Рак языка плоскоклеточный фото: симптомы, диагностика, лечение, стадии и профилактика онкологии

Содержание

внешний вид, причины, лечение, фото

При хирургическом лечении карциномы in situ обычно достаточно сделать небольшой отступ от границ опухоли для полного её удаления. Если поражения носят множественный характер или расположены в труднодоступных для хирургического лечения местах, то можно использовать имиквимод («Вартоцид», «Керавот») — это иммуномодулятор с противовирусной активностью. Имиквимод применяется в виде 5% крема для лечения актинического кератоза, базальноклеточной карциномы и генитальных бородавок у людей.

В одном исследовании имиквимод применяли для лечения болезни Боуэна или карциномы in situ у 12 кошек. Лечение проводили через день или три раза в неделю (наблюдался одинаковый эффект). У всех животных наблюдался выраженный ответ на проводимое лечение, однако у 9 животных со временем появились новые поражения, которые тоже хорошо отвечали на лечение имиквимодом. Из побочных эффектов у трех кошек отмечалось шелушение и эритема кожи, а у одной нейтропения и повышение активности щелочной фосфатазы, которые прошли после отмены препарата (Gill VL. et. al., 2008).

Имиквимод был использован для лечения индуцируемого солнечным светом плоскоклеточного рака ушной раковины у одной кошки кошки, по аналогии с лечением солнечного кератоза у людей (Peters-Kennedy K. et. al., 2008; Samaro A. et. al., 2013). Однако существует много вариантов лечения такой формы ПКР у кошек, которые обладают определенной эффективностью: хирургическая резекция, фотодинамическая терапия, криодеструкция, диатермия, плезиотерапия и облучение. Выбор лечения зависит от места расположения опухоли, стадии заболевания и возможностей врача, клиники и владельцев.

Если опухоль распологается в области ушной раковины, то обычно хирургическая операция является методом выбора. Для достижения адекватных границ резекции рекомендовано делать отступ 1 см от границ опухоли. Для лучшего заживления раны необходимо сшить кожные края над ушным хрящом.

При локализации опухоли в области век необходимо сделать отступ в 4-5 мм от видимых краев опухоли (Ayres SA. et. al., 2012). Удаление опухоли в этом месте часто требует пластической реконструкции дефекта века, что иногда бывает не самой простой задачей. В одном исследовании при соблюдении рекомендованных границ резекции у кошек с ПКР в области век, медиана безрецидивного периода составила 319 суток (от 95 до 1510 суток)(Schmidt K. et. al., 2005). В другом исследовании у 5 из 6 животных безрецидивный период составил более 12 месяцев (Hunt Gd. 2006).

Выбор лечения для опухолей в области носового зеркала зависит от стадии заболевания первичной опухоли. Инвазивные опухоли в стадии T3 или T4 могут неплохо поддаваться лечением при помощи лучевой терапии. Наиболее эффективный способ полностью вылечить рак в этом месте — это удалить опухолевую ткань с минимальным отступом в 5 мм от границ новообразования, что подразумевает под собой полное удаление носового зеркала. Эта операция приводит к косметическому дефекту, однако не нарушает значимо функцию дыхания и качество жизни животного. Более поверхностные опухоли в стадии Tis или T1-3 могут успешно поддаваться лечению при помощи фотодинамической терапии, криохирургии, плезиотерапии стронцием-90 и облучения (Bexfield NH., et. al. 2008; Buchholz J. et al., 2007; Lana SE. et al., 1997, Clarke RE. 1991; Jarrett RH. et. al., 2013; Goodfellow M. et al., 2006; Hammond GM. et al., 2007; Theon AP. et al., 1995; Melzer K. et al., 2006).

При фотодинамической терапии (ФДТ) используется препарат-фотосенсибилизатор, которой поглощается опухолевыми клетками. Действующее вещество активизируется волной света определенной длинны, что приводит к гибели клеток с минимальным воздействием на окружающие ткани. В одном исследовании местное применение фотосенсибилизирующего крема или 5-аминолевулиновой кислоты привело к 85% ремиссии у 55 кошек, рецидив отмечался в 51% случаев, а безрецидивный период составил 157 суток (Bexfield NH., et. al. 2008). В другом исследовании 61 кошки с ПКР кожи ФДТ с внутривенным введением фотосесибилизатора привело к ремиссии у 49% животных (у 61% был годовалый контроль за заболеванием), а в другом исследовании 18 кошек отмечалась 100% ремиссия и годичный контроль за заболеванием у 75% животных (Buchholz J. et al., 2007). Проблема фотодинамической терапии заключается в ограниченной способности проникновения лучей и данное лечение подходит больше для поверхностных новообразований (во всех исследованиях лучший результат был получен при поверхностных новообразованиях).

При использование криохирургии были получены различные результаты, что связано со сложностью оценки точных границ воздействия. Наилучшие результаты были получены при поверхностных новообразованиях (стадии T1-T2). Безрецидивный период составил 254 дня в исследовании 11 кошек с ПКР в области носового зеркала и ушных раковин (Lana SE. et al., 1997). В другом исследовании на 102 кошках медиана ремиссии составила 26,7 месяцев, опухоли расположенные в области носового зеркала и век лучше всех отвечали на лечение (Clarke RE. 1991).

В одном исследовании, проведенным в Новой Зеландии, у 34 кошек с патологиями, поражающими менее 50% носового зеркала, лечили при помощи кюретажа и диатермии в течение трех циклов. У 16 животных были актинические изменения, у 9 карцинома in situ и у остальных полноценный плоскоклеточный рак. У 94% животных безрецидивный период составил больше года (Jarrett RH. et. al., 2013).

Плезиотерапия стронцием-90 — это успешная и косметичная терапия для плоскоклеточного рака в стадии Tis, T1 и T2, так как бета-лучи проникают в ткани всего на несколько миллиметров. В одном исследовании у 13 из 15 кошек медиана продолжительности жизни составила 692 дня, а двое животных, которые не отвечали на лечение, среагировали на него после второго курса (Goodfellow M. et al., 2006). В другом исследовании 88% животных отреагировало на лечение с медианой продолжительности жизни в 1071 сутки (Hammond GM. et al., 2007).

Лучевая терапия (ортовольтная, мегавольтная, электронная и протонная терапия) также исследовалась у кошек с ПКР носового зеркала с одинаковым успехом. Кошки с ПКР в T1 стадии имели 85% шансы выживания больше 1 года, по сравнению с животными с T3 стадией заболевания, среди которых больше 1 года проживало 45% животных (Theon AP. et al., 1995). В другом исследовании 16 из 17 кошек с T1-2 стадией заболевания имели медиану безрецидивного периода в 414 суток. В этом исследовании использовались электроны (10 фракций по 4.8 Гр в течение 5 суток, общая доза 48 Гр) (Melzer K. et al., 2006). 

Есть публикации об использовании химиотерапии у кошек с ПКР в монорежиме или в сочетании с лучевой терапией. В одном исследовании животные с T2-T4 стадией заболевания проходили лечение с внутриопухолевым введением карбоплатина и ортовольтной терапией. Все животные ответили на лечение, а безрецидивный период составил 52-562 дня (4 из 6 животных были в ремиссии в момент написания статьи)(de Vos JP. et al., 2004). В другом исследовании 7 из 9 животных при лечении электрохимиотерапией и внутриопухолевым введением блеомицина имели ремиссию до 3 лет (Spugnini EP. et al., 2009).

Иммуногистохимические исследования выявили экспрессию рецепторов к ЦОГ-2 в клетках кожной плоскоклеточной карциномы, однако ее роль до конца не понятна (Bardagi M. et al., 2012).

Хирургическое лечение метастаза рака языка в сонную артерию

Клинический диагноз: метастатическая инвазия бифуркации левой ОСА. Плоскоклеточный рак языка, рецидив. Вторичное метастатическое поражение лимфоузла шеи слева. Состояние после комбинированного лечения в 2009 г.: дистанционная лучевая терапия (суммарная очаговая доза 32 Гр) + гемиглоссэктомия по поводу рака левой половины языка. В 2011 г. — операция Крайля слева, в 2012 г. — микрохирургический невролиз плечевого сплетения по поводу метастазов в лимфоузлах шеи слева. Гипертоническая болезнь III стадии. Конкремент левой почки, киста левой почки. Вторично сморщенная левая почка. Атрофический гастрит.

