Ocena zastosowania sztucznej inteligencji w diagnostyce i ocenie ryzyka potencjalnie złośliwych zmian błony śluzowej jamy ustnej

Potencjalnie złośliwe zaburzenia jamy ustnej (OPMD) są opisywane jako zmiany śluzówkowe, które mogą przekształcić się w raka jamy ustnej. Składają się one z leukoplakii jamy ustnej (OLK), liszaja płaskiego jamy ustnej (OLP), erytroplakii jamy ustnej (OEK), tocznia rumieniowatego krążkowego, brodawkowatej leukoplakii wertukozowej, kandydalnej leukoplakii, podniebienia palacza odwrotnego, hiperplazji wertukozowej, dyskeratozy wrodzonej, zapalenia wargowego aktynicznego, rogowiaka kolczystokomórkowego oraz włóknienia podśluzówkowego jamy ustnej. W literaturze odnotowano rozpowszechnienie OPMD do 5%, a za najczęstsze lokalizacje uznano język, dno jamy ustnej i dziąsła. Wskaźnik transformacji złośliwej dla OEK, OLK i OLP oszacowano odpowiednio na około 14,3%-50%, 0,13%-17,5% oraz 0,4%-6,5%. Ponieważ wiele płaskonabłonkowych raków jamy ustnej (OSCC) rozwija się z OPMD, klinicyści muszą odróżniać te zmiany poprzez dokładną diagnozę i leczenie, aby zapobiec transformacji złośliwej. Brak wiedzy i świadomości na temat OPMD jest powszechny wśród ogółu społeczeństwa, a badania wykazały, że dentyści ogólni nie są w pełni poinformowani/przygotowani do radzenia sobie z tymi jednostkami chorobowymi. Diagnozowanie OPMD jako określonych chorób jest również trudne ze względu na liczne odmiany, różne formy i nakładające się cechy. Jednak badania wykazały, że gdy OPMD przekształca się w postać niejednorodną, jest bardziej prawdopodobne, że zostanie uznane za niekorzystny postęp; innymi słowy, zmiany niejednorodne mają większe ryzyko transformacji złośliwej w porównaniu ze zmianami jednorodnymi. Biopsja tkanek jamy ustnej i analiza histopatologiczna są często uważane za złoty standard w ocenie ryzyka nowotworowego OPMD. Jednakże, ponieważ biopsja jest badaniem inwazyjnym, może nie być odpowiednia do monitorowania przewlekłego rozwoju OPMD w porównaniu z nieinwazyjnymi technikami wykrywania. Kolejną wadą biopsji jest to, że uzyskanie wyniku wymaga średnio półtora dnia. Chociaż dokładne badania kliniczne z pomocą biopsji mogą ujawnić większość OPMD i nowotworów jamy ustnej, można wykorzystać inne metody diagnostyczne, takie jak barwienie żywotne, mikrofluidykę, diagnostykę śliny oraz platformy cytopatologiczne. Barwnik toluidynowy (TB) jest zasadowym barwnikiem metachromatycznym z grupy tiazyny, który wykazuje powinowactwo do perynuklearnych cystern DNA i RNA, z większą penetracją i tymczasowym zatrzymaniem barwnika w przestrzeniach międzykomórkowych szybko dzielących się komórek in vivo RNA. Ma wysoką czułość (73,9%) i niską swoistość (30%). Raporty wykazały, że zatrzymanie toluidyny niebieskiej obserwuje się w OPMD wysokiego ryzyka i klonach molekularnych wysokiego ryzyka, nawet w zmianach z minimalną lub brakiem dysplazji. Z kolei akrydyna pomarańczowa (AO) jest fluorochromem histochemicznym o selektywnym powinowactwie do kwasów nukleinowych. Przy stężeniu 0,01% i pH 6, zalecanym przez Von Bertalanffy'ego, DNA fluoryzuje na żółto do białozielono, a RNA na czerwono. AO jest barwnikiem o niskiej masie cząsteczkowej, słabo zasadowym, który łatwo przenika przez błony komórkowe. AO ma właściwości metachromatyczne i po wzbudzeniu światłem niebieskim (488 nm) emituje zieloną fluorescencję. Cytologia złuszczeniowa jest procedurą diagnostyczną powszechnie akceptowaną do wczesnego rozpoznawania raka. Mikroskopia konfokalna z skanowaniem laserowym jest zaawansowaną techniką obrazowania mikroskopowego, która wykazała dobrą czułość w identyfikacji komórek złośliwych w cytologii złuszczeniowej. Zalety tej techniki to szybkość przetwarzania i badania próbki oraz zwiększenie obiektywności procesu diagnozy klinicznej. Obrazy konfokalne mikroskopowe barwione akrydyną pomarańczową wykazały dobrą czułość i swoistość (93%) w wykrywaniu OPMD. Sztuczna inteligencja (AI) to gałąź informatyki, którą można zdefiniować jako zdolność komputera do naśladowania zdolności poznawczych człowieka. AI odpowiada szerokiemu zakresowi technik. Wśród nich głębokie uczenie się jest potencjalnie przełomową technologią, która próbuje modelować abstrakcje wysokiego poziomu w obrazach medycznych, aby określić znaczenie diagnostyczne. Głębokie uczenie się, szczególnie w implementacji z użyciem konwolucyjnych sieci neuronowych (CNN), stało się konwencjonalną techniką klasyfikowania, wykrywania i segmentacji obiektów w obrazach medycznych. Sztuczna inteligencja (AI) i uczenie maszynowe (ML) zyskały szerokie zainteresowanie w stomatologii do osiągania funkcji poznawczych klinicystów, takich jak różnicowanie, rozwiązywanie problemów i uczenie się. Obecnie systemy wspomagania diagnozy (CAD) oparte na konwolucyjnych sieciach neuronowych (CNN) były w stanie wykrywać i klasyfikować niektóre zmiany nowotworowe. Niektóre z ostatnich badań dotyczących wykorzystania AI we wczesnym wykrywaniu, diagnozowaniu i wynikach leczenia raka jamy ustnej wykazały, że technika uczenia maszynowego ma potencjał, aby pomóc w przesiewowym badaniu i diagnozowaniu raka jamy ustnej na podstawie zbiorów danych. Również algorytmy głębokiego i konwencjonalnego uczenia się są skuteczne w przewidywaniu transformacji złośliwej leukoplakii jamy ustnej i zmian liszajopodobnych jamy ustnej. Głębokie CNN mogą być skuteczną metodą budowania urządzeń wizyjnych o ograniczonej pojemności pamięci do diagnozowania raka jamy ustnej, podczas gdy modele Faster R-CNN mają najwyższą wydajność wykrywania, z AUC 74,34% i potencjałem do klasyfikacji z wysoką czułością i swoistością (odpowiednio 100% i 90%) dla modelu klasyfikacji opartego na CNN. Dlatego to badanie ma na celu opracowanie modelu algorytmu głębokiego uczenia się, który będzie zdolny do oceny ryzyka, a także wykrywania i klasyfikacji OPMD z wysoką dokładnością, czułością i swoistością w porównaniu z ekspertami.