Keinotekoisen älyn arviointi suun mahdollisesti pahanlaatuisten häiriöiden diagnosoinnissa ja riskinarvioinnissa

Suun mahdollisesti pahanlaatuiset häiriöt (OPMD:t) kuvataan limakalvovaurioiksi, joilla on potentiaalia kehittyä suun syöväksi. Ne koostuvat suun leukoplakiasta (OLK), suun litteäjäkälästä (OLP), suun erytroplakiasta (OEK), levytyypin lupus erythematodesista, proliferatiivisesta verrukoosista leukoplakiasta, kandida leukoplakiasta, tupakoitsijan kitalaessa, verrukoosisesta hyperplasiasta, dyskeratoosista congenitasta, aktiinisesta keiliosista, keratoakantoomasta ja suun alimukoksen fibroosista. Kirjallisuudessa on raportoitu jopa 5 % esiintyvyys OPMD:lle, ja yleisimmät sijainnit kuvattiin kieleksi, suunpohjaksi ja ikeniksi. OEK:n, OLK:n ja OLP:n pahanlaatuisen muutoksen arvioitiin olevan noin 14,3 %–50 %, 0,13 %–17,5 % ja 0,4 %–6,5 %. Koska monet suun levyepiteelisoluista alkavat syövät (OSCC) kehittyvät OPMD:istä, kliinikkojen on eroteltava nämä vauriot perusteellisen diagnoosin ja hoidon avulla pahanlaatuisen muutoksen estämiseksi. Tietämättömyys ja tietoisuuden puute OPMD:istä ovat yleisiä yleisessä väestössä, ja tutkimukset osoittivat, että yleiset hammaslääkärit eivät ole täysin perillä/valmistautuneet näihin kokonaisuuksiin. OPMD:iden diagnosointi määriteltäviksi sairauksiksi on myös haastavaa lukuisien vaihteluiden, eri muotojen ja päällekkäisten piirteiden vuoksi. Kuitenkin tutkimukset ovat havainneet, että kun OPMD muuttuu epähomogeeniseksi, sitä todennäköisemmin pidetään haitallisena etenemisenä; toisin sanoen epähomogeenisilla vaurioilla on suurempi riski pahanlaatuiseen muutokseen verrattuna homogeenisiin vaurioihin. Suun kudospunkio ja histopatologinen analyysi pidetään usein kultaisena standardina OPMD:iden syöpäriskin arvioinnissa. Kuitenkin, koska punkio on invasiivinen testi, se ei välttämättä sovellu OPMD:iden kroonisen kehityksen seurantaan verrattuna ei-invasiivisiin havaintomenetelmiin. Toinen punkion haittapuoli on, että raportointiin kuluu keskimäärin puolitoista päivää. Vaikka perusteelliset kliiniset tutkimukset punkion avulla voivat paljastaa suurimman osan OPMD:istä ja suun syövistä, voidaan hyödyntää muita diagnostisia menetelmiä, kuten elävää värjäystä, mikrofluidistiikkaa, sylkidiagnostiikkaa ja sytopatologia-alustoja. Toluidiinisininen (TB) on tiasiiniryhmän perusmetakromaattinen väriaine, joka osoittaa affiniteettia DNA:n ja RNA:n perinukleaarisille kisterneille suuremmalla tunkeutumisella ja väliaikaisella väriaineen säilymisellä nopeasti jakautuvien solujen soluvälissä in-vivo RNA:ssa. Sillä on korkea herkkyys (73,9 %) ja alhainen spesifisyys (30 %). Raportit ovat päätelleet, että toluidiinisinisen säilyminen korkean riskin OPMD:issä ja korkean riskin molekyyliklooneissa on dokumentoitu, jopa vaurioissa, joissa on minimaalista tai ei dysplasiaa. Akridiini-oranssi (AO) on histokemiallinen fluorokromi, jolla on selektiivinen affiniteetti nukleiinihappoihin. Von Bertalanffyn suosittelemalla 0,01 % pitoisuudella ja pH 6:lla DNA fluoresoi keltaisesta vaaleanvihreään ja RNA punaiseksi. AO on matalan molekyylipainon, heikosti emäksinen väriaine, joka tunkeutuu helposti solukalvoihin. AO:lla on metakromaattisia ominaisuuksia, ja sinisen valon (488 nm) virityksestä se emittoi vihreää fluoresenssia. Exfoliatiivinen sytologia on diagnostinen menettely, joka on yleisesti hyväksytty syövän varhaiseen diagnosointiin. Konfokaalilaser-skannausmikroskopia on edistynyt mikroskooppinen kuvantamistekniikka, jonka havaittiin olevan hyvän herkkyyden pahanlaatuisten solujen tunnistamisessa exfoliatiivisessa sytologiassa. Tämän tekniikan tarjoamat edut ovat näytteen nopea käsittely ja seulonta sekä objektiivisuuden lisääminen kliinisen diagnoosin prosessiin. Akridiini-oranssilla värjättyjen konfokaalimikroskooppisten kuvien on osoitettu olevan hyvä herkkyys ja spesifisyys (93 %) OPMD:iden havaitsemisessa. Tekoäly (AI) on tietotekniikan haara, joka voidaan määritellä tietokoneen kyvyksi matkia ihmisen kognitiivisia kykyjä. AI vastaa laajaa joukkoa tekniikoita. Niiden joukossa syväoppiminen on potentiaalinen mullistava teknologia, joka pyrkii mallintamaan korkean tason abstraktioita lääketieteellisissä kuvissa diagnostisen merkityksen määrittämiseksi. Syväoppiminen, erityisesti konvoluutioneuroverkkojen (CNN) toteuttamana, on tullut perinteiseksi tekniikaksi objektien luokittelemiseen, havaitsemiseen ja segmentointiin lääketieteellisissä kuvissa. Tekoäly (AI) ja koneoppiminen (ML) ovat saaneet laajaa huomiota hammaslääketieteessä kliinikkojen kognitiivisten toimintojen, kuten erottelun, ongelmanratkaisun ja oppimisen, saavuttamiseksi. Nykyään konvoluutioneuroverkkojen (CNN) voimaan perustuvat tietokoneavusteiset diagnoosijärjestelmät (CAD) pystyvät havaitsemaan ja luokittelemaan joitakin syöpäisiä vaurioita. Jotkut viimeaikaisista tutkimuksista AI:n käytöstä suun syövän varhaisessa havaitsemisessa, diagnosoinnissa ja hoidon tuloksessa päättelivät, että koneoppimistekniikalla on potentiaalia auttaa suun syövän seulonnassa ja diagnosoinnissa tietojoukkojen perusteella. Myös syvät ja perinteiset oppimisalgoritmit onnistuvat ennustamaan suun leukoplakian ja suun litteäjäkäläisten vaurioiden pahanlaatuisen muutoksen. Syvät CNN:t voivat olla tehokas menetelmä rakentaa näkölaite rajoitetulla muistikapasiteetilla suun syövän diagnosointiin, kun taas Faster R-CNN -mallit ovat korkeimman havaitsemissuorituskyvyn, AUC 74,34 %:n ja potentiaalin luokitteluun korkealla herkkyydellä ja spesifisyydellä (100 % ja 90 %) CNN-pohjaiselle luokittelumallille. Joten tämä tutkimus tähtää syväoppimisalgoritmimalliin, joka on kyvykäs riskinarviointiin lisäksi OPMD:iden havaitsemiseen ja luokitteluun korkealla tarkkuudella, herkkyydellä ja spesifisyydellä verrattuna asiantuntijoihin.