При поступлении предъявляет жалобы на тянущие боли в области шеи слева, косметический дефект, периодические подъемы АД до максимальных цифр 180/100 мм рт.ст. 

Считает себя больным с 2009 г., когда впервые отметил появление опухолевого образования на боковой поверхности языка. Самостоятельно обратился в МНИОИ им. Герцена в июле 2009 г. в связи с быстрым ростом данного образования. При обследовании диагностирован плоскоклеточный рак левой половины языка. Пациенту в 2009 г. выполнено комбинированное лечение: дистанционная лучевая терапия (суммарная очаговая доза 32 Гр), левосторонняя гемиглоссэктомия с радиочастотной аблацией, верхняя шейная лимфодиссекция с перевязкой наружной сонной артерии. Далее находился под динамическим наблюдением. В 2011 г. отметил появление опухоли средней трети шеи слева. Повторно обратился в МНИОИ им. Герцена. Данные цитологического исследования (пункция лимфоузла шеи слева): метастаз плоскоклеточного ороговевающего рака. В мае 2011 г. проведено хирургическое лечение — операция Крайля слева с пластикой местными тканями. В мае 2012 г. отмечен рецидив метастаза, выполнена повторная операция на лимфатических путях шеи слева, микрохирургический невролиз плечевого сплетения. В октябре 2012 г. на боковой поверхности шеи слева появилось быстро растущее образование. Госпитализирован в университетскую клиническую больницу №1 Первого МГМУ им. И.М. Сеченова для хирургического лечения.

При осмотре кожа бледно-розового цвета, отмечается покраснение в области головы, шеи и надплечья, рубцы на шее слева, переходящие в надключичную область. Визуализируется объемное образование размером 3×4×4 см, с гиперемией, спаянное с окружающими тканями, безболезненное (рис. 1).Рисунок 1. Внешний вид пациента до операции. Стрелкой отмечено образование на шее.

УЗИ шеи, над-, подключичных областей, брюшной полости, забрюшинного пространства (19.11.12): в правой подчелюстной области по ходу сосудистого пучка справа, в правой надключичной области патологические очаговые образования не выявлены. В нижней трети шеи слева на фоне рубцовых изменений лоцируется узловое образование размером 55×33×30 мм с нечетким контуром, солидной структуры с полостью размером 20×20 мм в медиальной части. Образование охватывает на 2/3 общую сонную артерию на протяжении 25 мм, без четкой границы. Хрящи гортани интактны. Надключичные, подключичные лимфоузлы не увеличены. По средней линии шеи сзади ниже подъязычной кости определяется кистозное образование размером 19×10 мм. Печень увеличена, размер ее правой доли 18 см, контур ровный, структура паренхимы повышенной эхогенности, без очаговых образований. Желчный пузырь, поджелудочная железа без особенностей. Почки расположены типично, правая имеет нормальные размеры и структуру. Левая размером 70×40×30 мм с нечетким контуром, паренхима 6 мм, уплотнена. Чашечно-лоханочная система не расширена. В средней трети почки паренхиматозная киста диаметром 20 мм. В нижней чашке конкремент размером 15×8 мм. Кровоток в почке резко снижен. Мочеточник не прослеживается. В парааортальной, в подвздошных, в паховых областях патологически измененные лимфоузлы не выявлены. Заключение: ультразвуковая картина вторично-измененного лимфоузла нижней трети шеи слева с вовлечением общей сонной артерии. Срединная киста шеи. Вторично-сморщенная почка, конкременты и киста левой почки.

11.12.12 была выполнена операция: удаление метастаза лимфоузла шеи слева с резекцией и протезированием ОСА (акад. РАМН Ю.В. Белов, д.м.н. Р.Н. Комаров).

Под эндотрахеальным наркозом иссечена кожа над опухолевым образованием размером 5×4×5 см. При ревизии обнаружен выраженный адгезивный процесс, в опухолевый инфильтрат вовлечен левый блуждающий нерв. При дальнейшей ревизии отмечено, что опухоль интимно спаяна с переднелатеральной стенкой ОСА с переходом на внутреннюю сонную артерию (ВСА). Выделена ОСА ниже опухолевого узла, бифуркация ОСА, культя наружной сонной артерии (НСА), ВСА проксимальнее опухолевого узла

(рис. 2, а).Рисунок 2. Интраоперационные фотографии. а — метастатическая инвазия общей сонной артерии. Стрелкой отмечен метастаз, инвазирующий общую сонную артерию. Пульсация ВСА удовлетворительная. Выполнено прямое измерение АД в ВСА, ретроградный кровоток признан неудовлетворительным. Принято решение использовать внутрисосудистый шунт. Гепарин 5000 ЕД. Наложены зажимы на ОСА, ВСА, НСА. Произведено удаление единым блоком опухолевого узла с участком ОСА и левого блуждающего нерва. Установлен внутрисосудистый шунт, пущен кровоток по шунту. Сформирован проксимальный анастомоз синтетического протеза «Васкутек» 8 мм с ОСА нитью пролен 5/0. Сформирован дистальный анастомоз на уровне бифуркации ОСА нитью пролен 5/0, профилактика воздушной эмболии. Удаление шунта. Снятие зажима с ОСА, НСА, ВСА, пуск кровотока
(см. рис. 2, б).
Рисунок 2. Интраоперационные фотографии. б — конечный результат реконструкции. Анастомозы герметичны. Пульсация реконструированного участка сосуда отчетливая. Гемостаз. Послойное ушивание раны.

Зажим на ВСА — 30 мин, длительность операции 3 ч 15 мин. Кровопотеря 400 мл. 

Необходимо отметить, что опухоль прорастала стенку ОСА на 2/3 диаметра. Соответственно нижняя поверхность была не спаяна с окружающими тканями и не требовала дополнительного выделения.

Послеоперационный период протекал без особенностей, косметический эффект после операции удовлетворительный

(рис. 3).Рисунок 3. Внешний вид пациента после хирургического лечения. Пациент был выписан на 8-е сутки после операции с рекомендацией дальнейшего наблюдения у онколога.

В отечественной литературе мы не нашли подобных клинических наблюдений. В современной онкохирургии инвазия магистральных артерий не является ограничением для выполнения хирургической реконструкции [1], более того, лишь «агрессивная» хирургия с удалением всего инвазирующего артериальный сосуд опухолевого конгломерата единым блоком позволит считать операцию радикальной.

Отдаленные результаты подобных реконструкций можно будет достоверно оценить лишь при достаточном количестве наблюдений.

Рак языка

Рак языка – опасное злокачественное образование, формируемое в плоскоклеточном эпителии поверхности языка.

В большинстве случаев опухоль начинает развиваться на боковой поверхности языка и на его кончике, постепенно захватывая новые области.

Опухоль может быть обнаружена пациентом самостоятельно во время чистки зубов, на приеме у стоматолога, либо при плановом медицинском обследовании.

 

Факторы, способствующие появлению рака языка: курение, жевание никотиновых жвачек и табака, злоупотребление алкогольными напитками, наследственные факторы и некоторые персональные болезни, вирус папилломы, который в последнее время является ведущей причиной появления злокачественных новообразований гортани, языка и слизистой оболочки рта, воспаление десен.

 

Симптомы болезни: появление красных и белых пятен на поверхности языка, боль в горле при приеме пищи, нарушения в речи, возникновение неприятных ощущений при разговоре, боли в области уха, увеличение размеров шейных лимфатических узлов, неприятный запах изо рта. 

МЦ «Медмаген» проводит лечение и обследование рака языка в лучших больницах Израиля. Для подтверждения или исключения диагноза в первую очередь проводится тщательная диагностика. Современное оборудование израильских клиник позволит обнаружить рак языка на самой ранней стадии. 

Диагностика:

  • Консультация онколога
  • Развернутый анализ крови, полный биохимический анализ крови, онкомаркеры.
  • ПЭТ КТ для выявления метастазирования и размеров опухоли
  • МРТ головы и шеи
  • Повторная ревизия биопсии (слайды и блоки из России)
  • Консультация ЛОР – хирурга

Опция: новая биопсия

Продолжительность обследований 3-4 рабочих дня. 

