A mesterséges intelligencia értékelése a szájüregi potenciálisan malignus rendellenességek diagnosztikájában és kockázatbecslésében

Az orális potenciálisan malignus rendellenességek (OPMD-k) olyan nyálkahártya-elváltozásokként írják le, amelyek potenciálisan szájrákot okozhatnak. Az OPMD-k közé tartozik az orális leukoplakia (OLK), az orális lichen planus (OLP), az orális erythroplakia (OEK), a diszkoid lupus erythematosus, a proliferatív verrukózus leukoplakia, a candida leukoplakia, a fordított dohányos szájpad, a verrukózus hiperplázia, a dyskeratosis congenita, az aktinikus cheilosis, a keratoacanthoma és az orális submukózus fibrózis. Az irodalomban az OPMD-k előfordulási gyakoriságáról legfeljebb 5%-ot számoltak be, és a gyakori lokalizációkat a nyelv, a szájfenék és az ínyként írták le. Az OEK, az OLK és az OLP malignus átalakulási arányát körülbelül 14,3%-50%, 0,13%-17,5%, illetve 0,4%-6,5%-ra becsülték. Mivel számos orális planocelluláris karcinóma (OSCC) OPMD-kból fejlődik ki, a klinikusoknak átfogó diagnosztikával és kezeléssel kell megkülönböztetniük ezeket a elváltozásokat a malignus átalakulás megelőzése érdekében. Az OPMD-kről való tudás és tudatosság hiánya gyakori az általános lakosság körében, és a tanulmányok kimutatták, hogy az általános fogorvosok nincsenek teljesen tájékozódva/felkészülve ezekre az entitásokra. Az OPMD-k meghatározható betegségekként történő diagnosztizálása is kihívást jelent a számos változat, a különböző formák és az átfedő jellemzők miatt. Azonban a tanulmányok azt találták, hogy amikor egy OPMD inhomogén megjelenésűvé válik, valószínűbb, hogy kedvezőtlen progressziónak tekintik, más szavakkal, az inhomogén elváltozások nagyobb kockázatot jelentenek a malignus átalakulásra, mint a homogén elváltozások. Az orális szövetbiopszia és hisztopatológiai elemzés gyakran az aranystandardnak tekinthető az OPMD-k rákkockázat-értékelésében. Azonban, mivel a biopszia invazív vizsgálat, nem lehet alkalmas az OPMD-k krónikus fejlődésének monitorozására a nem-invazív észlelési technikákhoz képest. Egy másik hátrány, hogy a biopszia jelentésének elkészítése átlagosan másfél napot igényel. Bár az átfogó klinikai vizsgálatok a biopszia segítségével felfedhetik az OPMD-k és OSCC-k nagy részét, más diagnosztikai módszerek is alkalmazhatók, mint például a vitalfestés, a mikrofluidika, a nyáldiagnosztika és a citopatológiai platformok. A toluidin kék (TB) festék a tiazin csoport egy alapvető metakromatikus festéke, amely affinitást mutat a DNS és RNS perinukleáris cisternáihoz, nagyobb penetrációval és átmeneti retencióval a festéknek a gyorsan osztódó sejtek intercelluláris tereiben in-vivo RNS esetén. Magas érzékenységgel (73,9%) és alacsony specificitással (30%) rendelkezik. A jelentések arra a következtetésre jutottak, hogy a toluidin kék retenciója magas kockázatú OPMD-kben és magas kockázatú molekuláris klónokban, még minimális vagy nem diszpláziás elváltozásokban is dokumentált. Az akridin narancs (AO) egy hisztokémiai fluorokróm, amely szelektív affinitással rendelkezik a nukleinsavak iránt. 0,01%-os koncentrációban és 6-os pH-n, amit Von Bertalanffy ajánlott, a DNS sárgától fehéres zöldig fluoreszkál, az RNS pedig pirosat. Az AO alacsony molekulatömegű, gyengén bázikus festék, amely könnyen behatol a sejtmembránokba. Az AO-nak metakromatikus tulajdonságai vannak, és kék fény (488 nm) gerjesztésre zöld fluoreszcenciát bocsát ki. Az exfoliatív citológia egy diagnosztikai eljárás, amely általánosan elfogadott a rák korai diagnosztizálására. A konfokális lézerszkennelő mikroszkópia egy fejlett mikroszkópos képalkotási technika, amely jó érzékenységet mutatott a malignus sejtek azonosításában exfoliatív citológiában. Ennek a technikának az előnyei a minták gyors feldolgozása és szűrése, valamint az objektivitás hozzáadása a klinikai diagnózis folyamatához. Az akridin narancssal festett konfokális mikroszkópos képek jó érzékenységet és specificitást (93%) mutattak az OPMD-k észlelésére. A mesterséges intelligencia (MI) a számítástechnika egy ága, amely úgy definiálható, mint egy számítógép képessége az emberi kognitív képességek utánozására. Az MI egy széles technikatömegnek felel meg. Közülük a mélytanulás egy potenciálisan disruptív technológia, amely magas szintű absztrakciókat próbál modellezni az orvosi képekben a diagnosztikai jelentés meghatározásához. A mélytanulás, különösen a konvolúciós neurális hálózatok (CNN-k) segítségével implementálva, hagyományos technikává vált az objektumok osztályozására, észlelésére és szegmentálására az orvosi képekben. A mesterséges intelligencia (MI) és a gépi tanulás (GT) kiterjedt figyelmet kapott a fogászatban a klinikusok kognitív funkcióinak, mint a differenciálás, a problémamegoldás és a tanulás elérésére. Manapság a konvolúciós neurális hálózatok (CNN) által működtetett számítógépes diagnosztikai rendszerek (CAD) képesek voltak néhány rákkeltő elváltozást észlelni és osztályozni. Néhány friss tanulmány az MI alkalmazásáról a szájrák korai észlelésében, diagnosztizálásában és kezelési eredményében arra a következtetésre jutott, hogy a gépi tanulási technika potenciálisan segíthet a szájrák szűrésében és diagnosztizálásában az adathalmazok alapján. A mély és hagyományos tanulási algoritmusok sikeresek az orális leukoplakia és az orális lichenoid elváltozások malignus átalakulásának előrejelzésében is. A Deep CNN-k hatékony módszer lehet korlátozott memóriakapacitású látóeszközök felépítésére a szájrák diagnosztizálására, míg a Faster R-CNN modellek rendelkeznek a legmagasabb észlelési teljesítménnyel, 74,34%-os AUC-val és potenciállal az osztályozásra magas érzékenységgel és specificitással (100% és 90%) a CNN-alapú osztályozási modell esetében. Ezért ez a tanulmány célja egy olyan mélytanulási algoritmusmodell kifejlesztése, amely képes a kockázatértékelésre, valamint az OPMD-k észlelésére és osztályozására magas pontossággal, érzékenységgel és specificitással a szakértőkhöz képest.