基于荧光的便携式设备与 AI 工具联用实时监测口腔黏膜病变：开启口腔疾病诊断新篇

《Scientific Reports》：Integration of the fluorescence based portable device with the AI tools for the real-time monitoring of oral mucosal lesions

为解决口腔黏膜病变早期无创、灵敏检测难题，研究人员开展相关研究，发现该联用可区分病变，助力诊断。

　　

基于荧光的便携式设备与 AI 工具联用实时监测口腔黏膜病变研究解读

在健康领域，口腔疾病一直是影响人们生活质量的重要因素。其中，口腔黏膜病变若不能及时发现和治疗，可能会发展成严重的口腔癌。目前，传统的口腔病变检测方法 —— 组织活检，虽被视为 “金标准”，却存在诸多弊端。它不仅是侵入性操作，会给患者带来痛苦，而且耗时久，还不能保证所取活检部位的准确性。数据显示，口腔癌患者五年生存率仅约 45%，这主要归咎于诊断的滞后以及早期症状的隐匿。因此，开发一种非侵入性、灵敏、实时且操作简便的检测手段迫在眉睫。

在此背景下，来自印度多所机构的研究人员积极探索，开展了一项将基于荧光的便携式设备与人工智能（AI）工具相结合用于实时监测口腔黏膜病变的研究。该研究成果发表在《Scientific Reports》上，为口腔疾病的诊断开辟了新方向。

研究人员主要运用了以下几种关键技术方法：首先，自行研发了一款基于稳态荧光的便携式设备。该设备选用黄铜和特氟龙材料制作硬件部分，内部集成了 405nm 激光二极管、紫外可见光谱仪、多种光学组件及其他配件。其次，在数据处理方面，运用主成分分析（PCA）对数据进行降维处理，提取关键特征；再利用朴素贝叶斯（Na?ve Bayes）、线性判别分析（LDA）、二次判别分析（QDA）等 AI 工具对数据进行分类；最后通过受试者工作特征（ROC）评估诊断的准确性、敏感性、特异性等参数。研究样本来自 79 个口腔鳞状细胞癌（OSCC）患者的颊黏膜部位、48 个发育异常患者的颊黏膜部位以及 62 个健康志愿者的颊黏膜部位。

下面详细介绍研究结果：

1. 荧光光谱特征：在 405nm 激发光下，研究人员记录了口腔颊黏膜在 450 - 750nm 光谱范围内的荧光光谱。结果发现，FAD（黄素腺嘌呤二核苷酸）在 500nm 处有荧光发射带，卟啉在 634nm、676nm、689nm 和 703nm 处有发射带。正常志愿者的光谱中，主要是 FAD 带，仅有极少数能观察到微弱的卟啉带；而 OSCC 患者中，约 85% 能检测到卟啉带，且半数患者卟啉带强度高于 FAD 带；发育异常患者中，约 70% 有卟啉带，其中 30% 卟啉带强度高于 FAD 带。
2. 数据分析与分类结果：研究人员先对数据进行 PCA 处理，选取前 5 个主成分（其累计方差大于 96%）进行后续分析。在运用 Na?ve Bayes、LDA 和 QDA 进行分类时，将数据分为训练集（70%）和测试集（30%）。结果显示，在区分正常与 OSCC、正常与发育异常时，三种分类器在测试数据中的敏感性均达到 100%；在区分发育异常与 OSCC 时，QDA 的敏感性最高，达到 97.43%，而 Na?ve Bayes 和 LDA 分别为 82.60% 和 78%。通过 ROC 分析，QDA 在区分发育异常与 OSCC 时的 AUC 值达到 0.99，高于 Na?ve Bayes 和 LDA，表明 QDA 在区分这两组数据时表现更优。

在研究结论和讨论部分，研究表明，随着口腔癌的发展（从正常到发育异常再到 OSCC），荧光团浓度发生变化，卟啉带强度增加，FAD 强度降低。虽然仅分析卟啉与 FAD 强度比不能有效区分不同阶段的口腔癌，但对整个光谱进行分析并结合 AI 工具则可实现较好的分类效果。研究证实，便携式设备结合基于 PCA 的 QDA 工具，在体内识别口腔黏膜病变方面具有很大的潜力，有望成为传统检测方法的良好替代方案。不过，研究也指出，尽管神经网络和随机森林等先进 AI 方法在性能指标上表现出色，但由于样本量较小，存在过拟合现象，未来需要更大的数据集、交叉验证技术或正则化方法来优化模型，提高其泛化能力。

综上所述，这项研究为口腔黏膜病变的早期诊断提供了新的思路和方法，虽然仍有改进空间，但无疑为口腔疾病诊断领域的发展注入了新的活力，有望在未来临床实践中发挥重要作用，帮助更多患者实现口腔疾病的早发现、早治疗。