 

Лечение:

  • Хирургическая операция: полная (глоссэктомия) или частичная (гемиглоссэктомия) резекцию языка.+
  • Оперативное лечение
  • Лучевая терапия
  • Химиотерапия

 

Лечащие врачи:

Профессор Дан Флис – заведующий отделением отоларингологии, хирургии головы, шеи и челюстно-лицевой хирургии в больнице Ихилов-Сураски, Тель-Авив. Признанный специалист в области онко-хирургии основания черепа, полости рта, щитовидной и паращитовидной желез, хирургии лица, горла и челюстно-лицевой хирургии. Автор уникальных методов в применении эндоскопических технологий, которые широко применяются при операциях в данной области.

Доктор Ави Хейфиц — заведующий Лор — отделением больницы Ассута. Ведущий специалист в Израиле по онкологическим операциям головы, шеи, щитовидной железы, челюстей, неба, языка, горла и слюнной железы. Совместно с пластическим и челюстно-лицевым хирургом проводит сложней.

Др.Светлана Залманова — заведующая отделением лучевой терапии в больнице Ассута, Тель-Авив. Признанный специалист в области онкологии и радиологии доброкачественных и злокачественных опухолей различной локализации: шеи, щитовидной железы, горла, органов полости рта, губ, молочной железы ,головного мозга, предстательной железы.

Плоскоклеточный рак полости рта, основанный на количественной гистоморфометрической классификации изображений ядерной морфологии, может стратифицировать пациентов для выживаемости по конкретному заболеванию плоскоклеточная карцинома была идентифицирована из клинических баз данных, одобренных Управлением по защите исследований человека в области радиационной онкологии и отоларингологии, хирургии головы и шеи.База данных радиационной онкологии представляла собой утвержденную коллекцию пациентов, которых лечил один онколог-радиолог. База данных Otolaryngology Head and Neck Surgery также была утвержденной Управлением по защите прав человека коллекцией пациентов, которых лечил один хирург, и все они были пролечены трансоральной лазерной хирургической резекцией. Дополнительные случаи были собраны путем поиска текстовых слов в центральной базе данных патологии. Случаи были с 1997 по 2010 год, и все они были первичными раковыми заболеваниями, которые ранее не лечились.Первоначально было 118 пациентов, но трое дополнительных пациентов были позже исключены из-за дополнительной информации о последующем наблюдении о том, что опухоли фактически рецидивировали после предшествующего лечения, в результате чего осталась окончательная группа из 115 пациентов. Слайды из каждого случая были рассмотрены патологом-исследователем (JSL), и было подтверждено, что это плоскоклеточная карцинома. Были исключены определенные типы вариантов, такие как базалоидный, аденосквамозный, веррукозный, веретеноклеточный и папиллярный. Два или четыре 2-мм штампа (в зависимости от количества опухоли в донорских блоках) из каждой опухоли были получены для построения массива, включая передний край и центральную опухоль, где это возможно.После компиляции клинической и патологоанатомической информации, включая 7-е издание Американского объединенного комитета по раку (AJCC), защищенная медицинская информация

39 была удалена из базы данных. Все пациенты в исследуемой когорте явно имели первичные поражения полости рта на основании клинических и патологоанатомических данных. Опухоли ротоглотки или других первичных локализаций не были включены. Мы также не включали пациентов с первичными опухолями губы.

Слайды были отсканированы в цифровом виде на цифровом сканере Aperio Scanscope XT при 40-кратном увеличении с разрешением 0.25  мкм м на пиксель. Каждой опухоли в массиве был присвоен кодовый номер для совместного использования со ссылкой на фактические данные пациента, известные только патологу-исследователю. Для анализа изображений патологоанатом выбрал для использования один из центральных образцов опухоли диаметром 2 мм (т. е. те образцы на предметных стеклах, на которых была наиболее и лучше всего представлена ​​опухоль).

Затем вся когорта была разделена на два набора: один для моделирования («набор для моделирования») и разработки классификатора и один для проверки («набор для тестирования»).Для выбора 50 пациентов, составивших набор для моделирования, использовался генератор случайных чисел. Затем тестовая выборка состояла из оставшихся 65 пациентов, которые не были включены в выборку для моделирования. В наборе для моделирования тканевые микрочипы были обозначены S + или S в зависимости от того, умер ли пациент от рецидива или персистирующего заболевания во время последующего наблюдения, соответственно («выживаемость, специфичная для заболевания»). ‘). Эти обозначения использовались для обеспечения основы для анализа признаков и разработки классификатора.Для набора тестов бинарный классификатор был запущен без каких-либо сведений о смерти пациента или статусе болезни.

Анализ изображений

Обнаружение и сегментация ядер

Отдельные ядра опухоли и промежуточной/окружающей стромы автоматически отделялись от фона с использованием метода ядерной сегментации на основе водораздела 21, 22, 23 при 40-кратном увеличении (0,25  разрешение µ м/пиксель). Автоматическая сегментация учитывает данные интенсивности/градиента для каждого ядра, чтобы можно было выделить границы клеток для последующего выделения признаков (рис. 2).

Извлечение признаков

Процесс выделения локального совпадения морфологических признаков включал следующие этапы. (1) Мы идентифицировали локальные кластеры клеток на основе порога расстояния, где все ядра на фиксированном расстоянии друг от друга были отнесены к одному и тому же кластеру (дополнительная информация представлена ​​в разделе «Дополнительные материалы»). (2) Мы извлекли в общей сложности семь характеристик размера, формы и текстуры для каждого ядра в каждом из клеточных кластеров. Двумя характеристиками размера ядра были площадь и длина большой оси наиболее подходящего эллипса для этого ядра. 24 Тремя особенностями формы ядер были ядерный эксцентриситет, плотность и эквивалентный диаметр. 15 Два дескриптора текстуры представляли собой среднюю интенсивность внутри и непосредственно за границей ядра. 19 (3) Чтобы определить сходство признаков между сгруппированными ядрами, мы вычислили матрицу совместного появления для каждого из 7 выделенных ядерных признаков. Матрица совпадения позволяет фиксировать частоту совпадения различных признаков для разных ядер на графиках кластеров клеток.Интуитивно понятно, что если все ядра идентичны по внешнему виду, матрица совпадения равна 1 × 1. С другой стороны, чем больше разнообразие атрибутов, тем больше матрица совпадения. Мы дискретизировали ядерные морфологические признаки по каждому измерению признаков и создали матрицу совпадения для каждого графа кластеров клеток. Интуитивно, операция дискретизации распределяет ядра по подклассам. (4) Затем мы извлекли статистику второго порядка, например, энтропию, из каждой матрицы совместного появления.(5) Статистические данные первого порядка (среднее значение, медиана, стандартная производная, асимметрия и эксцесс) затем использовались для суммирования основного распределения признаков всех графиков кластеров клеток для каждого изображения пятна микрочипа ткани (дополнительные подробности представлены в разделе «Дополнительные материалы»). Таким образом, интуитивно понятно, что если наблюдаются более высокие значения энтропии, это предполагает большее разнообразие морфологических особенностей сокластеризованных ядер, причем обратное верно для более низких значений энтропии.

На рис. 1 показан рабочий процесс построения и оценки классификатора.Локальное совпадение карт морфологических признаков для двух репрезентативных случаев S и S + показано на рисунке 2. Каждое из цветовых пятен, наложенных на исходное изображение пятна микрочипа ткани, представляет собой локальный кластер клеток, в котором цвет патча представляет нормализованное значение для анализируемого объекта. Размер каждого патча отражает размер локального кластера ячеек. В третьем и четвертом столбцах показаны количественные признаки гистоморфометрии, которые фиксируют дисперсию ядерной текстуры и формы соответственно.Синий и желтый цвета представляют собой нижнюю и верхнюю границы значения данного признака.

Рисунок 1

( a ) Иллюстрация процедуры выбора пациентов для моделирования и тестирования. ( b ) Блок-схема анализа изображений пятен тканевого микрочипа.

Рисунок 2

Иллюстрация карты признаков количественной гистоморфометрии. В первом столбце ( a , e ) показаны окрашенные H&E изображения опухолей из групп S (без смерти от конкретного заболевания) и S + (смерть от конкретного заболевания).Контуры сегментированных ядер (показаны зелеными границами) показаны во втором столбце ( b , f ) с графиками кластеров клеток. Линии представляют собой соединительные ребра между ядрами. В третьей ( c , g ) и четвертой ( d , h ) колонках показаны количественные гистоморфометрические характеристики, которые фиксируют различия в ядерной текстуре и форме соответственно. Синий и желтый цвета представляют низкие и высокие значения характеристик. Случай S + показывает более широкий диапазон значений, чем случай S .

