Evaluering av kunstig intelligens i diagnostisering og risikovurdering av muntlige potensielt maligne lidelser

Orale potensielt maligne lidelser (OPMD-er) beskrives som slimhinneforandringer som har potensial til å bli munnkreft. Det består av oral leukoplaki (OLK), oral lichen planus (OLP), oral erythroplaki (OEK), diskoid lupus erythematosus, proliferativ verrucøs leukoplaki, candida leukoplaki, omvendt røykerpalate, verrucøs hyperplasi, dyskeratosis congenita, actinisk cheilose, keratoakantom og oral submukøs fibrose. Opptil 5 % forekomst ble rapportert i litteraturen for OPMD-er, og vanlige lokaliteter ble beskrevet som tungen, munnbunnen og tannkjøttet. Den maligne transformasjonsraten for OEK, OLK og OLP ble estimert til omtrent 14,3 %–50 %, 0,13 %–17,5 % og 0,4 %–6,5 % henholdsvis. Siden mange orale skvamøse cellekarcinomer (OSCC-er) utvikler seg fra OPMD-er, må klinikere skille disse forandringene med grundig diagnose og behandling for å forhindre malign transformasjon. Mangel på kunnskap og bevissthet om OPMD-er er vanlig i allmennheten, og studier har vist at generelle tannleger ikke er fullt informert/forberedt for disse enhetene. Å diagnostisere OPMD-er som definerbare sykdommer er også utfordrende på grunn av de mange variantene, ulike former og overlappende trekk. Imidlertid har studier funnet at når en OPMD endres til en ikke-homogen presentasjon, er det mer sannsynlig at den blir betraktet som en ugunstig progresjon; med andre ord har ikke-homogene lesjoner større risiko for malign transformasjon sammenlignet med homogene lesjoner. Oral vevsbiopsi og histopatologisk analyse blir ofte ansett som gullstandarden for kreftrisikovurdering av OPMD-er. Imidlertid, siden biopsi er en invasiv test, kan det være uegnet for å overvåke den kroniske utviklingen av OPMD-er sammenlignet med ikke-invasive deteksjonsteknikker. En annen ulempe er at biopsien i gjennomsnitt krever en og en halv dag for en rapport. Selv om grundige kliniske undersøkelser med hjelp av biopsi kan avdekke de fleste OPMD-er og munnkreft, kan andre diagnostiske metoder som vitalfarging, mikrofluidikk, spyttdiagnostikk og cytopatologiske plattformer utnyttes. Toluidinblå (TB) fargestoff er et basisk metakromatisk fargestoff fra thiazin-gruppen som viser affinitet for perinukleære cisterner av DNA og RNA med større penetrering og midlertidig tilbakeholdelse av fargestoffet i de intercellulære rommene til raskt delende celler in vivo RNA. Det har høy sensitivitet (73,9 %) og lav spesifisitet (30 %). Rapporter har konkludert med at toluidinblåtilbakeholdelse i høyrisiko-OPMD-er og høyrisiko-molekylære kloner, selv i lesjoner med minimal eller ingen dysplasi, er dokumentert. Mens akridinoransje (AO) er et histokjemisk fluorokrom med selektiv affinitet for nukleinsyrer. Ved en konsentrasjon på 0,01 % og en pH på 6, anbefalt av Von Bertalanffy, fluorescerer DNA gul til hvitaktig grønt og RNA rødt. AO er et lavmolekylært, svakt basisk fargestoff som lett penetrerer cellemembraner. AO har metakromatiske egenskaper og ved eksitasjon med blått lys (488 nm) avgir det grønn fluorescens. Eksfoliativ cytologi er en diagnostisk prosedyre som generelt er akseptert for tidlig kreftdiagnostisering. Konfokal laserskanningmikroskopi er en avansert mikroskopisk bildebehandlingsteknikk som har vist god sensitivitet i identifiseringen av maligne celler i eksfoliativ cytologi. Fordelene med denne teknikken er hurtig prosessering og screening av prøven og å legge til objektivitet i den kliniske diagnostiseringsprosessen. Akridinoransje-fargede konfokale mikroskopiske bilder har vist god sensitivitet og spesifisitet (93 %) for deteksjon av OPMD-er. Kunstig intelligens (AI) er en gren av informatikk som kan defineres som evnen til en datamaskin til å etterligne de kognitive evnene til et menneske. AI tilsvarer et stort spekter av teknikker. Blant dem er dyp læring en potensiell disruptiv teknologi som forsøker å modellere høynivå-abstraksjoner i medisinske bilder for å fastslå diagnostisk betydning. Dyp læring, spesielt som implementert ved bruk av konvolusjonelle nevrale nettverk (CNNs), har blitt en konvensjonell teknikk for klassifisering, deteksjon og segmentering av objekter i medisinske bilder. Kunstig intelligens (AI) og maskinlæring (ML) har fått omfattende oppmerksomhet i odontologien for å oppnå klinikeres kognitive funksjoner som differensiering, problemløsning og læring. I dag var datamaskinassisterte diagnosesystemer (CAD) drevet av konvolusjonelle nevrale nettverk (CNN) i stand til å oppdage og klassifisere noen kreftlesjoner. Noen av de nyeste studiene om bruk av AI i tidlig oppdagelse, diagnostisering og behandlingsutfall av munnkreft konkluderte med at maskinlæringsteknikken har potensial til å hjelpe i screening og diagnostisering av munnkreft basert på datasett. Også de dype og konvensjonelle læringsalgoritmene er vellykkede i å forutsi malign transformasjon av oral leukoplaki og orale lichenoide lesjoner. De dype CNNs kan være en effektiv metode for å bygge synsenheter med begrenset minnekapasitet for diagnostisering av munnkreft, mens Faster R-CNN-modeller har den høyeste deteksjonsytelsen, med en AUC på 74,34 % og potensial for klassifisering med høy sensitivitet og spesifisitet (100 % og 90 %) henholdsvis for den CNN-baserte klassifiseringsmodellen. Så denne studien tar sikte på å ha en dyp læringsalgoritmemodell som er i stand til risikovurdering i tillegg til deteksjon og klassifisering av OPMD-er med høy nøyaktighet, sensitivitet og spesifisitet sammenlignet med eksperter.