施琳俊团队揭示定量自体荧光成像指标可预测口腔白斑病恶变风险|口腔白斑病|恶变|成像指标|施琳俊|病灶|病理|荧光

口腔白斑病（ oral leukoplakia, OLK ）是最常见的口腔潜在恶性疾患之一【1】，全球患病率约为 3.41% – 4.11%【2,3】，其恶变率约为 5.9% 至 23% 不等【4,5】。长期以来，临床对 OLK 恶变风险的评估主要依赖组织病理学上的上皮异常增生分级【6】。然而，这一传统手段高度依赖病理医师的主观判断，易受取样误差及观察者间差异的影响，尤其在“中度异常增生”的诊断上重复性较差，难以精准识别那些真正具有高恶变潜能的病灶【7】。因此，开发客观、可量化的辅助诊断工具，对 OLK 进行风险分层，成为精准防治领域亟待解决的关键问题。

近年来，自体荧光成像（ autofluorescence imaging, AFI ）技术逐渐应用于口腔潜在恶性疾患的辅助诊断。该技术通过蓝光激发下检测组织内源性荧光物质（如胶原）的荧光变化，反映组织代谢与结构异常【8-10】。然而，传统 AFI 判读以定性为主，易受操作者主观经验影响，限制了其标准化与可重复性【11】。

近日，上海交通大学医学院附属第九人民医院口腔黏膜科施琳俊主任医师领衔的研究团队在Oral Oncology发表了一项前瞻性队列研究成果，题为：Quantitativeautofluorescenceimaging for predicting malignant transformation of oral leukoplakia: a long-term follow-up study。该研究系统评估了一种名为RMGV（ Relative Mean Gray Value ，相对平均灰度值）的定量AFI指标在预测OLK恶变中的独立价值，为OLK的精准风险分层提供了全新的无创性量化视角。

从“定性判读”到“定量测量”： RMGV 的提出

该研究前瞻性纳入了 184 例经临床及病理确诊的 OLK 患者，所有患者均接受规范化的临床管理，并进行了长达中位数 89 个月（最长 105 个月）的严密随访。研究期间，共有 30 例（ 16.30% ）患者发生了恶变，进展为口腔鳞状细胞癌（ oral squamous cell carcinoma, OSCC ），中位恶变时间为 38.4 个月。

研究团队利用 VELscope ® 系统采集口腔荧光图像，并将彩色图像转换为灰度模式，通过计算机算法自动识别图像中的阴性区域（正常黏膜）与阳性区域（病灶），分别计算其平均灰度值（ MGV ）。为消除组织背景荧光差异的干扰，研究者创新性地提出 RMGV 这一标准化指标，定义为阴性区域 MGV 减去阳性区域 MGV 。该算法有效消除了背景荧光变异对定量结果的影响，显著提升了多受试者间的数据可比性。此前，该团队已初步探索了定性 AFI 指标对 OLK 恶变的预测价值【9】，并发现定量 AFI 结果与上皮异常增生分级存在相关性【10】，为本研究奠定了基础。

RMGV 高组恶变率显著升高，且独立于传统临床病理因素

研究者以队列中位数 RMGV 值（ -1.02 ）为截断值，将患者分为 RMGV 阳性组（ RMGV+ ， 93 例）与 RMGV 阴性组（ RMGV- ， 91 例）。结果显示，两组在基线临床特征上无显著差异，但预后却迥然不同： RMGV+ 组的恶变率高达 24.73% （ 23/93 ），而 RMGV- 组仅为 7.69% （ 7/91 ）（ P=0.002 ）。 Kaplan-Meier 生存分析进一步证实， RMGV+ 组具有显著更短的恶变无生存期（ log-rank P=0.001 ）。

