Le cancer de la bouche reste un grave problème de santé mondial en raison de ses taux élevés de morbidité et de mortalité, principalement causés par un diagnostic à un stade avancé. La présence de troubles oraux potentiellement malins (OPMD) offre une opportunité pour une intervention précoce, car ces lésions précèdent le développement d'un carcinome épidermoïde oral. Cependant, la détection et la classification précises des OPMD restent difficiles en raison de leurs diverses présentations cliniques. Les méthodes de diagnostic conventionnelles, y compris l'examen visuel et l'analyse histopathologique, ont des limites telles que la subjectivité, l'invasivité et une forte dépendance à l'interprétation des experts. Ces dernières années, l'intelligence artificielle (IA) et l'apprentissage en profondeur (DL) sont devenues des outils prometteurs en imagerie médicale, offrant des capacités de diagnostic automatisées, objectives et efficaces.
Sommaire
Apprentissage en profondeur dans le diagnostic des OPMD
Divers modèles d'apprentissage en profondeur, en particulier les réseaux de neurones convolutionnels (CNN), ont été appliqués à différentes modalités d'imagerie pour améliorer le diagnostic des OPMD. Ces modèles ont démontré une précision de niveau expert dans la détection et la classification des OPMD à l'aide d'images photographiques cliniques, d'images d'autofluorescence, de cytologie exfoliative, d'histopathologie et d'images de tomographie par cohérence optique (OCT).
- Images photographiques cliniques: Des algorithmes d'apprentissage en profondeur tels que DenseNet-169, RESNET-101 et EfficientNet-B4 ont été utilisés pour analyser des photographies cliniques de lésions orales. Des études indiquent que ces modèles peuvent distinguer les OPMD des lésions bénignes et du cancer de la bouche avec sensibilité et spécificité comparables aux cliniciens experts. L'utilisation de modèles d'imagerie et de DL basés sur smartphone est particulièrement prometteur pour les paramètres limités aux ressources.
- Imagerie d'autofluorescence: L'imagerie d'autofluorescence, qui met en évidence les changements biochimiques dans les tissus buccales, a été améliorée par l'analyse basée sur l'IA. Les modèles d'apprentissage en profondeur formés sur les spectres d'autofluorescence peuvent faire la différence entre la muqueuse normale, les OPMD et les lésions malignes, améliorant la précision diagnostique.
- Cytologie exfoliative: L'analyse assistée par l'IA des images de cytologie exfoliative a été explorée comme un outil de diagnostic non invasif et rentable. Les modèles basés sur CNN ont montré une sensibilité et une spécificité élevées dans l'identification des anomalies cytologiques associées à une transformation maligne.
- Analyse histopathologique: L'examen pathologique reste l'étalon-or pour diagnostiquer les OPMD. Les algorithmes d'apprentissage en profondeur peuvent automatiser l'identification des caractéristiques dysplasiques dans les images histologiques, améliorer la cohérence et réduire la variabilité interobservateur. Les modèles de segmentation tels que le masque R-CNN ont été particulièrement efficaces pour identifier les changements nucléaires indiquant un potentiel malin.
- Tomographie par cohérence optique (OCT): L'OCT fournit une imagerie en temps réel à haute résolution des tissus oraux, facilitant la détection précoce des changements dysplasiques et malins. Les modèles basés sur l'IA ont été formés pour analyser les images OCT, réalisant une précision de diagnostic comparable aux pathologistes.
Apprentissage en profondeur dans la prédiction pronostique des OPMD
Au-delà du diagnostic, des modèles d'IA sont utilisés pour prédire la probabilité de transformation maligne dans les OPMD. Les techniques d'apprentissage automatique, y compris des classificateurs de forêts aléatoires et des modèles de survie tels que Deampsurv, ont été utilisés pour intégrer des données cliniques, histopathologiques et d'imagerie pour évaluer le risque de cancer. Ces modèles fournissent des évaluations des risques individualisées, aidant à la prise de décision clinique et à la gestion des patients.
Défis et orientations futures
Malgré son potentiel, l'application de l'apprentissage en profondeur dans le diagnostic et le pronostic OPMD sont confrontés à plusieurs défis. Il s'agit notamment de la nécessité de grands ensembles de données d'image standardisés, de la variabilité de la qualité de l'image et des limitations d'algorithmes telles que les problèmes de sur-ajustement et d'interprétation. Les recherches futures devraient se concentrer sur le développement de systèmes d'IA multimodaux qui intègrent l'imagerie, les données moléculaires et cliniques pour un diagnostic et un pronostic plus précis et personnalisés des OPMD.
Conclusion
L'apprentissage en profondeur a démontré un potentiel significatif dans l'amélioration du diagnostic et du pronostic des OPMD par diverses modalités d'imagerie. Les approches axées sur l'IA offrent un moyen non invasif, rentable et objectif d'améliorer la détection précoce, améliorant finalement les résultats des patients. Alors que la technologie de l'IA continue de progresser, son intégration dans les flux de travail cliniques peut révolutionner la gestion des OPMD et la prévention du cancer de la bouche.
