Evaluierung künstlicher Intelligenz in der Diagnose und Risikobewertung von oralen potenziell malignen Erkrankungen

Orale potenziell maligne Erkrankungen (OPMDs) werden als Schleimhautläsionen beschrieben, die das Potenzial haben, zu Mundkrebs zu werden. Sie bestehen aus oraler Leukoplakie (OLK), oralem Lichen planus (OLP), oraler Erythroplakie (OEK), diskoidem Lupus erythematodes, proliferativer verruköser Leukoplakie, Candida-Leukoplakie, umgekehrtem Rauchergaumen, verruköser Hyperplasie, Dyskeratosis congenita, aktinischer Cheilosis, Keratoakanthom und oraler submuköser Fibrose. In der Literatur wurde eine Prävalenz von bis zu 5 % für OPMDs berichtet, und häufige Lokalisationen wurden als Zunge, Mundboden und Zahnfleisch beschrieben. Die maligne Transformationsrate von OEK, OLK und OLP wurde auf etwa 14,3 %–50 %, 0,13 %–17,5 % bzw. 0,4 %–6,5 % geschätzt. Da sich viele orale Plattenepithelkarzinome (OSCCs) aus OPMDs entwickeln, müssen Kliniker diese Läsionen durch gründliche Diagnose und Behandlung unterscheiden, um eine maligne Transformation zu verhindern. Mangelndes Wissen und Bewusstsein über OPMDs sind in der Allgemeinbevölkerung weit verbreitet, und Studien haben gezeigt, dass allgemeine Zahnärzte nicht vollständig über diese Entitäten informiert/vorbereitet sind. Die Diagnose von OPMDs als definierbare Krankheiten ist aufgrund der zahlreichen Varianten, verschiedenen Formen und überlappenden Merkmale ebenfalls herausfordernd. Studien haben jedoch festgestellt, dass, wenn eine OPMD zu einer nicht-homogenen Präsentation wechselt, sie eher als ungünstige Progression betrachtet wird; mit anderen Worten, nicht-homogene Läsionen haben ein höheres Risiko einer malignen Transformation im Vergleich zu homogenen Läsionen. Orale Gewebebiopsie und histopathologische Analyse werden oft als Goldstandard für die Krebsrisikobewertung von OPMDs angesehen. Da die Biopsie jedoch ein invasiver Test ist, ist sie möglicherweise nicht geeignet, um die chronische Entwicklung von OPMDs im Vergleich zu nicht-invasiven Nachweistechniken zu überwachen. Ein weiterer Nachteil der Biopsie ist, dass sie durchschnittlich eineinhalb Tage für einen Bericht benötigt. Obwohl gründliche klinische Untersuchungen mit Hilfe der Biopsie die meisten OPMDs und OCs aufdecken können, könnten andere diagnostische Methoden wie Vitalfärbung, Mikrofluidik, Speicheldiagnostik und zytopathologische Plattformen genutzt werden. Toluidinblau (TB) ist ein basisches metachromatisches Farbstoff der Thiazin-Gruppe, der eine Affinität für die perinukleären Zisternen von DNA und RNA zeigt, mit größerer Penetration und temporärer Retention des Farbstoffs in den interzellulären Räumen sich schnell teilender Zellen in-vivo RNA. Es hat eine hohe Sensitivität (73,9 %) und niedrige Spezifität (30 %). Berichte haben geschlussfolgert, dass Toluidinblau-Retention in Hochrisiko-OPMDs und Hochrisiko-Molekülklonen, selbst in Läsionen mit minimaler oder keiner Dysplasie, dokumentiert wurde. Während Akridinorange (AO) ein histochemischer Fluorochrom mit einer selektiven Affinität für Nukleinsäuren ist. Bei einer Konzentration von 0,01 % und einem pH-Wert von 6, empfohlen von Von Bertalanffy, fluoresziert die DNA gelblich bis weißlich-grün und die RNA rot. AO ist ein niedermolekularer, schwach basischer Farbstoff, der leicht Zellmembranen durchdringt. AO hat metachromatische Eigenschaften und emittiert bei Anregung mit blauem Licht (488 nm) grüne Fluoreszenz. Exfoliative Zytologie ist ein diagnostisches Verfahren, das allgemein für die Früherkennung von Krebs anerkannt ist. Konfokale Laser-Scanning-Mikroskopie ist eine fortschrittliche mikroskopische Bildgebungstechnik, die eine gute Sensitivität bei der Identifizierung maligner Zellen in der exfoliativen Zytologie aufweist. Die Vorteile dieser Technik sind die Schnelligkeit der Verarbeitung und Untersuchung des Probenmaterials und die Hinzufügung von Objektivität zum Prozess der klinischen Diagnose. Akridinorange-gefärbte konfokale mikroskopische Bilder zeigten eine gute Sensitivität und Spezifität (93 %) für die Erkennung von OPMDs. Künstliche Intelligenz (KI) ist ein Zweig der Informatik, der als die Fähigkeit eines Computers definiert werden kann, die kognitiven Fähigkeiten eines Menschen nachzuahmen. KI entspricht einer großen Reihe von Techniken. Unter ihnen ist Deep Learning eine potenziell disruptive Technologie, die versucht, hochgradige Abstraktionen in medizinischen Bildern zu modellieren, um diagnostische Bedeutung zu bestimmen. Deep Learning, insbesondere wie mit Convolutional Neural Networks (CNNs) implementiert, ist zu einer konventionellen Technik für die Klassifizierung, Erkennung und Segmentierung von Objekten in medizinischen Bildern geworden. Künstliche Intelligenz (KI) und Maschinelles Lernen (ML) haben in der Zahnmedizin große Aufmerksamkeit erlangt, um kognitive Funktionen von Klinikern wie Differenzierung, Problemlösung und Lernen zu erreichen. Heutzutage waren computergestützte Diagnosesysteme (CAD), die von Convolutional Neural Networks (CNN) angetrieben wurden, in der Lage, einige krebsartige Läsionen zu erkennen und zu klassifizieren. Einige der jüngsten Studien zur Verwendung von KI bei der Früherkennung, Diagnose und Behandlungsergebnissen von Mundkrebs kamen zu dem Schluss, dass die Maschinelles-Lernen-Technik das Potenzial hat, bei der Mundkrebs-Screening und -Diagnose auf der Grundlage von Datensätzen zu helfen. Auch die tiefen und konventionellen Lernalgorithmen sind erfolgreich bei der Vorhersage der malignen Transformation von oraler Leukoplakie und oralen lichenoiden Läsionen. Die Deep CNNs können eine effektive Methode sein, um Bildgebungsgeräte mit begrenzter Speicherkapazität für die Diagnose von Mundkrebs zu bauen, während Faster R-CNN-Modelle die höchste Erkennungsleistung mit einem AUC von 74,34 % und Potenzial für Klassifizierung mit hoher Sensitivität und Spezifität (100 % bzw. 90 %) für das CNN-basierte Klassifizierungsmodell aufweisen. Daher zielt diese Studie darauf ab, ein Deep-Learning-Algorithmusmodell zu haben, das in der Lage ist, zur Risikobewertung zusätzlich zur Erkennung und Klassifizierung von OPMDs mit hoher Genauigkeit, Sensitivität und Spezifität im Vergleich zu Experten beizutragen.