupled with computational-aided discriminating analysis in the diagnosis of oral cancer[J]. J Cancer Res Clin Oncol，2019，145(3):685-694.doi:10.1007/s00432-018-02827-6.