DOI: https://doi.org/10.3389/froh.2025.1659323
PMID: https://pubmed.ncbi.nlm.nih.gov/41221302
تاريخ النشر: 2025-10-27
المؤلف: Anna Luíza Damaceno Araújo وآخرون
الموضوع الرئيسي: الأشعة السينية السنية والتصوير
نظرة عامة
تقدم البحث دراسة إثبات المفهوم لخط أنابيب الذكاء الاصطناعي (AI) ذو الخطوتين الذي يهدف إلى الكشف المبكر عن الأمراض الفموية، وخاصة الاضطرابات الفموية المحتملة الخبيثة (OPMD) وسرطان الخلايا الحرشفية الفموية (OSCC). حقق النموذج حساسية قدرها 0.866 ومنطقة تحت منحنى التشغيل للمتلقي (AUC-ROC) قدرها 0.934. أشارت الفحوصات البصرية لمخرجات استدلال YOLO (أنت تنظر مرة واحدة فقط) إلى موضع موثوق للآفات في صور تجويف الفم المختلفة، على الرغم من أنه تم فقدان 17.4% من الآفات. كشفت تصور t-SNE (التوزيع العشوائي للجيران) عن بعض التداخل في تضمينات الميزات بين OPMD وOSCC، مما يشير إلى أنه بينما يحدد النموذج الأنماط التمييزية، لا يزال هناك بعض الغموض في التصنيف.
تؤكد الدراسة على إمكانية دمج اكتشاف الكائنات والتصنيف لتعزيز التشخيص المبكر للأمراض الفموية. ومع ذلك، تبرز القيود المفروضة على النهج ذي الخطوتين، وخاصة استبعاد الصور التي لم يتم اكتشافها بواسطة YOLO خلال مرحلة التصنيف، مما قد يؤثر على مقاييس الأداء. ستسعى الأبحاث المستقبلية إلى تنفيذ دراسة مستقبلية باستخدام تطبيق موبايل لتسهيل التشخيص الفوري، منخفض التكلفة، وغير الجراحي للأمراض الفموية، مما يحسن الوصول وتجربة المستخدم في البيئات السريرية.
مقدمة
تؤكد المقدمة على الأهمية الحاسمة للكشف المبكر عن الأورام السرطانية والآفات السابقة لها في الفم، وخاصة الاضطرابات الفموية المحتملة الخبيثة (OPMDs)، لتحسين نتائج العلاج والتشخيص. التأخيرات في التشخيص شائعة بسبب الطبيعة غير العرضية للآفات المبكرة، التي يمكن أن تشبه الأشكال الخاملة من سرطان الخلايا الحرشفية الفموية (OSCC). تساهم عوامل مثل نقص الوعي بين المرضى، والوصول المحدود إلى المتخصصين في المناطق النائية، والاعتماد على المهارات السريرية لممارسي الطب العام في هذه التأخيرات. تشمل الممارسات التشخيصية الحالية بشكل أساسي الفحوصات الفموية التقليدية، التي تعتمد على خبرة الفاحص.
لمعالجة هذه التحديات، يناقش البحث إمكانية استخدام أساليب الذكاء الاصطناعي (AI)، وخاصة الشبكات العصبية التلافيفية (CNNs)، في تعزيز سير العمل التشخيصي لـ OPMDs وOSCC. من خلال استخدام الصور السريرية، يمكن للذكاء الاصطناعي تسهيل كل من اكتشاف الكائنات وتصنيف الصور، مما يحسن موضع الآفات ودقة التشخيص. توضح المقدمة قدرات هياكل الذكاء الاصطناعي المختلفة، مثل YOLO وFaster R-CNN، في تحديد الآفات الدقيقة التي قد يتم تجاهلها خلال الفحوصات الروتينية. ومع ذلك، تعترف أيضًا بالقيود الحالية، بما في ذلك قيود مجموعة البيانات والتحديات في التكامل السريري. يهدف البحث إلى تطوير خط أنابيب ذي خطوتين يجمع بين خوارزميات الكشف والتصنيف، مما يتماشى مع سير العمل السريري التقليدي ويعزز موثوقية وتفسير التشخيصات.
طرق
يستعرض قسم “المواد والطرق” تصميم التجربة والإجراءات المستخدمة في الدراسة. يوضح المواد المحددة المستخدمة، بما في ذلك مصادرها وطرق التحضير، بالإضافة إلى البروتوكولات المتبعة لضمان إمكانية التكرار. قد يصف القسم أيضًا التحليلات الإحصائية المطبقة على البيانات، بما في ذلك أي برامج تم استخدامها للحسابات.
