口腔潜在性悪性疾患の診断とリスク評価における人工知能の評価

口腔潜在悪性疾患（OPMDs）は、口腔癌になる可能性のある粘膜病変として説明されています。 口腔白板症（OLK）、口腔扁平苔癬（OLP）、口腔紅板症（OEK）、円板状エリテマトーデス、増殖性疣贅状白板症、カンジダ白板症、逆喫煙者口蓋、疣贅状過形成、先天性角化異常症、光線性口唇炎、角化棘細胞腫、口腔粘膜下線維症から構成されています。 文献ではOPMDsの有病率は最大5％と報告されており、一般的な好発部位は舌、口腔底、歯肉とされています。 OEK、OLK、OLPの悪性転化率は、それぞれ約14.3％-50％、0.13％-17.5％、0.4％-6.5％と推定されています。多くの口腔扁平上皮癌（OSCCs）はOPMDsから発生するため、臨床医は悪性転化を防ぐために、徹底的な診断と管理によりこれらの病変を区別しなければなりません。 一般の人々におけるOPMDsに関する知識と認識の欠如は一般的であり、研究では一般歯科医がこれらの疾患について十分に情報を得ておらず／準備ができていないことが示されています。 OPMDsを明確な疾患として診断することも、その多様な種類、様々な形態、重複する特徴により困難です。 しかし、研究では、OPMDsが非均質な外観に変化した場合、それは有害な進行と見なされる可能性が高く、言い換えれば、均質な病変と比較して非均質な病変は悪性転化のリスクが高いことがわかっています。口腔組織生検と病理組織学的分析は、しばしばOPMDsの癌リスク評価のゴールドスタンダードと見なされています。 しかし、生検は侵襲的な検査であるため、非侵襲的検出技術と比較すると、OPMDsの慢性的な経過をモニタリングするには適さない場合があります。 生検が平均して報告書に1日半を要するという別の欠点もあります。 生検による徹底的な臨床検査はほとんどのOPMDsと口腔癌を明らかにするかもしれませんが、生体染色、マイクロ流体、唾液診断、細胞診断プラットフォームなどの他の診断方法を利用することができます。 トルイジンブルー（TB）染色は、チアジン基の塩基性異染色性色素であり、DNAおよびRNAの核周囲クリステルネに親和性を示し、より深く浸透し、急速に分裂する細胞の細胞間隙に一時的に保持されます。 高い感度（73.9％）と低い特異度（30％）があります。 報告では、高リスクOPMDsおよび高リスク分子クローンにおけるトルイジンブルーの保持は、異形成が最小限または全くない病変においても記録されていると結論付けられています。一方、アクリジンオレンジ（AO）は、核酸に選択的親和性を持つ組織化学的蛍光色素です。 フォン・ベルタランフィーが推奨する0.01％の濃度とpH 6では、DNAは黄色から白緑色に、RNAは赤色に蛍光を発します。 AOは低分子量で弱塩基性の色素であり、細胞膜を容易に透過します。 AOは異染色性を持ち、青色光（488 nm）で励起されると緑色の蛍光を発します。 剥離細胞診は、癌の早期診断のために一般的に受け入れられている診断手順です。共焦点レーザー走査顕微鏡は、剥離細胞診における悪性細胞の同定に良好な感度を持つことがわかった先進的な顕微鏡イメージング技術です。 この技術が提供する利点は、検体の迅速な処理とスクリーニング、および臨床診断プロセスへの客観性の付加です。 アクリジンオレンジ染色共焦点顕微鏡画像は、OPMDsの検出に良好な感度と特異度（93％）を示しました。人工知能（AI）は、コンピュータが人間の認知能力を模倣する能力として定義できるコンピュータサイエンスの一分野です。 AIは多様な技術に対応します。 その中で、深層学習は、医学画像における高レベルの抽象化をモデル化して診断的意味を決定しようとする潜在的に革新的な技術です。 深層学習、特に畳み込みニューラルネットワーク（CNNs）を用いて実装されるものは、医学画像におけるオブジェクトの分類、検出、セグメンテーションのための従来の技術となっています。 人工知能（AI）と機械学習（ML）は、歯科において、区別、問題解決、学習などの臨床医の認知機能を達成するために広範な注目を集めています。 現在では、畳み込みニューラルネットワーク（CNN）によって駆動されるコンピュータ支援診断システム（CAD）は、いくつかの癌性病変を検出および分類することができました。 口腔癌の早期発見、診断、治療結果におけるAIの使用に関する最近の研究のいくつかは、機械学習技術がデータセットに基づく口腔癌のスクリーニングと診断に役立つ可能性があると結論付けています。 また、深層および従来の学習アルゴリズムは、口腔白板症および口腔苔癬様病変の悪性転化を予測することに成功しています。深層CNNsは、限られたメモリ容量を持つ視覚デバイスを構築するための口腔癌診断の効果的な方法となり得ますが、Faster R-CNNモデルは最高の検出性能を持ち、AUCは74.34％であり、高い感度と特異度（それぞれ100％および90％）での分類の可能性があります。 したがって、本研究は、専門家と比較して高精度、高感度、高特異度でOPMDsの検出および分類に加えてリスク評価も可能な深層学習アルゴリズムモデルを構築することを目指しています。