更令人关注的是，在多因素 Cox 回归分析中， RMGV （调整后 HR=2.99 ， P=0.013 ）和非均质型病损（调整后 HR=2.40 ， P=0.019 ） retained as independent prognostic factors ，而性别、病损部位等传统因素则失去独立统计学意义。值得注意的是，在仅纳入伴有上皮异常增生患者的敏感性分析中， RMGV 仍为显著的独立预测因子（ HR=2.83 ， P=0.018 ），提示其具有超越病理分级之外的附加预测价值。

预测模型展现良好的校准度与临床净获益

基于上述结果，研究团队构建了一个整合 RMGV 与病损类型的联合预测模型。校准曲线显示，该模型在 3 年、 5 年及 7 年随访时间点的预测概率与实际观测风险高度一致，表明其具有良好的预测一致性。决策曲线分析（ DCA ）进一步表明，在广泛的临床风险阈值范围内，采用该模型进行风险分层均能带来净获益，优于“全部干预”或“全部不干预”的极端策略【12】。

此外，亚组分析提示，当非均质型病损与 RMGV 阳性同时存在时，患者恶变风险显著增加约 6.3 倍（ HR=6.30 ， 95%CI: 2.42 – 16.4 ， P<0.001 ），提示两者可能存在潜在的协同效应。尽管正式的交互作用检验未达到统计学显著性（ P=0.284 ），但研究者保守地认为， RMGV 与病损类型更可能以相加而非相乘的方式共同影响恶变风险。

RMGV ：客观、可重复的无创风险分层工具

研究者指出， RMGV 阴性（即病灶区荧光高于周围正常黏膜）可能反映良性或低危病灶中的角化过度，后者因荧光散射增强或荧光物质滞留而导致高荧光。这一现象与自体荧光信号同时捕捉组织结构与代谢改变的概念相符【8,9】。因此， RMGV 提供了一个反映组织变化谱系的连续变量，而非简单的二分类判断。

与传统 AFI 主观判读相比， RMGV 由软件自动计算，以周围正常黏膜荧光为内参进行标准化，有效减少了背景干扰，提供了可重复、客观的数值标准，显著提升了 AFI 在不同中心与操作者间的可比性与可靠性【11,13,14】。既往定量 AFI 研究多局限于诊断口腔癌与 OPMD 的区分【14,15,16】，或样本量较小、缺乏长期随访与多因素分析【15,16】，而本研究在方法学标准化、长期预后评估及临床转化潜力方面均有显著提升。

研究局限与展望

研究者也审慎地指出了当前研究的局限性：作为一项单中心观察性研究，可能存在选择偏倚；尽管样本量在同类长期随访研究中较为可观，但仍不足以可靠分析交互作用及部分亚组； RMGV 的截断值（中位数 -1.02 ）为数据驱动，需在独立队列中验证；此外， AFI 所反映的生物学改变（如基质金属蛋白酶活性、胶原交联等）仍需进一步分子生物学研究阐明。

结语

这项研究通过长达 105 个月的前瞻性随访，在 OLK 领域系统验证了一种基于定量自体荧光成像的客观指标—— RMGV 。作为一种无创、可重复的量化工具， RMGV 独立于传统临床病理因素，有希望辅助识别出高危患者，为 OLK 的精准风险分层和个体化管理提供了重要的无创性补充。未来，随着多中心外部验证的推进，基于 RMGV 的预测模型有望融入 OLK 的临床决策路径，助力实现口腔潜在恶性疾患的精准化管理。

本研究由上海交通大学医学院附属第九人民医院口腔黏膜科施琳俊主任医师、唐国瑶教授为共同通讯作者，博士研究生李晨曦、本科生李君婷为共同第一作者。

原文链接：https://doi.org/10.1016/j.oraloncology.2026.107983

制版人：十一

参考文献

[1] Warnakulasuriya S, Johnson NW, van der Waal I. Nomenclature and classification of potentially malignant disorders of the oral mucosa.J OralPatholMed. 2007 ;36 (10):575-580.