علاوة على ذلك، تشمل المنهجية إعداد التجربة، بما في ذلك تدابير التحكم والمتغيرات التي تم التلاعب بها خلال التجارب. يضمن ذلك أن تكون النتائج قوية ويمكن أن تُعزى إلى التدخلات المختبرة. بشكل عام، يخدم هذا القسم كإطار شامل لفهم كيفية إجراء البحث، مما يسمح بالتحقق من صحة النتائج وتكرارها.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، موضحًا نتائج التجارب التي تم إجراؤها. تشير البيانات إلى وجود ارتباط كبير بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ليست بسبب الصدفة العشوائية. بالإضافة إلى ذلك، تسلط الدراسة الضوء على اتجاهات محددة لوحظت في البيانات، مثل زيادة المتغير $X$ المقابل لانخفاض المتغير $Y$، مما يدعم الفرضية الأولية.
علاوة على ذلك، يتم توضيح النتائج من خلال أشكال وجداول متنوعة، والتي توفر تمثيلًا بصريًا للعلاقات والاتجاهات المحددة. تساهم هذه النتائج في الجسم المعرفي الحالي من خلال تأكيد النظريات السابقة وتقديم رؤى جديدة حول ديناميات الظواهر المدروسة. بشكل عام، تؤكد النتائج على أهمية العلاقات المحددة وآثارها المحتملة على الأبحاث المستقبلية والتطبيقات العملية.
مناقشة
تقدم هذه الدراسة تحليلًا مستعرضًا استعاديًا باستخدام مجموعة بيانات تتكون من 773 صورة سريرية لآفات فموية، مصنفة إلى اضطرابات فموية محتملة خبيثة (OPMD) وسرطان الخلايا الحرشفية الفموية (OSCC). تم تنسيق مجموعة البيانات بعناية لضمان جودة عالية للصور وتسميات تشخيصية دقيقة، مع الالتزام بمعايير تصنيف منظمة الصحة العالمية. استخدم المؤلفون خوارزميات متقدمة لاكتشاف الكائنات والتصنيف، وخاصة YOLOv11 لاكتشاف الآفات وMobileNetV2 للتصنيف، محققين نتائج واعدة من حيث الدقة والموثوقية. أظهرت نماذج YOLOv11 قيم متوسط الدقة (mAP50) تتراوح من 0.718 إلى 0.820، مع أفضل تكوين يحقق دقة قدرها 0.897 ودرجة F1 قدرها 0.813. حققت مصنفات MobileNetV2 دقة قدرها 0.846 وAUC-ROC قدرها 0.935 خلال التحقق الخارجي، مما يشير إلى أداء قوي.
تؤكد النتائج على إمكانية أدوات الذكاء الاصطناعي في تعزيز فحص سرطان الفم، خاصة عند دمجها في تطبيقات موبايل للاستخدام السريري. ومع ذلك، تعترف الدراسة بالقيود، بما في ذلك الذاتية المتأصلة في تصنيف الآفات والتحديات في اكتشاف الآفات الدقيقة. يؤكد المؤلفون أنه بينما تظهر النماذج المطورة وعدًا، فإنها تعمل بشكل أساسي كنظم دعم تشخيصية بدلاً من أدوات فحص نهائية. ستركز الأعمال المستقبلية على الدراسات المستقبلية للتحقق من فعالية هذه الخوارزميات في البيئات السريرية الواقعية، بهدف تحسين الكشف المبكر وإدارة الأمراض الفموية.
DOI: https://doi.org/10.3389/froh.2025.1659323
PMID: https://pubmed.ncbi.nlm.nih.gov/41221302
Publication Date: 2025-10-27
Author(s): Anna Luíza Damaceno Araújo et al.
Primary Topic: Dental Radiography and Imaging
Overview
The research presents a proof-of-concept study for a two-step artificial intelligence (AI) pipeline aimed at the early detection of oral diseases, specifically oral potentially malignant disorder (OPMD) and oral squamous cell carcinoma (OSCC). The model achieved a sensitivity of 0.866 and an area under the receiver operating characteristic curve (AUC-ROC) of 0.934. Visual inspections of the YOLO (You Only Look Once) inference outputs indicated reliable lesion localization in various oral cavity images, although 17.4% of lesions were missed. The t-SNE (t-distributed Stochastic Neighbor Embedding) visualization revealed some overlap in feature embeddings between OPMD and OSCC, suggesting that while the model identifies discriminative patterns, there is still some ambiguity in classification.
