Uso de cnn em citopatologia bucal : achados preliminares em coloração de papanicolaou

Abstract

Introdução: O monitoramento de pacientes do grupo de risco para o desenvolvimento de carcinoma espinocelular de boca se mostra importante para a detecção de lesões malignas ou de desordens potencialmente malignas em estágios iniciais, melhorando assim seu prognóstico. A citopatologia de boca apresenta potencial significativo de compor um protocolo de rastreamento de câncer bucal, apesar da avaliação de resultados ser um processo manual trabalhoso. O estudo de inteligência artificial (AI) na área da saúde tem contribuído para a produção de resultados de forma rápida e automatizada. O objetivo deste trabalho foi realizar uma comparação preliminar da avaliação quantitativa do padrão de maturação celular de esfregaços orais feita por avaliadores humanos versus um software de convolutional neural network (CNN). Materiais e métodos: Realizou-se coleta citológica de borda de língua de 40 indivíduos sem lesão bucal clinicamente visível, divididos em grupo controle (n = 20) e grupo de exposição a álcool e tabaco (n = 20). Os 20 primeiros campos de todas as lâminas, coradas pela técnica de Papanicolaou, foram capturados. Dois avaliadores humanos e um software de CNN classificaram as células distendidas e não sobrepostas das imagens capturadas de acordo com a avaliação quantitativa de padrão de maturação celular. A concordância entre os resultados da avaliação humana e por CNN foi comparada pelo método estatístico de coeficiente kappa de Cohen. O tempo de trabalho empregado por cada avaliador também foi mensurado. Resultados: O kappa de concordância foi considerado substancial (κ > .600) entre avaliadores humanos. Na comparação entre cada humano e CNN, a concordância variou de mínima a fraca (.200 < κ < .600) em todos os grupos estudados. O tempo de trabalho do programa automatizado, entretanto, foi 133,3 vezes mais rápido em relação à análise citopatológica manual. Conclusão: A concordância entre a avaliação manual e pelo software deve ser melhorada, sendo necessário o treinamento do programa com um número maior de imagens anotadas por especialistas, incluindo células suspeitas e malignas. O processo é trabalhoso, porém o uso de AI em citopatologia bucal se mostra promissor em reproduzir a avaliação humana em menor tempo de trabalho.

Background: The monitoring of patients in the risk group for the development of oral squamous cell carcinoma is important for detecting malignant lesions or potentially malignant disorders in the early stages, thus improving their prognosis. Oral cytopathology has significant potential to compose an oral cancer screening protocol, despite the fact that the evaluation of results is a laborious manual process. The study of artificial intelligence (AI) in healthcare has contributed to the production of results in a fast and automated way. The objective of this study was to compare the quantitative evaluation of the pattern of cell maturation of oral smears performed by human evaluators versus a convolutional neural network (CNN) software. Materials and methods: Smears were collected from the mucosa on the border of the tongue of 40 individuals without clinically visible oral lesions, divided into the control group (n = 20) and the exposed to alcohol and tobacco group (n = 20). The first 20 fields of all the Papanicolaou-stained slides were then captured. Two human evaluators and a CNN machine learning software classified the distended and non-overlapping cells of the captured images according to the quantitative assessment of cell maturation pattern. The concordance between the results of the human and the CNN evaluations was compared using the Cohen’s kappa coefficient statistical method. The working time employed by each evaluator was also measured. Results: The kappa coefficient of agreement was considered substantial (κ > .600) among human evaluators. Comparing humans and CNN, agreement ranged from fair to moderate (.200 < κ < .600) in all studied groups. The working time of the automated system, however, was 133,3 times faster, when compared to the manual cytopathological analysis. Conclusion: The agreement between human evaluators and the software should be improved, but it requires the training of the system with a larger number of images annotated by specialists that also include suspicious and malignant cells. The process is laborious, but the use of AI in oral cytopathology shows promise in reproducing human evaluation in a shorter amount of time.