用于OKC诊断与复发预测的深度学习方法

这对日常健康为何重要

颌骨囊肿听起来罕见，但它们可能在多年内悄然生长，并在手术后再次出现，导致反复治疗和高额医疗费用。本研究探讨人工智能如何帮助牙医和病理学家及早识别一种称为成牙源性角化囊肿的特定颌骨囊肿，并估计其复发概率，目标是让诊疗更快、更准确，并为医生与患者提供更易理解的信息。

了解一种易复发的颌骨囊肿

成牙源性角化囊肿是一种发生于颌骨的良性肿瘤，最常见于青少年和年轻成人。它的显微组织模式复杂且早期症状不明显，因此诊断困难。即便在手术后，囊肿也常常复发，患者可能需要反复手术并接受长期随访。传统诊断依赖专家仔细查看巨型数字切片并整合分散的临床信息，这一过程耗时且容易产生医生间的判断差异。

教会计算机“看见”和“推理”

研究人员构建了一个同时从两类信息中学习的计算机系统：数字组织切片和基本临床数据（如年龄、症状持续时间以及病变在颌骨中的部位）。首先，程序自动定位每张巨型切片上有用的组织区域，并将其切成许多小图像块。经过在自然图像上预训练的深度学习网络将每个图块转换为紧凑的特征表示，捕捉像角蛋白层厚度和细胞排列等细微信息。与此同时，系统的另一部分将临床的数值和类别信息转换为可与图像信息结合的丰富表征。

融合信号并可视化其决策过程

系统并非简单地将图像和临床数据并列使用，而是通过注意力机制学习为每位患者的每个图块和每个临床因素赋予不同权重。当图像不清晰时，模型可以更多依赖临床线索；当组织模式显著时，模型则可集中于图像。为减少“黑箱”特性，作者加入了能够突出显示对决策影响最大的切片区域和最重要临床值的工具。组织图像上的热图以红色标示算法识别为典型囊肿特征的区域，而数据路径上的颜色编码则显示哪些患者因素将诊断倾向于或远离某一结论。

展望复发风险预测

团队还希望帮助医生回答患者非常关心的问题：手术后这个囊肿会复发吗？为此，他们设计了第二个模型，专注于随访记录，包括年龄、性别、在颌骨中的精确位置以及治疗后患者被追踪的时间长度。该模型同样使用注意力以突出更有信息量的因素，并采用特殊的损失函数来应对仅有少数患者发生复发的事实。为使模型推理可被检视，作者使用一种方法估计每个特征在众多患者中如何推动预测风险的升降，揭示出例如某些颌骨区域与更高风险相关、而长期无问题随访与较低风险相关等模式。

从研究工具走向临床助手

在来自一家大型牙科医院的真实患者数据测试中，组合系统在诊断该囊肿和预测其复发方面均优于若干领先的图像与数据分析方法。同样重要的是，作者将这些模型封装进一个信息平台，允许临床医师上传切片、输入基本临床信息，并获得不仅包括诊断和风险评分还有可视化解释的结果。尽管该研究基于单中心数据并仍需更广泛的临床验证，但它展示了经精心设计且可解释的AI如何成为牙科诊所的实用辅助，帮助制定个性化随访计划，减轻年轻患者的反复疾病负担。

引用: Chen, W., Qian, M., Zhang, M. et al. A deep learning approach for the diagnosis and recurrence prediction of OKC. Sci Rep 16, 14790 (2026). https://doi.org/10.1038/s41598-026-44979-3

关键词: 成牙源性角化囊肿, 颌骨囊肿, 深度学习, 复发预测, 数字病理