Op kunstmatige intelligentie gebaseerd programma om bevindingen van de mondholte te classificeren op basis van klinische beeldanalyse

Vroegtijdige diagnose van orale laesies, met name mondkanker, is van cruciaal belang voor het verbeteren van de prognose en het faciliteren van vroegtijdige interventie en zorg met de bedoeling de ziektegerelateerde sterfte te verlagen.

Omdat conventioneel mondonderzoek (COE) de meest gebruikte methode is bij het identificeren van orale laesies, is de ervaring van de gemiddelde tandarts een doorslaggevende factor bij een vroege diagnose.

Visueel onderzoek mist specificiteit en gevoeligheid omdat het zeer subjectief is. Helaas tonen onderzoeken aan dat de meerderheid van de tandartsen geen expertise heeft in het vroegtijdig opsporen van de ziekte, wat resulteert in vals-negatieve diagnoses van orale laesies.

Huisartsen blijken ofwel de verwijzing van een vermoedelijke orale laesie naar een orale geneeskundespecialist uit te stellen, ofwel talrijke vals-positieve gevallen door te verwijzen, waardoor de patiënten onnodig in een staat van angst en kankerfobie worden geduwd. Vals-positieve verwijzingen overbelasten de specialisten, wat uiteindelijk zal leiden tot een vertraagde diagnose van echt-positieve gevallen als gevolg van de oververzadiging met vals-positieve gevallen.

De reikwijdte van diagnostisch onderzoek verschuift naar niet-invasieve, gemakkelijke stoel-zijmethoden met hogere nauwkeurigheid voor vroege detectie van orale laesies. Recente benaderingen van het gebruik van machinegebaseerde programma's geven aan dat deze machine-leermethode nuttig kan zijn bij de detectie en diagnose van mondkanker.