Evaluatie van kunstmatige intelligentie in de diagnose en risicobeoordeling van orale potentieel kwaadaardige aandoeningen

Orale potentieel maligne aandoeningen (OPMD's) worden beschreven als de slijmvlieslaesies die het potentieel hebben om mondkanker te worden. Het bestaat uit orale leukoplakie (OLK), orale lichen planus (OLP), orale erythroplakie (OEK), discoïde lupus erythematosus, proliferatieve verrucuze leukoplakie, candida leukoplakie, omgekeerd rokerspalatum, verrucuze hyperplasie, dyskeratosis congenita, actinische cheilosis, keratoacanthoom en orale submukeuze fibrose. Tot 5% prevalentie werd gerapporteerd in de literatuur voor OPMD's en veelvoorkomende lokalisaties werden beschreven als tong, mondbodem en gingiva. De maligne transformatiesnelheid van OEK, OLK en OLP werd respectievelijk geschat op ongeveer 14,3%-50%, 0,13%-17,5% en 0,4%-6,5%. Aangezien veel orale plaveiselcelcarcinomen (OSCC's) zich ontwikkelen uit OPMD's, moeten clinici deze laesies onderscheiden met grondige diagnose en behandeling om maligne transformatie te voorkomen. Gebrek aan kennis en bewustzijn over OPMD's komt veel voor bij het grote publiek en studies toonden aan dat algemene tandartsen niet volledig geïnformeerd/voorbereid zijn voor deze entiteiten. Het diagnosticeren van OPMD's als definieerbare ziekten is ook uitdagend vanwege de vele variëteiten, verschillende vormen en overlappende kenmerken. Echter, studies hebben gevonden dat wanneer een OPMD verandert naar een niet-homogene presentatie, het waarschijnlijker wordt beschouwd als een ongunstige progressie; met andere woorden, niet-homogene laesies hebben een groter risico op maligne transformatie in vergelijking met homogene laesies. Orale weefselbiopsie en histopathologische analyse worden vaak beschouwd als de gouden standaard voor kankerrisicobeoordeling van OPMD's. Echter, aangezien biopsie een invasieve test is, is het mogelijk niet geschikt voor het monitoren van de chronische ontwikkeling van OPMD's in vergelijking met niet-invasieve detectietechnieken. Een ander nadeel is dat de biopsie gemiddeld een dag en een half nodig heeft voor een rapport. Hoewel grondige klinische onderzoeken met behulp van biopsie de meeste OPMD's en orale kankers kunnen onthullen, kunnen andere diagnostische methoden zoals vitale kleuring, microfluidica, speekseldiagnostiek en cytopathologieplatforms worden gebruikt. Toluidineblauw (TB) kleuring is een basische metachromatische kleurstof van de thiazinegroep die affiniteit vertoont voor de perinucleaire cisternae van DNA en RNA met grotere penetratie en tijdelijke retentie van de kleurstof in de intercellulaire ruimtes van snel delende cellen in-vivo RNA. Het heeft een hoge gevoeligheid (73,9%) en lage specificiteit (30%). Rapporten hebben geconcludeerd dat toluidineblauwretentie in hoog-risico OPMD's en hoog-risico moleculaire klonen, zelfs in laesies met minimale of geen dysplasie, is gedocumenteerd. Terwijl acridine-oranje (AO) een histochemische fluorochroom is met een selectieve affiniteit voor nucleïnezuren. Bij een concentratie van 0,01% en een pH van 6, aanbevolen door Von Bertalanffy, fluoresceert DNA geel tot witachtig groen en RNA rood. AO is een laag moleculair gewicht, zwak basische kleurstof die gemakkelijk celmembranen binnendringt. AO heeft metachromatische eigenschappen en bij excitatie met blauw licht (488 nm) zendt het groene fluorescentie uit. Exfoliatieve cytologie is een diagnostische procedure die algemeen aanvaard is voor vroege diagnose van kanker. Confocale laserscanningsmicroscopie is een geavanceerde microscopische beeldvormingstechniek waarvan is gebleken dat het een goede gevoeligheid heeft bij de identificatie van kwaadaardige cellen in exfoliatieve cytologie. De voordelen van deze techniek zijn de snelheid van verwerking en screening van het monster en het toevoegen van objectiviteit aan het proces van klinische diagnose. Acridine-oranje-gekleurde confocale microscopische beelden hebben een goede gevoeligheid en specificiteit (93%) getoond voor detectie van OPMD's. Kunstmatige intelligentie (AI) is een tak van computerwetenschap die kan worden gedefinieerd als het vermogen van een computer om de cognitieve vaardigheden van een mens na te bootsen. AI komt overeen met een groot scala aan technieken. Daaronder is deep learning een potentieel disruptieve technologie die probeert hoogwaardige abstracties in medische beelden te modelleren om diagnostische betekenis te bepalen. Deep learning, specifiek zoals geïmplementeerd met convolutionele neurale netwerken (CNN's), is een conventionele techniek geworden voor het classificeren, detecteren en segmenteren van objecten in medische beelden. Kunstmatige intelligentie (AI) en machine learning (ML) hebben uitgebreide aandacht gekregen in de tandheelkunde om cognitieve functies van clinici te bereiken zoals differentiatie, probleemoplossing en leren. Tegenwoordig waren computerondersteunde diagnosesystemen (CAD) aangedreven door convolutionele neurale netwerken (CNN) in staat om sommige kankerlaeies te detecteren en te classificeren. Sommige recente studies over het gebruik van AI bij vroege detectie, diagnose en behandeluitkomst van mondkanker concludeerden dat de machine learning-techniek het potentieel heeft om te helpen bij mondkankerscreening en diagnose op basis van datasets. Ook de deep en conventionele leer algoritmes zijn succesvol in het voorspellen van de maligne transformatie van orale leukoplakie en orale lichenoïde laesies. Diepe CNN's kunnen een effectieve methode zijn om visieapparaten met beperkte geheugencapaciteit te bouwen voor de diagnose van mondkanker, terwijl Faster R-CNN-modellen de hoogste detectieprestaties hebben, met een AUC van 74,34% en potentieel voor classificatie met hoge gevoeligheid en specificiteit (respectievelijk 100% en 90%) voor het CNN-gebaseerde classificatiemodel. Dus deze studie heeft tot doel een deep learning-algoritmemodel te hebben dat in staat is tot risicobeoordeling naast detectie en classificatie van OPMD's met hoge nauwkeurigheid, gevoeligheid en specificiteit in vergelijking met experts.