《Head and Neck Pathology》：Integrated Clinical, Histopathological, and Inflammatory Parameters for Predicting Malignant Transformation in High-Risk Oral Potentially Malignant Disorders: A Prospective Study
编辑推荐：
本研究前瞻性追踪449例人乳头瘤病毒阴性口腔白斑患者，创新性地整合临床、组织病理学（OED）特征与炎症替代标记物（如PLR），通过随机森林算法识别出“不规则上皮分层”和“核仁增大”是恶变的强预测因子。模型AUC值达0.77，为高风险患者的早期识别和个体化管理提供了有力的量化依据。
文章内容归纳总结
一项题为《整合临床、组织病理学与炎症参数预测高危口腔潜在恶性病变恶性转化：一项前瞻性研究》的研究，为我们理解和管理一种重要的口腔癌前病变——口腔白斑提供了新的思路和工具。口腔白斑是最常见的口腔潜在恶性病变，其恶变为口腔鳞状细胞癌的风险不容忽视。尽管传统的病理学评估，特别是口腔上皮异常增生的分级，是评估风险的金标准，但其主观性强，不同病理医师间的评判一致性较低，且并非所有无典型异常增生的病变都“安全”。为了更早、更准地揪出那些“潜伏”的高危患者，这项研究采用了一种多维度、前瞻性的探索策略。
研究者们从2018年7月至2024年7月期间，前瞻性地招募了449名人乳头瘤病毒阴性、经活检确诊的口腔白斑患者，并进行了中位时间为41.2个月的长期随访。他们不仅详细记录了患者的年龄、病变部位、详细的烟草（包括香烟、比迪烟、咀嚼烟草）和酒精消费史等临床信息，还由两位资深病理医师独立、盲法评估了苏木精-伊红染色的组织切片。评估严格遵循世界卫生组织的标准，系统性地记录了27种不同的组织学特征，包括结构性和细胞学异常。此外，研究还采集了患者的基础血液样本，计算了包括中性粒细胞与淋巴细胞比率、血小板与淋巴细胞比率在内的多种系统性炎症替代标志物。数据分析综合运用了卡方检验、Cox比例风险回归等多种统计方法，并创新性地采用随机森林机器学习算法来筛选对预测疾病进展最重要的变量。
患者特征与随访结果
研究队列以男性为主，中位年龄42岁。最常见的病变部位是颊黏膜，但统计分析显示，发生在舌部的病变虽然数量较少，其恶变率却显著更高，凸显了部位特异性的风险差异。在随访期间，共有16例患者发生了恶性转化，10例复发，209例病变持续存在，214例患者病灶消失。这些结果为后续的风险因素关联分析提供了基础。
关键风险因素的识别
分析揭示了一系列与不良结局相关的因素：
- •
临床与习惯因素：年龄增长、病变部位（舌部）、烟草暴露量（以包-年计量的香烟和比迪烟）以及吸烟、咀嚼烟草和饮酒的复合习惯，均与更高的临床风险显著相关。
- •
组织病理学特征：口腔上皮异常增生本身的存在及其严重程度（轻度、中度、重度）不仅与不良结局相关，更与更短的恶变时间显著相关。研究进一步识别出多个与恶变时间显著相关的具体特征，包括细胞核/浆比增加、核深染、核仁增大、异常核分裂形态、上皮表层出现核分裂细胞、不规则上皮分层、棘层角化、细胞大小不等、核大小不等以及间质炎症强度。
- •
炎症标志物：在众多炎症指标中，较低的血小板与淋巴细胞比率与更高的疾病进展风险显著相关，为血液学指标参与癌前病变进展提供了证据。
机器学习模型构建与预测效能
面对复发和恶变事件数量相对较少可能导致的模型过拟合问题，研究团队采用了合成少数类过采样技术来平衡数据，并运用随机森林算法评估各变量的重要性。结果显示，对于预测包含复发和恶变的“高风险”结局，不规则上皮分层和核仁增大是最强的组织学预测因子；烟草吸烟则是最重要的临床预测因子。
研究者构建了两种预测模型：仅包含异常增生特征的模型，以及整合了异常增生特征与临床变量（如年龄、吸烟）的模型。验证结果显示：
- •
对于高风险结局，仅含异常增生特征的模型受试者工作特征曲线下面积为0.75；加入临床变量后，AUC提升至0.77，灵敏度高达90.9%，显示出优越的识别高危患者的能力。
- •
对于单独的恶变结局，不规则上皮分层、年龄、核仁增大和吸烟是主要预测因子。整合临床变量后，模型AUC为0.69，表明加入临床变量对单纯预测恶变的模型性能提升有限，甚至略有下降，这可能与事件数较少有关。
研究的启示与展望
这项研究的意义在于，它首次在前瞻性大样本队列中，系统性地证实了整合微观组织特征、宏观临床信息及系统性炎症指标，能够有效构建口腔白斑的恶变风险预测模型。这超越了传统单一依赖病理分级的局限，向个体化、精准化的风险管理迈出了一步。尤其是指出“核仁增大”和“不规则上皮分层”等具体特征的关键预测价值，为病理医师的镜下诊断提供了更聚焦的观察线索。
当然，研究也存在一些局限性，例如来自单中心、部分临床特征（如病变大小、表面性状）未记录、模型特异性尚可提升等。未来需要在多中心、更大规模的队列中进行外部验证，并考虑整合遗传、分子生物标志物以及人工智能辅助诊断工具，以进一步完善模型的预测效能和临床适用性。然而，毋庸置疑，这项研究为改变口腔潜在恶性病变的被动监测模式，转向主动的、基于风险分层的管理策略，奠定了坚实的证据基础。