Выбор признаков

Три различных метода выбора признаков были реализованы для выбора локального совпадения морфологических признаков, наиболее коррелирующих с результатами выживания в наборе моделирования. Были рассмотрены три метода выбора признаков: (1) минимальная избыточность, максимальная релевантность 25 (2) критерий суммы рангов Уилкоксона и (3) случайный лес. 26 Каждый метод применялся в сочетании с трехкратной схемой перекрестной проверки и выполнялся более 100 итераций в наборе для моделирования, чтобы определить локальное совпадение морфологических признаков, которые максимально отличали два класса (S + и S ), сводя к минимуму корреляцию внутри признаков.Были идентифицированы пять наиболее часто выбираемых признаков, которые были отображены с использованием диаграмм «ящики и усы» для сравнения выраженности признаков между пациентами S + и S . Мы ограничили количество функций пятью, чтобы избежать переобучения модели и проблемы проклятия размерности, проблемы, связанной со слишком большим количеством функций по отношению к количеству обучающих примеров.

Конструкция классификатора

Четыре различных классификатора машинного обучения, линейный дискриминантный анализ, квадратичный дискриминантный анализ, метод опорных векторов и случайный лес были реализованы в сочетании с пятью основными функциями, определенными с использованием различных схем выбора функций.Классификаторы машинного обучения оценивались в ходе 100 итераций трехкратной перекрестной проверки в наборе для моделирования. Затем мы определили наиболее эффективную комбинацию схем выбора функций классификатора на основе площади под значениями кривой рабочих характеристик приемника (ROC) (AUC), полученными на обучающем наборе. Эта наиболее эффективная комбинация выбора и классификации признаков была обозначена как классификатор изображений на основе гистоморфометрии плоскоклеточного рака полости рта (OHbIC или «классификатор»).

Для каждого изображения, соответствующего тестовому набору, каждый машинный классификатор присвоил вероятность повторения. Затем эта вероятность была ограничена порогом на разных уровнях от 0 до 1, таким образом, каждому тестовому экземпляру была присвоена категория S + или S для каждого порога. Затем предсказанные метки для каждого классификатора сравнивались с метками истинности (истинными исходами для пациентов) для определения точности и показателей производительности AUC.

Анализ выживаемости

Связи между результатами бинарного классификатора и другими категориальными клиническими и патологическими переменными определяли с помощью двустороннего точного критерия Фишера.Для возраста использовали неравную дисперсию Уэлча t -критерий. Общая выживаемость определялась как временной интервал между началом лечения (либо датой хирургической резекции, либо, если лечили только нехирургически, датой начала лучевой и/или химиотерапии) и датой смерти от любой причины. Болезнеспецифическую выживаемость определяли как временной интервал между началом лечения и датой смерти у пациентов с известным рецидивом опухоли в организме на момент смерти.Метод предельного произведения Каплана-Мейера (КМ) использовался для оценки эмпирических вероятностей выживания, как показано на кривых КМ. Для изучения различий в выживаемости применялись тесты логарифмического ранга, указывающие на значимость категориальной переменной, являющейся прогностической для конечной точки выживания. Многомерные модели пропорциональных рисков Кокса также использовались для исследования независимой прогностической способности переменных после учета других клинических и патологических переменных. Были представлены отношения рисков, соответствующие 95% доверительные интервалы и P -значения из тестов Вальда.Все тесты были двусторонними с уровнем значимости 0,05. Все анализы проводились с использованием статистического программного обеспечения Stata v14 (http://www.stata.com/).

Информационный бюллетень о плоскоклеточной карциноме полости рта кошек

Плоскоклеточная карцинома полости рта — неприятное заболевание у кошек. Часто эти опухоли не идентифицируют до тех пор, пока поражение не значительно прогрессирует с сопутствующими болями в полости рта и неприятным запахом изо рта из-за бактериальной инфекции.

Что такое плоскоклеточный рак полости рта?

Плоскоклеточный рак полости рта — это рак, возникающий из клеток, вырабатывающих слизистую оболочку рта и горла, включая десны, язык, щеки и миндалины.Этот рак имеет способность инвазивно прорастать в окружающие ткани, и видимая часть опухоли слишком часто является всего лишь верхушкой айсберга.

Презентация

Средний возраст диагностики этого заболевания составляет 11-12 лет, хотя оно было описано у кошек в возрасте от 2 до 18 лет.Жалобы обычно включают деформацию лица, расшатывание зубов, потерю веса и неприятный запах изо рта. Другие, более тонкие признаки включают боль в полости рта и подтекание. На фото 1 показано поражение ротовой полости пациента, единственной жалобой которого было незначительное снижение аппетита.

Справа: Оральная эозинофильная гранулема во рту кошки. Важный дифференциальный диагноз плоскоклеточного рака полости рта кошек.

Ротовая полость может поражаться и другими состояниями, которые могут напоминать плоскоклеточный рак, например комплекс эозинофильной гранулемы, см. рисунок 2.Конечно, существует бесчисленное множество других причин воспаления полости рта, которые также следует сбрасывать со счетов.

Справа: инвазивная плоскоклеточная карцинома ротовой полости кошек (любезно предоставлено Джоном Слэттери).

Варианты лечения онкологических заболеваний кошек и прогноз

К сожалению, в настоящее время прогноз для этих кошек обычно плохой, независимо от лечения.Было изучено множество различных методов лечения, включая радикальную хирургию, химиотерапию, лучевую терапию, гипертермию, криотерапию, противовоспалительную терапию и их комбинации. Согласно исследованиям, средняя продолжительность жизни составляет от 1,5 до 3 месяцев. В некоторых случаях опухоль возникает в месте, поддающемся хирургическому удалению; обычно это небольшие опухоли на щеке или нижней челюсти. Небольшая часть случаев действительно хорошо реагирует на лучевую терапию, при этом около 10% этих случаев живут год или более.Побочные эффекты от лучевой терапии немногочисленны. Хотя описано раздражение кожи и десен, это случается крайне редко при использовании нашей стратегии лечения. Как это ни парадоксально, самые большие проблемы возникают у пациентов, демонстрирующих отличный ответ на терапию. Если большая часть опухоли уничтожена радиацией, это может оставить отверстие во рту, которое может содержать инфекции или может обеспечить доступ пищи и воды в носовую полость.

Вверху: Ороназальный свищ, возникший в результате лечения плоскоклеточного рака кошек.

Рак кожи Фотогалерея

Плоскоклеточный рак, возникающий в ожоговом рубце у чернокожего человека.

Плоскоклеточный рак, возникающий из бородавки у чернокожего человека

Плоскоклеточный рак, возникающий при дискоидной красной волчанке у чернокожего человека

Плоскоклеточный рак у чернокожего человека

Плоскоклеточная карцинома, имитирующая бородавку на черном человеке

Плоскоклеточный рак на ноге черного человека

Плоскоклеточный рак кожи головы чернокожего человека

Плоскоклеточный рак у человека с Ближнего Востока

Плоскоклеточный рак, возникающий при дискоидной красной волчанке у чернокожего человека

Подногтевой плоскоклеточный рак у латиноамериканца

границ | Использование глубокого машинного обучения для прогнозирования плоскоклеточного рака полости рта — систематический обзор

Введение

Всего в 2020 году было зарегистрировано 377 713 новых случаев рака полости рта и губы и 177 757 смертей, связанных с раком полости рта [1].Учитывая локализацию плоскоклеточного рака полости рта (OSCC) и соответствующее агрессивное поведение этого заболевания, сообщалось, что он оказывает значительное влияние на качество жизни пациентов после лечения [2]. В последнее время достигнуты явные успехи в диагностических методах и методах лечения [3]. Однако OSCC по-прежнему характеризуется низкой средней выживаемостью [4]. Точный прогноз остается крайне важным для улучшения показателей выживаемости [5].

Традиционно лечение рака зависит главным образом от стадии опухоли.Однако расхождения в стадиях способствовали неточному прогнозу у пациентов с OSCC [2]. Несмотря на увеличение количества прогностических маркеров, общий прогноз заболевания существенно не изменился [6]. Это может быть связано с проблемами интеграции этих маркеров в текущую систему стадирования [7, 8]. Кроме того, отсутствует индивидуальное лечение пациента в каждом конкретном случае. Таким образом, повышенная диагностическая и прогностическая точность может значительно помочь клиницистам в принятии обоснованных решений относительно соответствующего лечения для улучшения выживаемости [9].

