《Advances in Biomarker Sciences and Technology》:Deep Learning-Based Automated Detection, Genetic Signature Identification and Classification of Oral Lesions for Early Diagnosis of Oral Cancer
编辑推荐:
本刊推荐:为应对口腔癌(尤其是口腔鳞状细胞癌,OSCC)早期诊断的挑战,研究者们开发了一种整合深度学习图像分析与转录组学图谱的多模态计算框架。该研究利用DenseNet201、InceptionResNetV2和MobileNetV2三种卷积神经网络(CNN)架构组成的集成模型,结合Dempster–Shafer Theory (DST) 进行决策融合,显著提升了口腔病变的分类准确性(在OSCC数据集中达92%准确率,在Dental Condition多类别分类中达70%准确率)。该工作还通过GEO数据集GSE37991的转录组分析,揭示了与OSCC相关的细胞外基质(ECM)-受体相互作用、细胞色素P450代谢等关键通路,为理解口腔癌的分子机制提供了新见解。该研究展现了人工智能驱动方法在口腔癌筛查中的潜力,有望辅助临床实现更早、更精准的非侵入性诊断。
想象一下,每年全球有超过50万新病例被确诊为口腔癌,其中约90%是口腔鳞状细胞癌(OSCC)。这种疾病的生存率与诊断时机紧密相关:在早期(I-II期)发现,患者5年生存率可超过80%;但若拖到晚期(III-IV期),生存机会将骤降至不足50%。然而,现实中的诊断却面临重重困境。传统的金标准——活检和组织病理学评估——不仅具有侵入性,可能给患者带来不适与焦虑,而且对于早期、临床表现不明显的病变,其敏感性有限,甚至存在观察者间差异导致的误诊或延迟治疗风险。此外,许多口腔癌由口腔潜在恶性疾病(OPMD)发展而来,如口腔白斑、红斑等,若能及早识别并干预,或许就能逆转恶变进程。在高收入与中低收入国家之间,医疗资源与筛查水平的差异进一步加剧了诊治的不平等。这一切都指向一个迫切的临床需求:开发一种准确、快速、非侵入性的辅助工具,以实现口腔癌的早期筛查与风险分层。
近年来,人工智能(AI)与深度学习,特别是卷积神经网络(CNN),在医学影像分析领域展现了巨大潜力,已在皮肤癌、肺癌等诊断中取得成功应用。然而,在口腔癌检测方面,现有研究仍面临数据集规模小、多样性不足、模型可解释性差(“黑箱”问题)以及缺乏对预测不确定性的量化等挑战。大多数研究要么仅关注图像分析,要么只探索分子机制,未能将两者有效结合以提供更全面的疾病视角。
正是在这样的背景下,由Shyamalendu Paul、Suparna Biswas、Shivnath Ghosh、Sanjukta Dasgupta、Sourajit Maity、Kartik Sau和Moupiya Ghosh组成的研究团队,开展了一项开创性的研究。他们旨在构建一个多模态计算框架,不仅利用深度学习实现口腔病变的自动化、高精度检测与分类,还同步探索其背后的分子遗传学特征,以期为口腔癌的早期诊断和生物学理解提供双重支持。这项成果已发表在《Advances in Biomarker Sciences and Technology》期刊上。
为了达成上述目标,研究人员综合运用了多项关键技术。在数据层面,他们使用了两个公开的图像数据集:一个包含5,192张H&E染色组织切片的OSCC数据集(来自230名患者,用于正常与OSCC的二分类)和一个包含13,172张临床照片的Dental Condition数据集(涵盖龋齿、牙龈炎、牙齿变色等7类口腔疾病,用于多分类)。在模型构建上,他们采用了三种预训练的CNN架构——DenseNet201、InceptionResNetV2和MobileNetV2作为基础模型,取其互补的特征提取优势。创新的核心在于,他们引入Dempster–Shafer Theory (DST,一种处理不确定性的数学理论) 来融合三个基础模型的预测结果,形成DST集成模型。这种融合方式能够显式地表征“不确定性”,在模型预测存在冲突或不完整时,提供比简单平均或投票更鲁棒的决策。此外,研究还并行进行了转录组学分析,从Gene Expression Omnibus (GEO)数据库获取了GSE37991数据集,以识别OSCC与正常组织间的差异表达基因,并进行了蛋白互作网络和通路富集分析。
