Évaluation de l'intelligence artificielle dans le diagnostic et l'évaluation des risques des lésions buccales potentiellement malignes

Les lésions potentiellement malignes de la muqueuse buccale (OPMD) sont décrites comme des lésions muqueuses ayant le potentiel de devenir un cancer buccal. Elles comprennent la leucoplasie buccale (OLK), le lichen plan buccal (OLP), l'érythroplasie buccale (OEK), le lupus érythémateux discoïde, la leucoplasie verruqueuse proliférative, la leucoplasie à Candida, le palais du fumeur inversé, l'hyperplasie verruqueuse, la dyskératose congénitale, la chéilite actinique, le kératocanthome et la fibrose sous-muqueuse buccale. Une prévalence allant jusqu'à 5 % a été rapportée dans la littérature pour les OPMD, et les localisations courantes sont décrites comme la langue, le plancher de la bouche et la gencive. Le taux de transformation maligne de l'OEK, de l'OLK et de l'OLP a été estimé respectivement à environ 14,3 %-50 %, 0,13 %-17,5 % et 0,4 %-6,5 %. Étant donné que de nombreux carcinomes épidermoïdes buccaux (OSCC) se développent à partir d'OPMD, les cliniciens doivent distinguer ces lésions par un diagnostic et une prise en charge approfondis pour prévenir la transformation maligne. Le manque de connaissances et de sensibilisation concernant les OPMD est courant dans le grand public, et des études ont démontré que les praticiens dentaires généralistes ne sont pas pleinement informés/préparés pour ces entités. Diagnostiquer les OPMD en tant que maladies définissables est également difficile en raison de leurs nombreuses variétés, formes diverses et caractéristiques qui se chevauchent. Cependant, des études ont révélé que lorsqu'une OPMD évolue vers une présentation non homogène, elle est plus susceptible d'être considérée comme une progression défavorable ; en d'autres termes, les lésions non homogènes présentent un risque plus élevé de transformation maligne par rapport aux lésions homogènes. La biopsie tissulaire buccale et l'analyse histopathologique sont souvent considérées comme l'étalon-or pour l'évaluation du risque de cancer des OPMD. Cependant, comme la biopsie est un test invasif, elle peut ne pas être adaptée au suivi du développement chronique des OPMD par rapport aux techniques de détection non invasives. Un autre inconvénient est que la biopsie nécessite, en moyenne, un jour et demi pour obtenir un rapport. Bien que des examens cliniques approfondis avec l'aide d'une biopsie puissent révéler la plupart des OPMD et des cancers buccaux, d'autres méthodes diagnostiques telles que la coloration vitale, la microfluidique, le diagnostic salivaire et les plateformes de cytopathologie pourraient être utilisées. La coloration au bleu de toluidine (TB) est un colorant métachromatique basique du groupe des thiazines qui montre une affinité pour les citernes périnucléaires de l'ADN et de l'ARN, avec une pénétration plus importante et une rétention temporaire du colorant dans les espaces intercellulaires des cellules en division rapide in vivo. Elle présente une sensibilité élevée (73,9 %) et une faible spécificité (30 %). Des rapports ont conclu que la rétention de bleu de toluidine dans les OPMD à haut risque et les clones moléculaires à haut risque, même dans les lésions présentant une dysplasie minime ou nulle, a été documentée. L'acridine orange (AO) est un fluorochrome histochimique ayant une affinité sélective pour les acides nucléiques. À une concentration de 0,01 % et un pH de 6, recommandés par Von Bertalanffy, l'ADN fluoresce du jaune au vert blanchâtre et l'ARN en rouge. L'AO est un colorant de faible poids moléculaire, faiblement basique, qui pénètre facilement les membranes cellulaires. L'AO possède des propriétés métachromatiques et, lorsqu'elle est excitée par une lumière bleue (488 nm), elle émet une fluorescence verte. La cytologie exfoliative est une procédure diagnostique généralement acceptée pour le diagnostic précoce du cancer. La microscopie confocale à balayage laser est une technique avancée d'imagerie microscopique qui s'est avérée avoir une bonne sensibilité dans l'identification des cellules malignes en cytologie exfoliative. Les avantages offerts par cette technique sont la rapidité de traitement et d'examen de l'échantillon, ainsi que l'ajout d'objectivité au processus de diagnostic clinique. Les images microscopiques confocales colorées à l'acridine orange ont montré une bonne sensibilité et spécificité (93 %) pour la détection des OPMD. L'intelligence artificielle (IA) est une branche de l'informatique qui peut être définie comme la capacité d'un ordinateur à imiter les capacités cognitives d'un être humain. L'IA correspond à un large éventail de techniques. Parmi elles, l'apprentissage profond est une technologie potentiellement disruptive qui tente de modéliser des abstractions de haut niveau dans les images médicales pour en déterminer la signification diagnostique. L'apprentissage profond, en particulier tel qu'il est mis en œuvre à l'aide de réseaux neuronaux convolutifs (CNN), est devenu une technique conventionnelle pour classer, détecter et segmenter les objets dans les images médicales. L'intelligence artificielle (IA) et l'apprentissage automatique (ML) ont attiré une attention considérable en dentisterie pour atteindre les fonctions cognitives des cliniciens telles que la différenciation, la résolution de problèmes et l'apprentissage. De nos jours, les systèmes de diagnostic assisté par ordinateur (CAD) alimentés par des réseaux neuronaux convolutifs (CNN) sont capables de détecter et de classer certaines lésions cancéreuses. Certaines études récentes concernant l'utilisation de l'IA dans la détection précoce, le diagnostic et les résultats du traitement du cancer buccal ont conclu que la technique d'apprentissage automatique a le potentiel d'aider au dépistage et au diagnostic du cancer buccal sur la base des ensembles de données. De plus, les algorithmes d'apprentissage profond et conventionnels réussissent à prédire la transformation maligne de la leucoplasie buccale et des lésions lichénoïdes buccales. Les CNN profonds peuvent être une méthode efficace pour construire des dispositifs de vision avec une capacité mémoire limitée pour le diagnostic du cancer buccal, tandis que les modèles Faster R-CNN présentent les performances de détection les plus élevées, avec une AUC de 74,34 % et un potentiel de classification avec une sensibilité et une spécificité élevées (respectivement 100 % et 90 %) pour le modèle de classification basé sur les CNN. Ainsi, cette étude vise à développer un modèle d'algorithme d'apprentissage profond capable d'évaluer les risques en plus de détecter et de classer les OPMD avec une grande précision, sensibilité et spécificité par rapport aux experts.