[2] Mello FW, Miguel AFP, Dutra KL, Porporatti AL, Warnakulasuriya S, Guerra ENS, et al. Prevalence of oral potentially malignant disorders: A systematic review and meta-analysis.J OralPatholMed.2018 ;47 (7):633-640.

[3] Zhang C, Li B, Zeng X, Hu X, Hua H. The global prevalence of oral leukoplakia: a systematic review and meta-analysis from 1996 to 2022.BMC Oral Health. 2023 ;23 (1):645.

[4] Aguirre-Urizar JM, Lafuente-Ibáñez de Mendoza I, Warnakulasuriya S. Malignant transformation of oral leukoplakia: Systematic review and meta-analysis of the last 5 years.Oral Dis. 2021 ;27 (8):1881-1895.

[5] Evren I, Brouns ER, Wils LJ, Poell JB, Peeters CFW, Brakenhoff RH, et al. Annual malignant transformation rate of oral leukoplakia remains consistent: A long-term follow-up study.Oral Oncol.2020 ;110:105014 .

[6] Ranganathan K, Kavitha L. Oral epithelial dysplasia: Classifications and clinical relevance in risk assessment of oral potentially malignant disorders.J OralMaxillofacPathol.2019 ;23 (1):19-27.

[7] Kujan O, Oliver RJ, Khattab A, Roberts SA, Thakker N, Sloan P. Evaluation of a new binary system of grading oral epithelial dysplasia for prediction of malignant transformation.Oral Oncol.2006 ;42 (10):987-993.

[8] Huang TT, Huang JS, Wang YY, Chen KC, Wong TY, Chen YC, et al. Novel quantitative analysis of autofluorescence images for oral cancer screening.Oral Oncol.2017 ;68:20 -26.

[9] Li C, Zhang Q, Sun K, Jia H, Shen X, Tang G, et al. Autofluorescence imaging as a noninvasive tool of risk stratification for malignant transformation of oral leukoplakia: a follow-up cohort study.Oral Oncol.2022 ;130:105941 .

[10] Li C, Wang Z, Jin T, Zhou Z, Tang G, Shi L. Correlation between computer-assisted quantitative autofluorescence imaging results and the pathological grading of oral epithelial dysplasia in oral leukoplakia [Original work in Chinese].J Shanghai Jiao Tong Univ Med Sci.2024 ;44 (9):1146-1154.

[11] Zabin Alotaibi K, Hameed Kolkardoci S. Effectiveness of adjunctive screening tools for potentially malignant oral disorders and oral cancer: a systematic review.Saudi Dent J.2024 ;36 (1):28-37.

[12] Vickers AJ, Van Calster B, Wynants L, Steyerberg EW. Decision curve analysis: confidence intervals and hypothesis testing for net benefit.DiagnPrognRes.2023 ;7 (1):11.

[13] Wang C, Qi X, Zhou X, Liu H, Li M, Wang C, et al. Diagnostic value of objective VELscope fluorescence methods in distinguishing oral cancer from oral potentially malignant disorders (OPMDs).TranslCancer Res.2022 ;11 (6):1603-1615.

[14] Mendonça P, Sunny SP, Mohan U, Birur NP, Suresh A, Kuriakose MA, et al. Noninvasive imaging of oral potentially malignant and malignant lesions: a systematic review and meta-analysis.Oral Oncol.2022 ;130:105877 .

[15] Jeng MJ, Sharma M, Chao TY, Li YC, Huang SF, Chang LB, et al. Multiclass classification of autofluorescence images of oral cavity lesions based on quantitative analysis.PLoSOne.2020 ;15 (2):e0228132.

[16] Taguchi Y, Toratani S, Matsui K, Hayashi S, Eboshida N, Hamada A, et al. Evaluation of oral mucosal lesions using the IllumiScan ® fluorescence visualization device: distinguishing squamous cell carcinoma.Int J Environ Res Public Health.2022 ;19 (16):10141.

（可上下滑动阅览）

学术合作组织

（*排名不分先后）