Evaluering af kunstig intelligens i diagnose og risikovurdering af mundhulepotentielle maligne lidelser

Orale potentielt maligne lidelser (OPMD'er) beskrives som slimhindelæsioner, der har potentiale til at udvikle sig til mundhulekræft. Det består af oral leukoplaki (OLK), oral lichen planus (OLP), oral erythroplaki (OEK), discoid lupus erythematosus, proliferativ verrucøs leukoplaki, candida leukoplaki, omvendt rygers gane, verrucøs hyperplasi, dyskeratosis congenita, actinisk cheilitis, keratoacanthom og oral submukøs fibrose. Op til 5% prævalens blev rapporteret i litteraturen for OPMD'er, og almindelige lokalisationer blev beskrevet som tunge, mundbund og gingiva. Den maligne transformationsrate for OEK, OLK og OLP blev estimeret til cirka 14,3%-50%, 0,13%-17,5% og 0,4%-6,5% henholdsvis. Da mange orale planocellulære karcinomer (OSCC'er) udvikler sig fra OPMD'er, skal klinikere skelne disse læsioner med grundig diagnose og behandling for at forhindre malign transformation. Manglende viden og bevidsthed om OPMD'er er almindelige i den almindelige befolkning, og studier har vist, at almindelige tandlæger ikke er fuldt informerede/forberedte på disse enheder. At diagnosticere OPMD'er som definerbare sygdomme er også udfordrende på grund af de mange variationer, forskellige former og overlappende træk. Imidlertid har studier fundet, at når en OPMD ændrer sig til en ikke-homogen præsentation, er det mere sandsynligt at blive betragtet som en ugunstig progression, med andre ord har ikke-homogene læsioner en større risiko for malign transformation sammenlignet med homogene læsioner. Oral vævsbiopsi og histopatologisk analyse betragtes ofte som gylden standard for kræftrisikovurdering af OPMD'er. Imidlertid, da biopsi er en invasiv test, er den muligvis ikke egnet til at overvåge den kroniske udvikling af OPMD'er sammenlignet med ikke-invasive detektionsteknikker. En anden ulempe er, at biopsien i gennemsnit kræver en dag og en halv for en rapport. Selvom grundige kliniske undersøgelser med hjælp fra biopsi kan afsløre de fleste OPMD'er og mundhulekræft, kunne andre diagnostiske metoder såsom vitalfarvning, mikrofluidik, spytdiagnostik og cytopatologiplatforme anvendes. Toluidinblå (TB) farve er en basisk metakromatisk farvestof fra thiazin-gruppen, der viser affinitet for perinukleære cisterner af DNA og RNA med større penetration og midlertidig tilbageholdelse af farvestoffet i de intercellulære rum af hurtigt delende celler in-vivo RNA. Det har høj følsomhed (73,9%) og lav specificitet (30%). Rapporter har konkluderet, at toluidinblå tilbageholdelse i højrisiko OPMD'er og højrisiko molekylære kloner, selv i læsioner med minimal eller ingen dysplasi, er dokumenteret. Mens akridinorange (AO) er et histokemisk fluorokrom med en selektiv affinitet for nukleinsyrer. Ved en koncentration på 0,01% og en pH på 6, anbefalet af Von Bertalanffy, fluorescerer DNA gul til hvidlig grøn og RNA rødt. AO er et lavmolekylært, svagt basisk farvestof, der let penetrerer cellemembraner. AO har ametakromatiske egenskaber og ved excitation med blåt lys (488 nm) udsender det grøn fluorescens. Eksfoliativ cytologi er en diagnostisk procedure, der generelt er accepteret til tidlig diagnostik af kræft. Konfokal laserskanningmikroskopi er en avanceret mikroskopisk billedteknik, der viste sig at have god følsomhed i identifikation af maligne celler i eksfoliativ cytologi. Fordelene ved denne teknik er hurtigheden i behandling og screening af prøven og tilføjelse af objektivitet til processen for klinisk diagnose. Akridinorange-farvede konfokale mikroskopiske billeder har vist god følsomhed og specificitet (93%) til detektion af OPMD'er. Kunstig intelligens (AI) er en gren af datalogi, der kan defineres som evnen for en computer til at efterligne de kognitive evner hos et menneske. AI svarer til et stort udvalg af teknikker. Blandt dem er deep learning en potentielt disruptiv teknologi, der forsøger at modellere højniveau-abstraktioner i medicinske billeder for at bestemme diagnostisk betydning. Deep learning, specifikt som implementeret ved hjælp af konvolutionelle neurale netværk (CNN'er), er blevet en konventionel teknik til klassificering, detektion og segmentering af objekter i medicinske billeder. Kunstig intelligens (AI) og maskinlæring (ML) har fået omfattende opmærksomhed i tandlægevidenskab for at opnå klinikeres kognitive funktioner såsom differentiering, problemløsning og læring. Nu om dage var computerassisterede diagnosesystemer (CAD), der blev drevet af konvolutionelle neurale netværk (CNN), i stand til at opdage og klassificere nogle kræftlignende læsioner. Nogle af de seneste studier vedrørende brugen af AI i tidlig detektion, diagnose og behandlingsresultat af mundhulekræft konkluderede, at maskinlæringsteknikken har potentiale til at hjælpe med mundhulekræftscreening og diagnose baseret på datasæt. Også deep learning og konventionelle læringsalgoritmer er succesfulde med at forudsige den maligne transformation af oral leukoplaki og orale lichenoide læsioner. Deep CNN'er kan være en effektiv metode til at bygge visionsenheder med begrænset hukommelseskapacitet til diagnostik af mundhulekræft, mens Faster R-CNN-modeller har den højeste detektionsydelse med en AUC på 74,34% og potentiale for klassificering med høj følsomhed og specificitet (100% og 90%) henholdsvis for det CNN-baserede klassifikationsmodel. Så dette studie sigter mod at have en deep learning-algoritmemodel, der er i stand til risikovurdering udover detektion og klassificering af OPMD'er med høj nøjagtighed, følsomhed og specificitet sammenlignet med eksperter.