一项小样本诊断研究，用64张口腔临床数码图像，提取纹理特征后交给支持向量机（SVM，一种机器学习分类算法）判断是否为口腔癌前病变。结果显示，灰度共生矩阵（GLCM，一种分析图像纹理的数学方法）特征的效果最好，分类准确率达88%，且对良性病变的特异性高达93%。

如果你嘴里出现长期不愈的白斑、红斑等异常，仍应尽快就医，靠医生肉眼加病理检查确诊。这项研究提示，AI照片分析未来可能成为帮助基层医生”初筛”口腔癌前病变的辅助工具，但目前样本量小、尚未临床落地，不能替代专业检查。

口腔里的”白斑红斑”，可能藏着癌前病变

嘴里长了白斑、红斑，很多人不当回事，觉得”过几天就好了”。但有些口腔黏膜病变，是癌前病变的信号，比如白斑、红斑、口腔黏膜下纤维化。问题在于，它们和普通的口腔黏膜病、正常黏膜看起来很像，医生用肉眼也容易判断失误。一项研究试了试：让AI看口腔照片，识别癌前病变，准确率最高达到88%。

你嘴里那些”不痛不痒”的小毛病，认真看过吗

你是不是觉得，口腔里的小白点、小血泡，只要不痛不痒就不用管？但口腔癌前病变早期往往就是”不痛不痒”的。AI如果能帮我们在肉眼都拿不准的时候，多一双”机器眼”，就能把高危人群更早筛出来。这可能是把癌前病变挡在”癌”门之外的关键一步。

AI是怎么”认”出癌前病变的？

64张图，涵盖多种口腔病变：研究选了64张符合标准的临床数码图像，包含白斑、红斑、口腔黏膜下纤维化、念珠菌病、扁平苔藓、白纹等癌前/良性病变，以及正常黏膜。从每张图提取感兴趣区域，再算出纹理特征。

三种”纹理算法”，GLCM最强：研究者比较了三种纹理分析方法：灰度共生矩阵（GLCM）、灰度游程矩阵（GLRLM，另一种纹理特征提取法）和小波分析。结果，GLCM分类准确率88%最高，GLRLM为81%，小波分析为79%。

88%准确，93%特异性：GLCM对应的灵敏度77%、特异性93%，阳性预测值83%。也就是说，它能把93%的良性/正常黏膜正确”放行”，减少冤枉；同时抓住77%真正的癌前病变，敏感性相对保守。

结论：非侵入的”辅助初筛”：研究者认为，这类图像分析方法有望成为传统临床检查和病理诊断之外的非侵入性辅助工具，尤其在资源有限、专科医生不足的场景，帮基层做初筛。但他们也强调，需要更大数据集和外部验证才能进入临床。

64张图 → 三种纹理方法 → GLCM以88%准确率胜出（GLRLM 81%、小波79%）→ 特异性93%、灵敏度77%。从一张口腔照片到一次判断，AI在”看得准、不误伤”之间找到了不错的平衡点。

核心总结

1 第一，AI看口腔照片能识别癌前病变，准确率88%，特异性能到93%。

2 第二，它定位是”辅助初筛”，帮医生和患者多一双机器眼，而非取代肉眼看诊。

3 第三，这是64张图的小样本研究，距离临床落地还需更大数据和外部验证。

① 样本量小：仅64张图像，且来自单一数据集，统计把握度有限。
② 未外部验证：缺乏独立外部队列验证泛化能力。
③ 图像质量影响：临床照片受光照、角度等影响，可能影响分类效果。
④ 未替代诊断：仅识别分类，不能替代病理活检确诊。

参考资料：Rathinavelu PK, et al. Early Prediction of Oral Precancerous Lesions Using Artificial Intelligence. Frontiers in Dentistry（2026）;23:14. https://doi.org/10.18502/fid.v23i14.21568