O JornalDentistry em 2021-8-22
Depois de analisarem estudos publicados sobre o uso da IA com imagens de patologia e radiologia em pacientes com CCE oral, investigadores da Universidade de Hong Kong concluíram que a tecnologia produziu uma boa precisão de classificação.
"O uso bem-sucedido da aprendizagem profunda IA nestas áreas tem uma elevada tradução clínica na melhoria dos cuidados do paciente", escreveram os autores, liderados por Chui Shan Chu e pelo autor sénior Dr. Peter Thomson, PhD.
Nas aplicações de radiologia para o CCE oral, uma rede neural convolucional foi capaz de prever a sobrevivência sem doenças com 80% de precisão, sensibilidade e especificidade a partir de imagens PET, relataram os investigadores. Outra rede neural convolucional mostrou um desempenho mais baixo — 66,9% de sensibilidade, 89,7% de especificidade e 84% de precisão — quando usado no TC para prever a sobrevivência sem doenças.
Um algoritmo de aprendizagem profunda também produziu 90% de sensibilidade para detetar metástase do nódulo linfático a partir de CCE oral em TC.
Além de fornecer previsões de prognósticos, a IA poderia ajudar a facilitar o tratamento personalizado a partir de imagens de TC, de acordo com os investigadores.
Um modelo foi 76% preciso para prever xerostomia, ou boca seca, um efeito adverso da radioterapia causado pela toxicidade. Um outro estudo determinou que a distribuição da dose de radiação é o fator mais crucial para a previsão da toxicidade.
Os investigadores observaram que, tanto quanto sabem, nenhum estudo utilizou a aprendizagem profunda com a Ressonância Magnética IA em aplicações para CCE oral.
Quanto à patologia, a IA tem sido mais frequentemente usada para facilitar o diagnóstico de CCE oral, classificando o tipo de células a diferenciando o tipo de tumor em imagens digitais com marcadores de hematoxylina e de eosina no tecido. Um algoritmo da rede neural convolucional, por exemplo, obteve uma precisão de 96,4% para diferenciar as células cancerígenas entre seis tipos diferentes de células não tumorais. Outro algoritmo foi 84,8% preciso para diferenciar a CCE da cabeça e pescoço do cancro da tiroide e do nódulo linfático metastático do cancro da mama.
Além disso, outros classificadores estratificaram imagens de CCE oral em quatro classes com 97,5% de precisão e imagens classificadas de hematoxilina e de eosina de amostras de tecido oral como normal ou displasia com 89% de precisão. Além disso, um algoritmo foi capaz de prever a sobrevivência com uma precisão média de 80%.
Desempenho de algoritmos de aprendizagem profunda relatados em literatura para CCE oral
Patologia IA algoritmos: 77,9% a 97,5%
Radiologia IA algoritmos: 76% a 94,2%
"Na investigação do cancro oral, em particular a relacionada com o CCE, a aprendizagem profunda IA com o uso de imagens clínicas prontamente disponíveis derivadas de secções patológicas marcadas com hematoxylina e eosina e radiografia baseada em TC é demonstrada com potencial de ajudar a tomar decisões clínicas no que diz respeito ao diagnóstico do cancro, previsão do prognóstico e orientação do tratamento", escreveram os autores.
"Para expandir a aplicação de aprendizagem profunda IA, pode ser usada para inferir informação sobre biologia tumoral com base nas alterações de nível de expressão ou mutações de moléculas dirigidas para a imunoterapia e terapia direcionada", consideram os autores do estudo.
Fonte: Oral Cancer Foundation / www.auntminnie.com
Translate:
