Vyhodnocení umělé inteligence v diagnostice a hodnocení rizika orálních potenciálně maligních onemocnění

Orálně potenciálně maligní poruchy (OPMDs) jsou popsány jako slizniční léze, které mají potenciál stát se orálním karcinomem. Skládají se z orální leukoplakie (OLK), orálního lichen planu (OLP), orální erytroplakie (OEK), diskoidního lupus erythematodes, proliferativní verukózní leukoplakie, kandidové leukoplakie, reverzního patra kuřáků, verukózní hyperplazie, dyskeratózy congenity, aktinické cheilózy, keratoakantomu a orální submukózní fibrózy. V literatuře byla hlášena prevalence až 5 % pro OPMDs a běžné lokalizace byly popsány jako jazyk, dno úst a dáseň. Míra maligní transformace OEK, OLK a OLP byla odhadnuta přibližně na 14,3 %–50 %, 0,13 %–17,5 % a 0,4 %–6,5 %, v tomto pořadí. Protože mnoho dlaždicobuněčných karcinomů ústní dutiny (OSCCs) se vyvíjí z OPMDs, musí klinici tyto léze odlišit důkladnou diagnózou a managementem, aby zabránili maligní transformaci. Nedostatek znalostí a povědomí o OPMDs je běžný u široké veřejnosti a studie prokázaly, že všeobecní zubní lékaři nejsou plně informováni/připraveni na tyto entity. Diagnostika OPMDs jako definovatelných onemocnění je také náročná kvůli četným variacím, různým formám a překrývajícím se rysům. Nicméně studie zjistily, že když se OPMD změní na nehomogenní prezentaci, je pravděpodobnější, že bude považována za nepříznivou progresi, jinými slovy, nehomogenní léze mají větší riziko maligní transformace ve srovnání s homogenními lézemi. Biopsie orální tkáně a histopatologická analýza jsou často považovány za zlatý standard pro hodnocení rizika rakoviny u OPMDs. Nicméně, protože biopsie je invazivní vyšetření, nemusí být vhodná pro monitorování chronického vývoje OPMDs ve srovnání s neinvazivními detekčními technikami. Další nevýhodou je, že biopsie vyžaduje v průměru den a půl na zprávu. Ačkoli důkladná klinická vyšetření s pomocí biopsie mohou odhalit většinu OPMDs a OC, mohly by být využity i jiné diagnostické metody, jako je vitální barvení, mikrofluidika, diagnostika ze slin a cytopatologické platformy. Toluidinová modř (TB) je bazické metachromatické barvivo ze skupiny thiazinů, které vykazuje afinitu k perinukleárnímu kisteru DNA a RNA s větší penetrací a dočasnou retencí barviva v mezibuněčných prostorech rychle se dělících buněk in-vivo RNA. Má vysokou senzitivitu (73,9 %) a nízkou specificitu (30 %). Zprávy dospěly k závěru, že retence toluidinové modři u vysoce rizikových OPMDs a vysoce rizikových molekulárních klonů byla dokumentována i u lézí s minimální nebo žádnou dysplazií. Zatímco akridinová oranž (AO) je histochemický fluorochrom s selektivní afinitou k nukleovým kyselinám. Při koncentraci 0,01 % a pH 6, doporučených Von Bertalanffym, DNA fluoreskuje žlutě až bělavě zeleně a RNA červeně. AO je barvivo s nízkou molekulovou hmotností, slabě bazické, které snadno proniká buněčnými membránami. AO má metachromatické vlastnosti a po excitaci modrým světlem (488 nm) emituje zelenou fluorescenci. Exfoliační cytologie je diagnostický postup, který je obecně přijímán pro časnou diagnostiku rakoviny. Konfokální laserová skenovací mikroskopie je pokročilá mikroskopická zobrazovací technika, u které byla zjištěna dobrá senzitivita při identifikaci maligních buněk v exfoliační cytologii. Výhody, které tato technika nabízí, jsou rychlost zpracování a screeningu vzorku a přidání objektivity do procesu klinické diagnózy. Konfokální mikroskopické snímky obarvené akridinovou oranží vykazovaly dobrou senzitivitu a specificitu (93 %) pro detekci OPMDs. Umělá inteligence (AI) je odvětví informatiky, které lze definovat jako schopnost počítače napodobit kognitivní schopnosti člověka. AI odpovídá široké škále technik. Mezi nimi je hluboké učení potenciálně disruptivní technologií, která se snaží modelovat vysokou úroveň abstrakcí v medicínských snímcích, aby určila diagnostický význam. Hluboké učení, konkrétně implementované pomocí konvolučních neuronových sítí (CNNs), se stalo konvenční technikou pro klasifikaci, detekci a segmentaci objektů v medicínských snímcích. Umělá inteligence (AI) a strojové učení (ML) získaly v zubním lékařství značnou pozornost pro dosažení kognitivních funkcí kliniků, jako je diferenciace, řešení problémů a učení. V dnešní době systémy počítačem podporované diagnózy (CAD), poháněné konvolučními neuronovými sítěmi (CNN), byly schopny detekovat a klasifikovat některé karcinomové léze. Některé nedávné studie týkající se použití AI v časné detekci, diagnostice a výsledcích léčby orálního karcinomu dospěly k závěru, že technika strojového učení má potenciál pomoci při screeningu a diagnostice orálního karcinomu na základě datových sad. Také hluboké a konvenční učící algoritmy jsou úspěšné v predikci maligní transformace orální leukoplakie a orálních lichenoidních lézí. Hluboké CNNs mohou být efektivní metodou pro vytvoření vizuálních zařízení s omezenou paměťovou kapacitou pro diagnostiku orálního karcinomu, zatímco modely Faster R-CNN mají nejvyšší výkon detekce, s AUC 74,34 % a potenciálem pro klasifikaci s vysokou senzitivitou a specificitou (100 % a 90 %) pro klasifikační model založený na CNN. Tato studie tedy má za cíl vytvořit model algoritmu hlubokého učení, který je schopen provádět hodnocení rizika kromě detekce a klasifikace OPMDs s vysokou přesností, senzitivitou a specificitou ve srovnání s odborníky.