לדברי מחברי המאמר, סרטן הפה הינה מחלה קטלנית הקשורה למספר גורמי סיכון, כולל צריכת אלכוהול, עישון טבק, לעיסת אגוזי אריקה (לעיסת בטל קוויד) ועוד. בשנת 2020, הסוכנות הבינלאומית לחקר הסרטן (IARC – International Agency for Research on Cancer) דיווחה על 377,713 מקרים חדשים של סרטן הפה ברחבי העולם, שהיו קשורים ל-177,757 מקרי מוות. בשל האבחון המאוחר והאפשרויות הטיפוליות המוגבלות במדינות מתפתחות, שיעורי ההישרדות משתנים ממדינות מפותחות למדינות מתפתחות. סרטן הפה הוא הגורם המוביל במקרי מוות הקשורים לסרטן בקרב גברים בהודו, ושכיחותו גבוהה בדרום מרכז אסיה ובמלזיה, בשל הפופולריות של לעיסת אגוזי אריקה ( בטל קוויד). בערך 90 אחוזים מהמתרפאים עם סרטן הפה מאובחנים עם קרצינומה של תאי קשקש, שמקורה באפיתל רירית הפה. לחולי קרצינומה של תאי קשקש ישנם נגעים ברירית הבוקאלית, הלשון, השפה, החניכיים והחך. מכיוון שהתסמינים הראשוניים אינם בולטים והמחלה מתקדמת במהירות, הרי שקרצינומה של תאי קשקש בפה נחשבת ל"רוצח שקט" משום שלעיתים קרובות היא נותרת בלתי מזוהה עד לשלבים מאוחרים, כאשר הפרוגנוזה עלולה להיות גרועה יותר. ביופסיית רקמות הינה טכניקה המשמשת כאמת מידה לאבחון קרצינומה של תאי קשקש הפה. אחד מסימני ההיכר של המחלה הוא חדירת הגידול דרך הממברנה הבזאלית.
מטרה
במחקר הנוכחי שאפו החוקרים לפתח מודל למידה עמוקה וכן לאמן, לאמת ולבדוק את המודל באמצעות סט נתונים גדול של תמונות היסטופתולוגיה בצביעת המטוקסילין-אאוזין על מנת לאבחן במדויק את מצבי הקרצינומה של תאי קשקש הפה ללא כל התערבות אנושית. החוקרים שיערו כי מערכת של בינה מלאכותית יכולה להאיץ את האבחון, ולהפוך אותו למדויק יותר.
המחקר הינו חדשני במספר תרומות קליניות. ראשית, רוב יישומי הבינה המלאכותית הינם מוגבלים על ידי הנתונים הזמינים, במיוחד בפתולוגיה של הפה. אי לכך, התמקדו החוקרים באיסוף המדגם הגדול ביותר האפשרי תוך פרק זמן ריאלי. שנית, ייחודו של המחקר הנוכחי הינו בכך שפתולוגים בכירים ופתולוגים זוטרים נכללו בניסויים לצורך אימות ידני. לבסוף, החוקרים מצאו כי שיטות הלמידה העמוקה השפיעו על הערכות האבחון של הפתולוגים הזוטרים ושל הבכירים בדרגות שונות. החוקרים פיתחו מודל למידה עמוקה בהתאמה אישית על מנת לסייע לפתולוגים באיתור מצבי קרצינומה של תאי קשקש של הפה מתמונות היסטופתולוגיות. הם אספו וניתחו בסך הכל 2,025 תמונות, מתוכן 1,925 תמונות נכללו בערכת ההדרכה ו-100 תמונות נכללו בערכת הבדיקות. המודל הצליח להעריך באופן אוטומטי תמונות אלו ולהגיע לאבחנה עם רגישות של 0.98, ספציפיות של 0.92, ערך ניבוי חיובי של 0.924, ערך חיזוי שלילי של 0.978, וציון F1 (F – הממוצע ההרמוני בין דיוק לאחזור) של 0.951. באמצעות תת-הקבוצה של 100 תמונות, בדקו החוקרים האם המודל יכול לשפר את הביצועים האבחוניים של פתולוגים זוטרים ובכירים. החוקרים מצאו כי פתולוגים זוטרים הצליחו לשרטט את הקרצינומה של תאי קשקש הפה בתמונות אלו ב- 6.26 דקות מהר יותר בסיוע המודל, מאשר כאשר הם פועלים לבד. כאשר הקלינאים נעזרו במודל, ציון F1 הממוצע שלהם השתפר מ-0.9221 ל-0.9566 במקרה של פתולוגים זוטרים ומ-0.9361 ל-0.9463 במקרה של פתולוגים בכירים.
מסקנות
מסקנת מחברי המאמר הינה כי על פי הממצאים, למידה עמוקה עשויה לשפר את הדיוק והמהירות של אבחון.
Yang SY, Li SH, Liu JL, et al. Histopathology-based diagnosis of oral squamous cell carcinoma using deep learning. J Dent Res 2022. doi:10.1177/00220345221089858