Сообщается, что с этой целью методы машинного обучения (поверхностное обучение) предлагают улучшенное прогнозирование OSCC [9, 10]. Следует отметить, что использование машинного обучения, как сообщается, обеспечивает более точный прогноз, чем традиционный статистический анализ [9, 11–14]. Методы машинного обучения смогли показать многообещающие результаты, поскольку они способны различать сложные отношения между переменными, содержащимися в наборе данных [9]. Учитывая разрекламированную осуществимость и преимущества методов машинного обучения в прогнозировании рака, их применение в этой области в последние годы привлекло значительное внимание.Это связано с тем, что он призван помочь клиницистам в принятии обоснованных решений, тем самым улучшая и способствуя лучшему управлению здоровьем пациентов. Интересно, что технологические достижения привели к модификации поверхностного машинного обучения в глубокое машинное обучение. Этот подход к глубокому обучению также рекламировался для улучшения лечения рака.

В этом исследовании мы стремимся систематически анализировать опубликованные исследования, в которых использовались методы глубокого машинного обучения для прогнозирования OSCC.Это необходимо, чтобы продемонстрировать самые современные аналитические методы глубокого обучения для прогнозирования заболевания. Таким образом, основной вопрос заключался в следующем: «Играет ли метод глубокого машинного обучения роль в повышении точности прогнозирования и помогает врачам принимать обоснованные решения».

Методы

Протокол поиска

Подробный поиск литературы проводился с использованием таких баз данных, как OvidMedline, PubMed, Scopus, Web of Science и Института инженеров по электротехнике и электронике (IEEE) с момента их создания до 15 мая 2021 года.Программное обеспечение RefWorks использовалось для надлежащего управления потенциально релевантными статьями и удаления любых повторяющихся статей. Кроме того, был проведен ручной поиск в списках литературы включенных статей, чтобы убедиться, что включены все соответствующие статьи.

Стратегия поиска

Подход к поиску был разработан путем объединения ключевых слов поиска: [((«рак полости рта» ИЛИ «плоскоклеточная карцинома полости рта» ИЛИ «предраковый» ИЛИ «потенциально злокачественная опухоль полости рта») И («глубокое обучение»))].

Критерии приемлемости

Критерии включения

Структура населения, воздействия, компаратора, результатов и дизайна исследования (PECOS) использовалась для определения исследовательского вопроса (вопросов) этого обзора.Таким образом, P в структуре PECOS представляет популяцию (пациентов) с OSCC; E показывает, что для прогнозирования было применено глубокое машинное обучение, C гарантирует, что интересующий параметр имеет пациентов с OSCC с этим параметром или без него, O указывает на то, что существует четкий результат, который должен быть определен методами глубокого обучения, а S указывает, что наблюдение также учитывались исследования и/или клинические испытания. Таким образом, были включены оригинальные, наблюдательные и клинические испытания, в которых использовались методы глубокого обучения для прогнозирования OSCC.Кроме того, учитывались только исследования, опубликованные на английском языке.

Критерии исключения

Исследования на языках, отличных от английского, и те, в которых не использовалось глубокое обучение для прогнозирования рака ротовой полости, были исключены. Отчеты о случаях, редакционные статьи, обзоры, главы книг, сравнительные статьи, статьи симпозиумов, статьи конференций, краткие сообщения, рефераты, мнения, точки зрения, приглашенные обзоры и письма редактору также были исключены.

Выбор исследования

Процесс отбора для исследования проходил в два отдельных этапа.Во-первых, названия и аннотации потенциально релевантных статей были проверены после удаления дубликатов. Этот этап был проведен двумя независимыми рецензентами (RA и OY). Для этого процесса использовался лист извлечения данных, чтобы обеспечить надлежащую документацию с коэффициентом Каппа Коэна (κ = 0,91) для надежности между наблюдателями. За этим этапом последовали консенсусная встреча и обсуждение для устранения возможных расхождений, прежде чем исследование могло быть включено в этот обзор. На втором этапе эти два независимых рецензента извлекли соответствующую информацию, касающуюся характеристик исследования каждой из этих потенциально релевантных статей.

Параметры извлечены

Независимые обозреватели (R.A. и O.Y.) извлекли следующую информацию из каждого из включенных исследований; имя автора (ов), год публикации, страна, описание рака полости рта, цели исследования, выборка, тип используемых данных, эффективность модели глубокого обучения и выводы. Эта информация представлена ​​в таблице 1.

Таблица 1 . Выдержки из основных результатов включенных исследований.

Оценка качества включенных исследований

Для документирования процессов поиска и скрининга в этом исследовании использовалась методология «Предпочтительные элементы отчетности для систематического обзора и метаанализа» (PRISMA) (рис. 1) [46, 47].Доступ к качеству включенных исследований осуществлялся с использованием Инструмента оценки риска систематической ошибки модели прогнозирования (PROBAST), как показано в таблице 2. Кроме того, PROBAST использовался для оценки и оценки риска систематической ошибки (ROB) потенциальных исследований, которые будут включены в исследование. этот обзор. Поскольку в исследовании изучается метод глубокого машинного обучения, параметр предикторов из инструмента PROBAST был изменен, чтобы включить надежность методологии, используемой во включенных исследованиях.

Рисунок 1 .Блок-схема PRISMA для включенных исследований [46].

Таблица 2 . Презентация результатов PROBAST.

Результаты

Результаты поиска в базе данных

Всего 34 исследования соответствовали критериям приемлемости и были включены в этот обзор [2, 15–45, 48]. Детали процесса отбора исследований описаны с использованием блок-схемы PRISMA (рис. 1) [46]. Включенные исследования, в которых использовалось глубокое обучение для прогнозирования OSCC, обобщены в таблице 1.Эти исследования пришли к выводу, что методы глубокого обучения могут помочь клиницистам в принятии обоснованных решений относительно выбора вариантов лечения, чтобы избежать недостаточного лечения или ненужного лечения и, таким образом, добиться лучшего лечения заболевания.

Исследования Характеристики релевантных исследований

В большинстве этих исследований использовалась сверточная нейронная сеть (CNN) [2, 15–22, 24–26, 28, 31–36, 38–41, 43–45, 48, 49]. Несколько типов данных, таких как данные экспрессии генов [15, 45], данные спектров [20, 21, 29, 34, 37, 44, 48] и другие типы данных изображений — анатомические [16], внутриротовые [17], гистологические [ 18, 27], аутофлуоресценция [19, 22], цитологическое изображение [23], неопластическое [40], клиническое [28, 36, 38], поражение полости рта [42], изображения компьютерной томографии [24–26, 33]. , 35, 41, 49], клинико-патологические [2], метаболиты слюны [31], гистопатологические [30, 32, 43] и патологические [39] изображения использовались во включенных исследованиях.

Принимая во внимание сообщаемые показатели производительности (специфичность, чувствительность и точность) и накопленные данные, представленные во включенных исследованиях, модели глубокого машинного обучения имеют большой потенциал в прогнозировании OSCC. Этот подход предлагает более общую модель, которая требует меньше обработки данных с повышенной точностью.

В одном исследовании сообщалось о производительности глубокого обучения с четырьмя различными показателями производительности (чувствительность, специфичность, точность и площадь под кривой рабочих характеристик приема [AUC]) [16].Точно так же в общей сложности в 11 исследованиях сообщалось о сочетании трио чувствительности, специфичности и точности в качестве показателей эффективности для метода глубокого машинного обучения [15, 19–21, 24, 25, 30, 35, 37, 38, 42]. ]. И специфичность, и чувствительность использовались для описания производительности модели [17, 20, 22, 27, 48]. Кроме того, специфичность и точность также использовались для демонстрации эффективности модели глубокого обучения для прогнозирования в OSCC [23]. В других исследованиях в качестве показателей производительности для сообщения о потенциальных преимуществах модели глубокого обучения использовались либо точность, C-индекс (индекс соответствия), F1-оценка, либо среднее значение коэффициента сходства Дайса (Dsc) [2, 18, 18, 26, 28, 29, 31–33, 39–41, 44, 45, 49].

В большинстве этих исследований использовались либо данные спектров, либо изображения компьютерной томографии [20, 21, 24–26, 29, 33–35, 37, 41, 44, 48, 49]. Средняя специфичность, чувствительность, площадь под кривой рабочих характеристик приема [AUC]) и точность для исследований, в которых использовались данные спектров, составляли 0,97, 0,99, 0,96 и 96,6% соответственно. Наоборот, соответствующие средние значения этих параметров для изображений компьютерной томографии составили 0,84, 0,81, 0,967 и 81,8% соответственно.

Сообщалось, что метод глубокого машинного обучения показал многообещающие результаты в прогнозировании и обнаружении OSCC [2, 15, 16, 18, 19, 22–24, 27–30, 34, 36, 39, 44] и лимфатических узлов. метастазирование [25, 33, 41].Кроме того, сообщалось, что модель глубокого машинного обучения демонстрирует значительный прогноз степени заболевания [32, 43] и прогноз выживания пациентов с раком полости рта [2, 35]. Дополнительно, способность глубокого машинного обучения дифференцировать предраковые (потенциально злокачественные) поражения и OSCC [15, 17, 23, 26, 38, 39, 42], а также между болезнью и, например, пародонтитом [31]. ] был отмечен в различных исследованиях. Кроме того, модели глубокого машинного обучения продемонстрировали разрекламированные преимущества, которые позволяют различать плоскоклеточную карциному языка полости рта (OTSCC) и неопухолевые ткани [20, 21, 26, 37, 48].

Оценка качества исследований, включенных в обзор

Согласно оценке PROBAST, большинство (91,2%) включенных исследований продемонстрировали в целом низкий риск систематической ошибки, а также мало беспокойства относительно применимости (таблица 2).

Обсуждение

В этом систематическом обзоре изучалось использование глубокого машинного обучения для прогнозирования плоскоклеточного рака полости рта. Методология глубокого обучения использовалась для анализа различных типов медицинских данных, таких как клинико-патологические, гистопатологические, экспрессия генов, изображения, спектроскопия комбинационного рассеяния, метаболиты слюны и компьютерная томография, для лучшего прогнозирования OSCC.Этот обзор показал, что ряд новых методов визуализации, таких как компьютерная томография (или расширенная компьютерная томография) и спектральные данные, показали значительную применимость для улучшения результатов OSCC. Следовательно, методология глубокого машинного обучения в сочетании с данными медицинской визуализации может предложить лучшее и улучшенное прогнозирование OSCC. Это может существенно помочь в клиническом ведении пациентов с этим заболеванием [50].

О производительности метода глубокого обучения в основном сообщалось либо с комбинацией чувствительности, специфичности и точности, либо с использованием одной метрики производительности.Основываясь на сообщениях о точности методов глубокого машинного обучения во включенных исследованиях, становится очевидным, что метод глубокого машинного обучения может сыграть важную роль в улучшении прогнозирования рака ротовой полости и помочь клиницистам в принятии обоснованных решений. Подход с использованием глубокого обучения для прогнозирования может обеспечить недорогой скрининг [19, 36], решение на основе смартфона [17, 23], автоматическое прогнозирование на основе глубокого обучения [18, 27, 32], а также раннее обнаружение и прогнозирование исходы [15, 17, 23, 24, 37–39, 42].

Использование глубокого машинного обучения для прогнозирования включает различие между потенциально злокачественным заболеванием и OSCC [15, 17, 26, 39], дифференциацию между плоскоклеточным раком языка полости рта и неопухолевой ткани [20, 21, 34], прогнозирование и обнаружение плоскоклеточного рака полости рта [16, 18, 22–24, 51], диагностика метастазов в лимфатические узлы [25, 33], дифференциация OSCC и таких заболеваний, как периодонтит [31], возможность предложить мультиклассовую оценку OSCC [32] и прогноз выживаемости пациентов с OSCC [2].

Вышеупомянутые диагностические возможности и прогнозирование могут значительно улучшить клиническое ведение пациентов с OSCC [50]. Например, глубокое обучение может помочь патологам в эффективной многоклассовой классификации, тем самым способствуя своевременному и эффективному протоколу лечения пациентов [32]. Это может снизить операционную нагрузку и возможность эмоционального выгорания патологоанатомов, а также улучшить надлежащее лечение заболевания за счет своевременной оценки [32]. Точно так же модель глубокого обучения способна разделить пациентов на пациентов с высоким риском, которым можно было бы назначить более агрессивный режим, или пациентов с низким риском, где может быть достаточно более консервативного лечения.Это обоснованное решение может помочь в общей выживаемости этих пациентов за счет снижения вероятности побочных эффектов, таких как гормональные нарушения, тризм или заболевания зубов [52, 53].

Доступность медицинских данных в различных форматах (мультиомные данные — геномные данные, данные экспрессии, протеомные, транскриптомные и клинико-патологические данные) в различных базах данных, таких как атлас ракового генома (TCGA), омнибус экспрессии генов (GEO), стала большой вызов традиционным статистическим методам прогнозирования рака [50].Кроме того, с увеличением вычислительной мощности, развитием технологий (архитектура модели нейронной сети), доступностью набора медицинских данных широко используемые методы неглубокого машинного обучения были модифицированы для создания метода глубокого машинного обучения, также известного как глубокая нейронная сеть. ДНН) [54]. Интересно, что неглубокое машинное обучение, как сообщалось, показало многообещающие результаты в различных задачах прогнозирования, таких как предсказание локорегионарных рецидивов [9, 10], выживаемость [55], скрытое метастазирование в лимфатические узлы [56], и работало лучше, чем другие методы, такие как номограммы. 57].

Несмотря на эти многообещающие результаты методов поверхностного машинного обучения, сообщается, что методы глубокого машинного обучения работают так же или превосходят метод поверхностного машинного обучения [50, 58, 59], поскольку он более гибкий, требует меньшего количества функций и состоит из сложных слоев и нескольких нейронов в каждом слое [50, 60, 61] (рис. 2). Это дает глубокому машинному обучению лучшую предсказательную силу [50]. Примером глубокой нейронной сети, обычно используемой для прогнозирования рака, является сверточная нейронная сеть (CNN), которая обычно используется для данных медицинских изображений [50] (рис. 2).В CNN слой свертки и максимального объединения отвечает за извлечение признаков входных данных [62] (рис. 2). В то время как сверточные слои облегчают извлечение признаков из данных изображения, объединяющие слои гарантируют минимизацию переобучения. Результаты слоев свертки и объединения передаются на полносвязный слой для классификации по меткам (выход) [62]. Помимо CNN, рекуррентная нейронная сеть (RNN) — это еще один тип глубокой нейронной сети, который подходит для текстовых и последовательных данных [50].

Рисунок 2 . Архитектура сверточной нейронной сети [62].

Несмотря на перспективы моделей глубокого обучения улучшить результаты OSCC за счет улучшения обнаружения и диагностики, большинство этих моделей нашли широкое применение в повседневной клинической практике. Несколько причин объясняют ограниченное использование этих моделей в клинической практике. Недавнее исследование показало, что этические соображения ограничивают потенциальное использование этих моделей в реальной практике [63].Эти этические проблемы включают неприкосновенность частной жизни и конфиденциальность, предвзятость данных и моделей, несогласие с коллегами, разрыв в ответственности, отношения между пациентом и врачом и автономию пациента [63]. Точно так же недавнее исследование, проведенное Алаби и др., выявило проблемы, которые присущи либо науке о машинном обучении (техническим), либо реальной клинической реализации [64]. К ним относятся проблема черного ящика, количество данных, интерпретируемость, объяснимость и обобщаемость [64].

Сила этого систематического обзора литературы заключается в том, что в нем были специально рассмотрены опубликованные исследования, в которых изучалось глубокое обучение в OSCC.Этот подход гарантировал, что вклад современных методов глубокого обучения в OSCC был специально изучен. Кроме того, это дает возможность понять будущие направления исследований применения глубокого обучения в OSCC. Примером захватывающей области исследований может быть разработка новых алгоритмов объединения данных для улучшения прогнозирования заболеваний.

