Evaluación de la Inteligencia Artificial en el Diagnóstico y la Evaluación del Riesgo de Trastornos Orales Potencialmente Malignos

Los trastornos potencialmente malignos orales (OPMD, por sus siglas en inglés) se describen como las lesiones de la mucosa que tienen el potencial de convertirse en cáncer oral. Está compuesto por leucoplasia oral (OLK), liquen plano oral (OLP), eritroplasia oral (OEK), lupus eritematoso discoide, leucoplasia verrugosa proliferativa, leucoplasia por cándida, paladar del fumador inverso, hiperplasia verrugosa, disqueratosis congénita, queilitis actínica, queratoacantoma y fibrosis submucosa oral. Se ha reportado una prevalencia de hasta el 5% en la literatura para los OPMD y las localizaciones comunes se describieron como la lengua, el suelo de la boca y la encía. La tasa de transformación maligna de OEK, OLK y OLP se estimó aproximadamente en 14,3%-50%, 0,13%-17,5% y 0,4%-6,5%, respectivamente. Dado que muchos carcinomas de células escamosas orales (OSCC, por sus siglas en inglés) se desarrollan a partir de OPMD, los clínicos deben distinguir esas lesiones con un diagnóstico y manejo exhaustivos para prevenir la transformación maligna. La falta de conocimiento y conciencia sobre los OPMD es común en el público en general y los estudios demostraron que los odontólogos generales no están completamente informados / preparados para esas entidades. Diagnosticar los OPMD como enfermedades definibles también es un desafío debido a las numerosas variedades, diversas formas y características superpuestas. Sin embargo, los estudios han encontrado que cuando un OPMD cambia a una presentación no homogénea, es más probable que se considere como una progresión adversa; en otras palabras, las lesiones no homogéneas tienen un mayor riesgo de transformación maligna en comparación con las lesiones homogéneas. La biopsia de tejido oral y el análisis histopatológico a menudo se consideran el estándar de oro para la evaluación del riesgo de cáncer de los OPMD. Sin embargo, dado que la biopsia es un ensayo invasivo, puede no ser adecuada para monitorear el desarrollo crónico de los OPMD en comparación con las técnicas de detección no invasivas. Otra desventaja es que la biopsia requiere, en promedio, un día y medio para obtener un informe. Aunque los exámenes clínicos exhaustivos con la ayuda de la biopsia pueden revelar la mayoría de los OPMD y cánceres orales (OC, por sus siglas en inglés), se podrían utilizar otros métodos de diagnóstico como la tinción vital, la microfluídica, los diagnósticos salivales y las plataformas de citopatología. La tinción de azul de toluidina (TB) es un colorante metacromático básico del grupo de las tiazinas que muestra afinidad por las cisternas perinucleares del ADN y ARN con mayor penetración y retención temporal del colorante en los espacios intercelulares de las células que se dividen rápidamente in vivo ARN. Tiene una alta sensibilidad (73,9%) y una baja especificidad (30%). Los informes han concluido que la retención de azul de toluidina en OPMD de alto riesgo y clones moleculares de alto riesgo, incluso en lesiones con displasia mínima o nula, ha sido documentada. Mientras que la naranja de acridina (AO) es un fluorocromo histoquímico con una afinidad selectiva por los ácidos nucleicos. A una concentración del 0,01% y un pH de 6, recomendado por Von Bertalanffy, el ADN fluoresce de amarillo a verde blanquecino y el ARN rojo. AO es un colorante de bajo peso molecular y débilmente básico que penetra fácilmente las membranas celulares. AO tiene propiedades metacromáticas y, tras la excitación con luz azul (488 nm), emite fluorescencia verde. La citología exfoliativa es un procedimiento diagnóstico que ha sido generalmente aceptado para el diagnóstico temprano del cáncer. La microscopía confocal de barrido láser es una técnica avanzada de obtención de imágenes microscópicas que se ha encontrado que tiene buena sensibilidad en la identificación de células malignas en la citología exfoliativa. Las ventajas que ofrece esta técnica son la rapidez de procesamiento y cribado de la muestra y añadir objetividad al proceso de diagnóstico clínico. Las imágenes microscópicas confocales teñidas con naranja de acridina han mostrado buena sensibilidad y especificidad (93%) para la detección de OPMD. La inteligencia artificial (IA) es una rama de la informática que puede definirse como la capacidad de una computadora para imitar las habilidades cognitivas de un ser humano. La IA corresponde a una amplia gama de técnicas. Entre ellas, el aprendizaje profundo es una tecnología potencialmente disruptiva que intenta modelar abstracciones de alto nivel en imágenes médicas para determinar el significado diagnóstico. El aprendizaje profundo, específicamente como se implementa utilizando redes neuronales convolucionales (CNN, por sus siglas en inglés), se ha convertido en una técnica convencional para clasificar, detectar y segmentar objetos en imágenes médicas. La inteligencia artificial (IA) y el aprendizaje automático (ML, por sus siglas en inglés) han ganado una atención extensa en odontología para lograr funciones cognitivas de los clínicos como la diferenciación, la resolución de problemas y el aprendizaje. Hoy en día, los sistemas de diagnóstico asistido por computadora (CAD, por sus siglas en inglés) que funcionaban con redes neuronales convolucionales (CNN) pudieron detectar y clasificar algunas lesiones cancerosas. Algunos de los estudios recientes sobre el uso de la IA en la detección temprana, el diagnóstico y el resultado del tratamiento del cáncer oral concluyeron que la técnica de aprendizaje automático tiene el potencial de ayudar en el cribado y diagnóstico del cáncer oral basándose en los conjuntos de datos. También los algoritmos de aprendizaje profundo y convencional tienen éxito en predecir la transformación maligna de la leucoplasia oral y las lesiones liquenoides orales. Las CNN profundas pueden ser un método efectivo para construir dispositivos de visión con capacidad de memoria limitada para el diagnóstico del cáncer oral, mientras que los modelos Faster R-CNN tienen el mayor rendimiento de detección, con un AUC del 74,34% y potencial para la clasificación con alta sensibilidad y especificidad (100% y 90%) respectivamente para el modelo de clasificación basado en CNN. Por lo tanto, este estudio tiene como objetivo tener un modelo de algoritmo de aprendizaje profundo que sea capaz de realizar una evaluación de riesgos además de la detección y clasificación de OPMD con alta precisión, sensibilidad y especificidad en comparación con los expertos.