人工智能在口腔潜在恶性病变诊断与风险评估中的评价

口腔潜在恶性病变（OPMDs）被描述为可能发展为口腔癌的黏膜病变。 它包括口腔白斑（OLK）、口腔扁平苔藓（OLP）、口腔红斑（OEK）、盘状红斑狼疮、增殖性疣状白斑、念珠菌性白斑、反向吸烟者腭、疣状增生、先天性角化不良、光化性唇炎、角化棘皮瘤和口腔黏膜下纤维化。 文献报道OPMDs的患病率高达5%，常见部位包括舌、口底和牙龈。 OEK、OLK和OLP的恶性转化率分别估计约为14.3%-50%、0.13%-17.5%和0.4%-6.5%。 由于许多口腔鳞状细胞癌（OSCCs）由OPMDs发展而来，临床医生必须通过彻底诊断和管理来区分这些病变，以防止恶性转化。 公众普遍缺乏对OPMDs的了解和认识，研究表明普通牙科医生对这些实体病变更未充分了解/准备。 由于种类繁多、形式多样且特征重叠，将OPMDs诊断为可定义的疾病也具有挑战性。 然而，研究发现当OPMDs变为非均质性表现时，更可能被视为不良进展，换句话说，与均质性病变相比，非均质性病变具有更高的恶性转化风险。 口腔组织活检和组织病理学分析通常被认为是评估OPMDs癌症风险的金标准。 然而，由于活检是一种侵入性检测，与非侵入性检测技术相比，它可能不适合监测OPMDs的慢性发展。 活检的另一个缺点是平均需要一天半时间才能获得报告。 尽管在活检辅助下的彻底临床检查可以揭示大多数OPMDs和口腔癌，但也可以利用其他诊断方法，如活体染色、微流控技术、唾液诊断和细胞病理学平台。 甲苯胺蓝（TB）染色是一种噻嗪类碱性异染染料，对DNA和RNA的核周池具有亲和力，在体内RNA中能更深入地渗透并暂时保留在快速分裂细胞的细胞间隙中。 它具有高敏感性（73.9%）和低特异性（30%）。 报告得出结论，甲苯胺蓝在高风险OPMDs和高风险分子克隆中保留，甚至在仅有轻微或不典型增生的病变中也有记录。 而吖啶橙（AO）是一种对核酸具有选择性亲和力的组织化学荧光染料。 在Von Bertalanffy推荐的0.01%浓度和pH 6条件下，DNA发出黄色至白绿色荧光，RNA发出红色荧光。 AO是一种低分子量、弱碱性染料，容易穿透细胞膜。 AO具有异染性，在蓝光（488 nm）激发下发出绿色荧光。 脱落细胞学是一种已被广泛接受用于癌症早期诊断的诊断程序。 共聚焦激光扫描显微镜是一种先进的显微成像技术，在脱落细胞学中识别恶性细胞方面具有良好的敏感性。 该技术的优势在于快速处理和筛查标本，并为临床诊断过程增加了客观性。 吖啶橙染色的共聚焦显微图像在检测OPMDs方面显示出良好的敏感性和特异性（93%）。 人工智能（AI）是计算机科学的一个分支，可以定义为计算机模仿人类认知能力的能力。 AI对应着一系列广泛的技术。 其中，深度学习是一种潜在的颠覆性技术，试图在医学图像中建模高级抽象以确定诊断意义。 深度学习，特别是通过卷积神经网络（CNNs）实现的深度学习，已成为对医学图像中的对象进行分类、检测和分割的常规技术。 人工智能（AI）和机器学习（ML）在牙科领域获得了广泛关注，以实现临床医生的认知功能，如区分、解决问题和学习。 如今，由卷积神经网络（CNN）驱动的计算机辅助诊断系统（CAD）能够检测和分类一些癌性病变。 最近一些关于在口腔癌早期检测、诊断和治疗结果中使用AI的研究得出结论，机器学习技术有潜力基于数据集帮助口腔癌筛查和诊断。 深度和传统学习算法也成功预测了口腔白斑和口腔苔藓样病变的恶性转化。 深度CNNs可以是一种构建内存容量有限的视觉设备以诊断口腔癌的有效方法，而Faster R-CNN模型具有最高的检测性能，AUC为74.34%，并且在CNN分类模型中具有高敏感性和特异性（分别为100%和90%）的分类潜力。 因此，本研究旨在开发一种深度学习算法模型，与专家相比，能够以高准确度、高敏感性和高特异性进行OPMDs的风险评估、检测和分类。