Основное ограничение заключается в том, что в большинстве включенных исследований использовались разные показатели производительности для оценки методов глубокого обучения.Точно так же методы глубокого обучения использовали в анализе разные типы данных. Таким образом, было сложно сделать проницательный вывод о производительности этих методов глубокого обучения. Кроме того, в большинстве исследований набор данных, используемый для обучения модели, был относительно небольшим. Большинство разработанных моделей глубокого обучения в опубликованных исследованиях не прошли внешнюю проверку. Исследование Alhadi et al. предоставило обновленную информацию о стадировании и классификации Всемирной организации здравоохранения в качестве надежных прогностических показателей OSCC [65].Насколько нам известно, существует недостаток опубликованных исследований, посвященных применению машинного обучения для постановки. Таким образом, это служит потенциальной областью дальнейших исследований в будущем.

В заключение следует отметить увеличение применения глубокого обучения для прогнозирования в OSCC. Модели глубокого обучения способны более точно прогнозировать прогноз рака. Таким образом, предлагая точность и персонализированное управление заболеванием. Было показано, что он лучше или эквивалентен современным подходам в повседневной клинической практике.Ожидается, что методы глубокого обучения могут помочь в надлежащем лечении OSCC за счет улучшения диагностических характеристик, проницательного принятия клинических решений, рационализации работы клиницистов, потенциального снижения затрат на лечение рака при скрининге, а также эффективной оценки и наблюдения за болезнь. Таким образом, клиницисты и пациенты могут проводить больше времени в общении и принятии совместных решений для улучшения качества медицинской помощи. В будущем важно разработать модели глубокого обучения, которые объединяют несколько наборов данных из разных модальностей.

Итоговые баллы

Что уже было известно по теме

Существует несколько опубликованных исследований по применению методов машинного обучения для анализа плоскоклеточного рака полости рта (OSCC).

Какие знания добавляет это исследование

В этом исследовании был проведен систематический обзор опубликованных исследований, в которых изучалось применение методов глубокого машинного обучения для прогнозирования OSCC.

В большинстве этих исследований использовалась сверточная нейронная сеть (CNN).

Этот обзор показал, что ряд новых методов визуализации, таких как компьютерная томография (или расширенная компьютерная томография) и спектральные данные, продемонстрировали значительную применимость для улучшения исходов рака полости рта.

Средняя специфичность, чувствительность, площадь под кривой рабочих характеристик приема [AUC]) и точность для исследований, в которых использовались данные спектров, составляли 0,97, 0,99, 0,96 и 96,6% соответственно. И наоборот, средняя специфичность, чувствительность, AUC и точность изображений компьютерной томографии были равны 0.84, 0,81, 0,967 и 81,8%.

Исследование пришло к выводу, что методы глубокого обучения могут помочь клиницистам в принятии обоснованных решений относительно выбора вариантов лечения, чтобы избежать недостаточного лечения или ненужного лечения для лучшего лечения OSCC.

Заявление о доступности данных

Оригинальные материалы, созданные для исследования, включены в статью/дополнительный материал, дальнейшие запросы можно направлять соответствующему автору/авторам.

Протокол и регистрация

В базах данных Международного проспективного регистра систематических обзоров (PROSPERO) был проведен поиск любых зарегистрированных протоколов по теме, аналогичной этому систематическому обзору. Поэтому протокол по методологии этого обзора был отправлен в PROSPERO для получения номера протокола регистрации.

Вклад авторов

RA, ME, AA и AM: концепции изучения и дизайн исследования, а также анализ и интерпретация данных. RA и OY: изучает экстракцию.IB, OY и AA: сбор и контроль качества включенных исследований. RA, OY, AA и AM: подготовка рукописи. AM и IB: обзор рукописи. AA, RA и IB: редактирование рукописи. Все авторы одобрили окончательную рукопись для представления.

Финансирование

Школа технологий и инноваций Стипендиального фонда Университета Вааса. Фонд университетской больницы Турку, Исследовательский фонд университетской больницы Хельсинки. Фонд Сигрид Юселиус. Выражаем глубокую признательность Иде Монтинин Сяэтио за докторскую поддержку.

Конфликт интересов

Авторы заявляют, что исследование проводилось при отсутствии каких-либо коммерческих или финансовых отношений, которые могли бы быть истолкованы как потенциальный конфликт интересов.

Примечание издателя

Все претензии, изложенные в этой статье, принадлежат исключительно авторам и не обязательно представляют претензии их дочерних организаций или издателя, редакторов и рецензентов. Любой продукт, который может быть оценен в этой статье, или претензии, которые могут быть сделаны его производителем, не гарантируются и не поддерживаются издателем.

Каталожные номера

1. Sung H, Ferlay J, Siegel RL, Laversanne M, Soerjomataram I, Jemal A, et al. Глобальная статистика рака 2020: GLOBOCAN оценивает заболеваемость и смертность во всем мире от 36 видов рака в 185 странах. CA Рак J Clin. (2021) 71: 209–49. doi: 10.3322/caac.21660

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

5. Huang S, Yang J, Fong S, Zhao Q. Искусственный интеллект в диагностике и прогнозировании рака: возможности и проблемы. Рак Летт. (2020) 471: 61–71. doi: 10.1016/j.canlet.2019.12.007

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

7. да Силва С.Д., Алауи-Джамали М.А., Соареш Ф.А., Карраро Д.М., Брентани Х.П., Хиер М. и др. TWIST1 является молекулярным маркером плохого прогноза при раке ротовой полости и представляет собой потенциальную терапевтическую мишень: прогностически-терапевтическое воздействие TWIST1. Рак. (2014) 120:352–62. doi: 10.1002/cncr.28404

Полнотекстовая перекрестная ссылка | Академия Google

8.Lee S, Kim HJ, Cha IH, Nam W. Прогностическое значение количества лимфатических узлов при селективной диссекции шеи при плоскоклеточном раке полости рта. Int J Oral Maxillofac Surg. (2018) 47:953–8. doi: 10.1016/j.ijom.2018.03.007

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

9. Алаби Р.О., Эльмусрати М., Савадзаки-Калоне И., Ковальски Л.П., Хаглунд С., Колетта Р.Д. и соавт. Применение машинного обучения для прогнозирования локорегионарных рецидивов раннего рака полости рта: веб-прогностический инструмент. Арка Вирхова. (2019) 475:489–97. doi: 10.1007/s00428-019-02642-5

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

10. Алаби Р.О., Эльмусрати М., Савадзаки-Калоне И., Ковальски Л.П., Хаглунд С., Колетта Р.Д. и соавт. Сравнение методов классификации контролируемого машинного обучения в прогнозировании локорегиональных рецидивов раннего рака полости рта. Int J Med Inf. (2019) 136:104068. doi: 10.1016/j.ijmedinf.2019.104068

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

11.Zhu L, Luo W, Su M, Wei H, Wei J, Zhang X и другие. Сравнение искусственной нейронной сети и регрессионной модели Кокса в прогнозировании выживаемости больных раком желудка. Biomed Rep. (2013) 1:757–60. doi: 10.3892/br.2013.140

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

12. Фарадмал Дж., Солтанян А.Р., Рошанаи Г., Ходабахши Р., Касаян А. Сравнение эффективности логарифмической регрессии и искусственных нейронных сетей для прогнозирования рецидива рака молочной железы. Asian Pac J Рак Prev. (2014) 15:5883–8. doi: 10.7314/APJCP.2014.15.14.5883

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

13. Chien C-W, Lee Y-C, Ma T, Lee T-S, Lin Y-C, Wang W, et al. Применение искусственных нейронных сетей и модели дерева решений в прогнозировании послеоперационных осложнений у больных раком желудка. Гепатогастроэнтерология. (2008) 55:1140–5.

Реферат PubMed | Академия Google

14.Гохари М.Р., Биглариан А., Бахши Э., Пурхосингхоли М.А. Использование искусственной нейронной сети для определения прогностических факторов у больных колоректальным раком. Asian Pac J Рак Prev . (2011) 12:1469–72.

