구강 전암성 병변의 진단 및 위험 평가에서 인공 지능의 평가

구강 전암성 질환(OPMD)은 구강암으로 진행될 가능성이 있는 점막 병변으로 설명됩니다. 이는 구강 백반증(OLK), 구강 편평태선(OLP), 구강 적색반(EK), 원반상 홍반성 루푸스, 증식성 사마귀 백반증, 칸디다 백반증, 역흡연자 구개, 사마귀 과형성, 선천성 각화이상증, 광선성 구순염, 각화세포종, 구강 점막하 섬유증으로 구성됩니다. 문헌에 따르면 OPMD의 유병률은 최대 5%로 보고되었으며, 일반적인 부위는 혀, 구강저, 잇몸으로 설명됩니다. OEK, OLK, OLP의 악성 변이율은 각각 약 14.3%~50%, 0.13%~17.5%, 0.4%~6.5%로 추정됩니다. 많은 구강 편평세포암종(OSCC)이 OPMD에서 발생하기 때문에, 임상의는 악성 변이를 예방하기 위해 철저한 진단과 관리로 이러한 병변을 구별해야 합니다. 일반 대중 사이에서 OPMD에 대한 지식과 인식 부족이 흔하며, 연구에 따르면 일반 치과 의사들도 이러한 질환에 대해 완전히 알고 있거나 준비되어 있지 않습니다. OPMD를 명확한 질병으로 진단하는 것은 수많은 변종, 다양한 형태, 중첩되는 특징으로 인해 어렵습니다. 그러나 연구에 따르면, OPMD가 비균질적 형태로 변화할 때 불리한 진행으로 간주될 가능성이 더 높습니다. 즉, 비균질 병변이 균질 병변에 비해 악성 변이 위험이 더 큽니다. 구강 조직 생검과 조직병리학적 분석은 OPMD의 암 위험 평가를 위한 표준 방법으로 여겨집니다. 그러나 생검은 침습적 검사이므로, 비침습적 검출 기술에 비해 OPMD의 만성적 진행을 모니터링하는 데 적합하지 않을 수 있습니다. 또 다른 단점은 생검 결과 보고서에 평균 하루 반이 소요된다는 것입니다. 생검을 통한 철저한 임상 검사로 대부분의 OPMD와 구강암(OC)을 발견할 수 있지만, 활성 염색, 미세유체, 타액 진단, 세포병리학 플랫폼과 같은 다른 진단 방법도 활용될 수 있습니다. 톨루이딘 블루(TB) 염색은 티아진 그룹의 기본 변색 염료로, DNA와 RNA의 핵주위 시스테르네에 친화성을 보이며, 생체 내 RNA에서 빠르게 분열하는 세포의 세포간 공간에서 염료의 더 큰 침투와 일시적 보존을 나타냅니다. 이는 높은 민감도(73.9%)와 낮은 특이도(30%)를 가집니다. 보고서에 따르면, 고위험 OPMD와 고위험 분자 클론에서 톨루이딘 블루 보존이 문서화되었으며, 이는 최소 이형성 또는 이형성이 없는 병변에서도 마찬가지입니다. 반면, 아크리딘 오렌지(AO)는 핵산에 선택적 친화성을 가진 조직화학 형광색소입니다. 폰 베르탈란피가 권장하는 0.01% 농도와 pH 6에서 DNA는 노란색에서 황록색으로, RNA는 빨간색으로 형광을 발합니다. AO는 저분자량, 약염기성 염료로 세포막을 쉽게 통과합니다. AO는 변색 특성을 가지며, 청색광(488nm)으로 여기되면 녹색 형광을 방출합니다. 박리 세포진 검사는 일반적으로 암의 조기 진단을 위해 받아들여진 진단 절차입니다. 공초점 레이저 주사 현미경은 박리 세포진 검사에서 악성 세포 식별에 좋은 민감도를 보이는 것으로 밝혀진 고급 현미경 영상 기술입니다. 이 기술의 장점은 시료 처리 및 검사의 신속성과 임상 진단 과정에 객관성을 부여하는 것입니다. 아크리딘 오렌지 염색 공초점 현미경 영상은 OPMD 검출에 좋은 민감도와 특이도(93%)를 보였습니다. 인공지능(AI)은 컴퓨터가 인간의 인지 능력을 모방하는 능력으로 정의할 수 있는 컴퓨터 과학의 한 분야입니다. AI는 다양한 기술에 해당합니다. 그 중에서도 딥러닝은 의료 영상에서 고수준 추상화를 모델링하여 진단적 의미를 결정하려는 잠재적 파괴적 기술입니다. 딥러닝, 특히 합성곱 신경망(CNN)을 사용하여 구현된 딥러닝은 의료 영상에서 객체를 분류, 감지, 분할하는 데 일반적인 기술이 되었습니다. 인공지능(AI)과 머신러닝(ML)은 임상의의 차별화, 문제 해결, 학습과 같은 인지 기능을 달성하기 위해 치과에서 광범위한 관심을 받고 있습니다. 현재, 합성곱 신경망(CNN)으로 구동되는 컴퓨터 보조 진단 시스템(CAD)은 일부 암성 병변을 감지하고 분류할 수 있었습니다. 구강암 조기 발견, 진단, 치료 결과에서 AI 사용에 관한 최근 연구 중 일부는 머신러닝 기술이 데이터셋을 기반으로 구강암 선별 및 진단에 도움을 줄 잠재력이 있다고 결론지었습니다. 또한 딥러닝 및 전통적 학습 알고리즘은 구강 백반증과 구강 태선양 병변의 악성 변이 예측에 성공적입니다. 딥 CNN은 구강암 진단을 위한 제한된 메모리 용량의 시각 장치 구축에 효과적인 방법이 될 수 있으며, Faster R-CNN 모델은 가장 높은 감지 성능을 보이며, AUC 74.34%와 높은 민감도와 특이도(각각 100% 및 90%)로 분류 가능성을 가집니다. 따라서 이 연구는 전문가에 비해 높은 정확도, 민감도, 특이도로 OPMD의 감지 및 분류 외에도 위험 평가가 가능한 딥러닝 알고리즘 모델을 갖추는 것을 목표로 합니다.