4.1. 二元分类性能(OSCC数据集)
在OSCC组织病理学图像的二分类任务中,DST集成模型展现出了最佳性能。基础模型DenseNet201和MobileNetV2的准确率均为90%,InceptionResNetV2为88%。而DST集成模型将准确率提升至92%,其精确度、召回率和F1分数也均达到0.92。Wilcoxon符号秩检验证实,DST集成模型的表现显著优于所有单个基础模型(p值均小于0.05)。从混淆矩阵()可见,DST集成模型将OSCC类的假阴性(漏诊)从最佳单个模型的8例减少到5例,这对于避免延误治疗具有重要临床意义。t-SNE可视化()也显示,各模型提取的特征能较好地区分正常与OSCC样本。
4.2. 多类别分类性能(Dental Condition数据集)
在更复杂的7分类临床图像任务中,DST集成模型同样取得了最佳表现。单个模型中,MobileNetV2表现最佳,准确率为69%,DenseNet201为60%,InceptionResNetV2为55%。简单的软投票集成准确率也为69%。而DST集成模型实现了70%的准确率,统计检验表明,其表现显著优于所有单个模型及软投票集成(p值均小于0.05)。尽管绝对提升幅度(1个百分点)不大,但DST在不确定性校准方面提供了可重复的益处。具体到各类别,模型对口腔溃疡、牙齿变色、少牙症等分类效果较好(F1分数在0.73-0.91之间),但对牙结石和YOLO标注的混合类别分类效果较差,反映了临床图像本身存在视觉相似性和类别异质性等挑战。
4.5. 比较性见解
消融研究进一步证实了集成策略和DST融合的价值。在OSCC数据集上,DST集成模型相比最佳单个模型(MobileNetV2)准确率提升了2个百分点;在Dental Condition数据集上,相比最佳单个模型和软投票集成提升了1个百分点。与软投票相比,DST的优势不仅在于微弱的准确率提升,更在于其不确定性感知的融合机制,这对于临床分诊场景至关重要——有时知道系统“不确定”和知道它“预测了什么”同样重要。
4.6. 差异表达基因鉴定
转录组分析鉴定出大量与OSCC相关的差异表达基因:与对照组相比,OSCC中有130个基因上调,327个基因下调。利用STRING数据库构建的蛋白-蛋白互作(PPI)网络()包含453个节点和1395条边,显示出这些基因在功能上存在显著相互作用。
4.7. 通路分析
KEGG通路富集分析揭示了与OSCC最显著相关的几条生物学通路。其中,细胞外基质(ECM)-受体相互作用通路富集程度最高,这凸显了在口腔癌中,与细胞粘附、侵袭相关的整合素、胶原蛋白和层粘连蛋白编码基因发生了失调。其次,药物代谢-细胞色素P450以及细胞色素P450对外源性物质的代谢通路也显著富集,这提示与异生素代谢和药物反应性相关的细胞色素P450家族基因发生了改变,常与治疗结果的个体间差异相关。此外,肥厚型心肌病和酪氨酸代谢相关通路也显示出富集,反映了超出肿瘤组织范围的、更广泛的遗传扰动。这些发现从遗传学角度揭示了先天性和体细胞变化如何共同驱动OSCC的发病和进展。
本研究提出了一个用于口腔病变自动识别和分类的深度学习集成框架,以支持口腔癌的早期检测。所提出的模型整合了DenseNet201、InceptionResNetV2和MobileNetV2,并通过DST实现决策级融合。该集成框架在OSCC数据集上达到92%的准确率,在Dental Condition数据集上达到70%的准确率,表现出优于单个模型的分类性能。基于DST的融合策略增强了不确定性下的决策能力,并减少了假阴性预测——这在早期癌症检测场景中尤为重要。研究也承认了当前工作的局限性,包括数据集变异性、缺乏多中心外部验证、多分类临床图像任务性能有待提升,以及影像分析与转录组分析尚未深度整合等。
平行的转录组学分析进一步识别出与OSCC相关的关键分子改变,特别是涉及ECM-受体相互作用和细胞色素P450介导的代谢通路,这些通路与肿瘤侵袭、代谢失调和治疗反应相关。这些发现为影像分类框架提供了互补的生物学背景。
总而言之,这项研究展示了人工智能驱动方法在支持OSCC非侵入性筛查方面的潜力。它通过创新的不确定性感知模型融合,提升了口腔病变自动检测的鲁棒性和准确性,同时从分子层面揭示了疾病的相关通路,为未来开发更精准、个性化的诊疗策略提供了线索。研究团队强调,在投入常规临床应用之前,仍需在更大规模、经过临床注释的数据集上进行进一步验证,而未来的工作可以探索影像特征与基因表达特征的多模态整合,以更紧密地连接分子表型与影像表型。