Utvärdering av artificiell intelligens i diagnostik och riskbedömning av oralpotentiellt maligna sjukdomar

Orala potentiellt maligna störningar (OPMDs) beskrivs som de mukosala lesioner som har potential att bli oral cancer. Det består av oral leukoplaki (OLK), oral lichen planus (OLP), oral erytroplaki (OEK), discoid lupus erythematosus, proliferativ verrucös leukoplaki, candida leukoplaki, omvänd rökares gom, verrucös hyperplasi, dyskeratosis congenita, aktinisk cheilos, keratoakantom och oral submukös fibros. Upp till 5% prevalens rapporterades i litteraturen för OPMDs och vanliga lokaliseringar beskrevs som tungan, munbottnen och gingivan. Den maligna transformationsfrekvensen för OEK, OLK och OLP uppskattades till ungefär 14,3%-50%, 0,13%-17,5%, och 0,4%-6,5%, respektive. Eftersom många oral plattcellscarcinom (OSCC) utvecklas från OPMDs, måste kliniker urskilja dessa lesioner med noggrann diagnostik och hantering för att förhindra malign transformation. Brist på kunskap och medvetenhet om OPMDs är vanligt hos allmänheten och studier har visat att allmänna tandläkare inte är fullt informerade/förberedda för dessa entiteter. Att diagnostisera OPMDs som definierbara sjukdomar är också utmanande på grund av de många varianterna, olika former och överlappande egenskaper. Men studier har funnit att när en OPMD ändras till en icke-homogen presentation, är det mer sannolikt att betraktas som en ogynnsam progression, med andra ord har icke-homogena lesioner en större risk för malign transformation jämfört med homogena lesioner. Oral vävnadsbiopsi och histopatologisk analys betraktas ofta som guldstandarden för cancerriskbedömning av OPMDs. Men eftersom biopsi är en invasiv analys, kanske den inte är lämplig för att övervaka den kroniska utvecklingen av OPMDs jämfört med icke-invasiva detektionstekniker. En annan nackdel är att biopsin i genomsnitt kräver en och en halv dag för en rapport. Även om noggranna kliniska undersökningar med hjälp av biopsi kan avslöja de flesta OPMDs och oral cancer, kan andra diagnostiska metoder som vitalfärgning, mikrofluidik, salivdiagnostik och cytopatologiska plattformar användas. Toluidinblått (TB) är en basisk metakromatisk färg från tiazin-gruppen som visar affinitet för perinukleära cisterner av DNA och RNA med större penetration och tillfällig kvarhållning av färgen i intercellulära utrymmen av snabbt delande celler in-vivo RNA. Den har hög känslighet (73,9%) och låg specificitet (30%). Rapporter har dragit slutsatsen att toluidinblå kvarhållning i högrisk OPMDs och högrisk molekylära kloner, även i lesioner med minimal eller ingen dysplasi, har dokumenterats. Medan akridinorange (AO) är en histokemisk fluorokrom med selektiv affinitet för nukleinsyror. Vid en koncentration på 0,01% och ett pH på 6, rekommenderat av Von Bertalanffy, fluorescerar DNA gul till vitaktigt grönt och RNA rött. AO är en lågmolekylär, svagt basisk färg som lätt penetrerar cellmembran. AO har metakromatiska egenskaper och vid excitation med blått ljus (488 nm) avger den grön fluorescens. Exfoliativ cytologi är en diagnostisk procedur som generellt accepterats för tidig cancerdiagnos. Konfokal laserskanningmikroskopi är en avancerad mikroskopisk avbildningsteknik som har visats ha god känslighet vid identifiering av maligna celler i exfoliativ cytologi. Fördelarna med denna teknik är snabbheten i bearbetning och screening av provet och att den tillför objektivitet till processen för klinisk diagnostik. Akridinorange-färgade konfokala mikroskopiska bilder har visat god känslighet och specificitet (93%) för detektion av OPMDs. Artificiell intelligens (AI) är en gren av datavetenskap som kan definieras som förmågan för en dator att efterlikna kognitiva förmågor hos en människa. AI motsvarar ett brett spektrum av tekniker. Bland dem är djupinlärning en potentiellt disruptiv teknologi som försöker modellera hög nivå abstraktioner i medicinska bilder för att bestämma diagnostisk mening. Djupinlärning, specifikt som implementerad med hjälp av konvolutionella neurala nätverk (CNNs), har blivit en konventionell teknik för klassificering, detektion och segmentering av objekt i medicinska bilder. Artificiell intelligens (AI) och maskininlärning (ML) har fått omfattande uppmärksamhet inom odontologi för att uppnå klinikers kognitiva funktioner som differentiering, problemlösning och inlärning. Numera har datorassisterade diagnossystem (CAD) som drivs av konvolutionella neurala nätverk (CNN) kunnat detektera och klassificera vissa cancerösa lesioner. Några av de senaste studierna om användning av AI i tidig detektion, diagnostik och behandlingsutfall för oral cancer drog slutsatsen att maskininlärningstekniken har potential att hjälpa till med oral cancerscreening och diagnostik baserat på datamängder. Även djupinlärnings- och konventionella inlärningsalgoritmer lyckas med att förutsäga malign transformation av oral leukoplaki och oral lichenoida lesioner. Djupa CNNs kan vara en effektiv metod för att bygga synenheter med begränsat minneskapacitet för diagnostik av oral cancer, medan Faster R-CNN-modeller har den högsta detektionsprestandan, med en AUC på 74,34% och potential för klassificering med hög känslighet och specificitet (100% och 90%) respektive för den CNN-baserade klassificeringsmodellen. Så denna studie syftar till att ha en djupinlärningsalgoritmmodell som är kapabel för riskbedömning utöver detektion och klassificering av OPMDs med hög noggrannhet, känslighet och specificitet jämfört med experter.