口腔癌仍然是一个严重的全球健康问题，主要由于晚期诊断导致高发病率和死亡率。口腔潜在恶性病变（OPMDs）的存在提供了早期干预的机会，因为这些病变通常先于口腔鳞状细胞癌的发展出现。然而，由于OPMDs的临床表现多样，准确检测和分类仍然具有挑战性。传统的诊断方法，如视觉检查和组织病理学分析，存在主观性、侵入性和高度依赖专家解读等局限性。近年来，人工智能（AI）和深度学习（DL）作为医学影像领域的有力工具，提供了自动化、客观且高效的诊断能力。
深度学习在OPMDs诊断中的应用
各种深度学习模型，特别是卷积神经网络（CNNs），已被应用于不同的成像模式，以改进OPMDs的诊断。这些模型在使用临床摄影图像、自体荧光图像、脱落细胞学、组织病理学和光学相干断层扫描（OCT）图像检测和分类OPMDs方面，已显示出与专家相当的准确性。
- 临床摄影图像：深度学习算法如DenseNet-169、ResNet-101和EfficientNet-b4已被用于分析口腔病变的临床照片。研究表明，这些模型能够区分OPMDs、良性病变和口腔癌，其敏感性和特异性可与专家相媲美。基于智能手机的成像和DL模型在资源有限的环境中尤其有前景。
- 自体荧光成像：自体荧光成像通过突出显示口腔组织的生化变化而得到增强。训练后的深度学习模型可以区分正常黏膜、OPMDs和恶性病变，从而提高诊断准确性。
- 脱落细胞学：AI辅助的脱落细胞学图像分析作为一种非侵入性和成本效益高的诊断工具进行了探索。基于CNN的模型在识别与恶性转化相关的细胞学异常方面表现出高灵敏度和特异性。
- 组织病理学分析：病理检查仍然是诊断OPMDs的金标准。深度学习算法可以自动识别组织学图像中的异型增生特征，提高一致性并减少观察者间的差异。分割模型如Mask R-CNN在识别指示恶性潜能的核变化方面特别有效。
- 光学相干断层扫描（OCT）：OCT提供高分辨率、实时的口腔组织成像，有助于早期发现异型增生和恶性变化。训练后的AI模型能够分析OCT图像，达到与病理学家相当的诊断准确性。
深度学习在OPMDs预后预测中的应用
除了诊断外，AI模型还被用于预测OPMDs的恶性转化可能性。机器学习技术，包括随机森林分类器和生存模型如DeepSurv，已被用于整合临床、组织病理学和成像数据来评估癌症风险。这些模型提供个体化的风险评估，有助于临床决策和患者管理。
(全文结束)