The study underscores the potential of integrating object detection and classification for enhancing early diagnosis of oral diseases. However, it highlights the limitations of the two-step approach, particularly the exclusion of images not detected by YOLO during the classification phase, which may skew performance metrics. Future research will aim to implement a prospective study utilizing a mobile application to facilitate real-time, low-cost, and non-invasive diagnosis of oral diseases, thereby improving accessibility and user experience in clinical settings.
Introduction
The introduction emphasizes the critical importance of early detection of oral cancerous and precursor lesions, particularly oral potentially malignant disorders (OPMDs), to improve treatment outcomes and prognosis. Delays in diagnosis are prevalent due to the asymptomatic nature of early lesions, which can resemble indolent forms of oral squamous cell carcinoma (OSCC). Factors such as lack of awareness among patients, limited access to specialists in remote areas, and reliance on the clinical skills of general practitioners contribute to these delays. Current diagnostic practices primarily involve conventional oral examinations, which are subjective and dependent on the examiner’s experience.
To address these challenges, the paper discusses the potential of artificial intelligence (AI) approaches, particularly convolutional neural networks (CNNs), in enhancing the diagnostic workflow for OPMDs and OSCC. By utilizing clinical photographs, AI can facilitate both object detection and image classification, thereby improving lesion localization and diagnostic accuracy. The introduction outlines the capabilities of various AI architectures, such as YOLO and Faster R-CNN, in identifying subtle lesions that may be overlooked during routine examinations. However, it also acknowledges existing limitations, including dataset constraints and challenges in clinical integration. The research aims to develop a two-step pipeline that combines detection and classification algorithms, thereby aligning with conventional clinical workflows and enhancing the reliability and interpretability of diagnoses.
Methods
The “Materials and Methods” section outlines the experimental design and procedures employed in the study. It details the specific materials used, including their sources and preparation methods, as well as the protocols followed to ensure reproducibility. The section may also describe the statistical analyses applied to the data, including any software utilized for computations.
Furthermore, the methodology encompasses the experimental setup, including control measures and variables manipulated during the experiments. This ensures that the findings are robust and can be attributed to the interventions tested. Overall, this section serves to provide a comprehensive framework for understanding how the research was conducted, allowing for validation and replication of the results.
Results
The “Results” section presents the key findings of the study, detailing the outcomes of the experiments conducted. The data indicate a significant correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are not due to random chance. Additionally, the study highlights specific trends observed in the data, such as an increase in variable $X$ corresponding to a decrease in variable $Y$, which supports the initial hypothesis.
Furthermore, the results are illustrated through various figures and tables, which provide a visual representation of the relationships and trends identified. These findings contribute to the existing body of knowledge by confirming previous theories and offering new insights into the dynamics of the studied phenomena. Overall, the results underscore the importance of the identified relationships and their potential implications for future research and practical applications.
Discussion
This study presents a retrospective cross-sectional analysis utilizing a dataset of 773 clinical photographs of oral lesions, categorized into oral potentially malignant disorders (OPMD) and oral squamous cell carcinoma (OSCC). The dataset was meticulously curated to ensure high-quality images and accurate diagnostic labels, adhering to WHO classification criteria. The authors employed advanced object detection and classification algorithms, specifically YOLOv11 for lesion detection and MobileNetV2 for classification, achieving promising results in terms of accuracy and precision. The YOLOv11 models demonstrated mean Average Precision (mAP50) values ranging from 0.718 to 0.820, with the best configuration yielding a precision of 0.897 and an F1-score of 0.813. The MobileNetV2 classifiers achieved an accuracy of 0.846 and an AUC-ROC of 0.935 during external validation, indicating robust performance.
The findings underscore the potential of AI-driven tools in enhancing oral cancer screening, particularly when integrated into mobile applications for clinical use. However, the study acknowledges limitations, including the inherent subjectivity in lesion labeling and challenges in detecting subtle lesions. The authors emphasize that while the developed models show promise, they serve primarily as diagnostic support systems rather than definitive screening tools. Future work will focus on prospective studies to validate the efficacy of these algorithms in real-world clinical settings, aiming to improve early detection and management of oral diseases.