Реферат PubMed | Академия Google

16. Aubreville M, Knipfer C, Oetter N, Jaremenko C, Rodner E, Denzler J, et al. Автоматическая классификация раковой ткани на изображениях лазерной эндомикроскопии полости рта с использованием глубокого обучения. Научный представитель (2017) 7:11979.doi: 10.1038/s41598-017-12320-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

17. Утхофф Р.Д., Сонг Б., Санни С., Патрик С., Суреш А., Колур Т. и др. Двухрежимное устройство для скрининга рака ротовой полости на основе смартфона на базе смартфона с классификацией нейронной сети для сообществ с ограниченными ресурсами. ПЛОС ОДИН. (2018) 13:e0207493. doi: 10.1371/journal.pone.0207493

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

18.Дас Д.К., Бозе С., Майти А.К., Митра Б., Мукерджи Г., Датта П.К. Автоматическая идентификация клинически значимых областей из гистологических изображений тканей полости рта для диагностики плоскоклеточного рака полости рта. Тканевая клетка. (2018) 53:111–9. doi: 10.1016/j.tice.2018.06.004

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

19. Песня Б., Санни С., Утхофф Р.Д., Патрик С., Суреш А., Колур Т. и др. Автоматическая классификация двухмодальных изображений дисплазии полости рта и злокачественных новообразований на основе смартфона с использованием глубокого обучения. Биомед Опт Экспресс. (2018) 9:5318. doi: 10.1364/BOE.9.005318

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

20. Yan H, Yu M, Xia J, Zhu L, Zhang T, Zhu Z. Дискриминация плоскоклеточного рака языка с помощью рамановской спектроскопии и сверточных нейронных сетей. Виб Спектроск. (2019) 103:102938. doi: 10.1016/j.vibspec.2019.102938

Полнотекстовая перекрестная ссылка | Академия Google

21. Yu M, Yan H, Xia J, Zhu L, Zhang T, Zhu Z, et al.Глубокие сверточные нейронные сети для классификации плоскоклеточного рака языка с использованием рамановской спектроскопии. Фотодиагностика Photodyn Ther. (2019) 26:430–5. doi: 10.1016/j.pdpdt.2019.05.008

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

22. Чан С-Х, Хуан Т-Т, Чен С-Ю, Ли С-С, Чан М-Ю, Чунг П-С. Совместная сеть филиалов на основе карты текстур для обнаружения рака полости рта. IEEE Trans Biomed Circuits Syst. (2019) 13:766–80. дои: 10.1109/ТБКАС.2019.2918244

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

23. Санни С., Бэби А., Джеймс Б.Л., Баладжи Д., Н.В.А., Рана М.Х., Гурпур П. и соавт. Интеллектуальная телецитологическая платформа для скрининга рака ротовой полости. ПЛОС ОДИН. (2019) 14:e0224885. doi: 10.1371/journal.pone.0224885

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

24. Джеярадж П.Р., Самуэль Надар Э.Р. Компьютерная классификация медицинских изображений для ранней диагностики рака ротовой полости с использованием алгоритма глубокого обучения. J Cancer Res Clin Oncol. (2019) 145:829–37. doi: 10.1007/s00432-018-02834-7

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

25. Ариджи Ю., Фукуда М., Кисе Ю., Нодзава М., Янасита Ю., Фудзита Х. и др. Оценка компьютерной томографии с контрастным усилением метастазов в шейных лимфатических узлах у пациентов с раком полости рта с использованием системы глубокого обучения искусственного интеллекта. Oral Surg Oral Med Oral Pathol Oral Radiol. (2019) 127:458–63.doi: 10.1016/j.oooo.2018.10.002

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

26. Xu S, Liu Y, Hu W, Zhang C, Liu C, Zong Y, et al. Ранняя диагностика рака ротовой полости на основе трехмерных сверточных нейронных сетей. Доступ IEEE. (2019) 7:158603–611. doi: 10.1109/ACCESS.2019.2950286

Полнотекстовая перекрестная ссылка | Академия Google

27. Das DK, Koley S, Bose S, Maiti AK, Mitra B, Mukherjee G, et al. Компьютеризированный инструмент для автоматического обнаружения и очерчивания ядра из изображений гистопатологии полости рта для скрининга OSCC. Appl Soft Comput. (2019) 83:105642. doi: 10.1016/j.asoc.2019.105642

Полнотекстовая перекрестная ссылка | Академия Google

28. Шабан М., Хуррам С.А., Фраз М.М., Алсубаи Н., Масуд И., Муштак С. и соавт. Новая цифровая оценка обилия лимфоцитов, инфильтрирующих опухоль, позволяет прогнозировать безрецидивную выживаемость при плоскоклеточном раке полости рта. Научный представитель (2019) 9:13341. doi: 10.1038/s41598-019-49710-z

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

29.Джеярадж П.Р., Паниграхи Б.К., Самуэль Надар Э.Р. Слияние признаков классификатора с использованием модели глубокого обучения для неинвазивного обнаружения рака ротовой полости по гиперспектральному изображению. IETE J Res. (2020) 1–12. дои: 10.1080/03772063.2020.1786471

Полнотекстовая перекрестная ссылка | Академия Google

30. Паниграхи С., Дас Дж., Сварнкар Т. Анализ гистопатологических изображений плоскоклеточного рака полости рта на основе капсульной сети. J King Saud Univ Comput Inf Sci. (2020). doi: 10.1016/j.jksuci.2020.11.003

Полнотекстовая перекрестная ссылка | Академия Google

31. Кузнецова ВЛ, Ли Дж, Ромм Э, Цигельный ИФ. Поиск различий между раком полости рта и пародонтитом с использованием метаболитов слюны и машинного обучения. Оральный дис. (2020) 27:484–93. doi: 10.1111/odi.13591

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

32. Дас Н., Хуссейн Э., Маханта Л.Б. Автоматизированная классификация клеток эпителиальной ткани плоскоклеточного рака полости рта на несколько классов с использованием трансфертного обучения и сверточной нейронной сети. Нейронная сеть. (2020) 128:47–60. doi: 10.1016/j.neunet.2020.05.003

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

33. Ариджи Ю., Сугита Ю., Нагао Т., Накаяма А., Фукуда М., Кисе Ю. и др. КТ-оценка экстранодального распространения метастазов шейных лимфатических узлов у пациентов с плоскоклеточным раком полости рта с использованием классификации глубокого обучения. Пероральный радиол. (2020) 36: 148–55. doi: 10.1007/s11282-019-00391-4

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

34.Xia J, Zhu L, Yu M, Zhang T, Zhu Z, Lou X и ​​др. Анализ и классификация плоскоклеточной карциномы языка полости рта на основе спектроскопии комбинационного рассеяния и сверточных нейронных сетей. J Mod Опц. (2020) 67: 481–9. дои: 10.1080/09500340.2020.1742395

Полнотекстовая перекрестная ссылка | Академия Google

35. Fujima N, Andreu-Arasa VC, Meibom SK, Mercier GA, Salama AR, Truong MT, et al. Анализ глубокого обучения с использованием ФДГ-ПЭТ для прогнозирования результатов лечения пациентов с плоскоклеточным раком полости рта. Евро Радиол. (2020) 30:6322–30. doi: 10.1007/s00330-020-06982-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

36. Fu Q, Chen Y, Li Z, Jing Q, Hu C, Liu H, et al. Алгоритм глубокого обучения для обнаружения плоскоклеточного рака полости рта по фотографическим изображениям: ретроспективное исследование. ECКлиническая медицина. (2020) 27:100558. doi: 10.1016/j.eclinm.2020.100558

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

37.Дин Дж., Ю М., Чжу Л., Чжан Т., Ся Дж., Сунь Г. Разнообразная глубокая остаточная сеть на основе спектральных полос для классификации плоскоклеточного рака языка с использованием волоконно-оптической рамановской спектроскопии. Фотодиагностика Photodyn Ther. (2020) 32:102048. doi: 10.1016/j.pdpdt.2020.102048

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

38. Jubair F, Al-karadsheh O, Malamos D, Al Mahdi S, Saad Y, Hassona Y. Новая легкая глубокая сверточная нейронная сеть для раннего выявления рака полости рта. Оральный дис. (2021). doi: 10.1111/odi.13825. [Epub перед печатью].

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

39. Великала Р.А., Реманьино П., Лим Дж.Х., Чан К.С., Раджендран С., Каллараккал Т.Г. и соавт. Автоматическое обнаружение и классификация поражений полости рта с использованием глубокого обучения для раннего выявления рака полости рта. Доступ IEEE. (2020) 8:132677–93. doi: 10.1109/ACCESS.2020.3010180

Полнотекстовая перекрестная ссылка | Академия Google

40.Падерно А., Пьяцца С., Дель Бон Ф., Ланчини Д., Танальи С., Деганелло А. и др. Глубокое обучение для автоматической сегментации рака полости рта и ротоглотки с использованием узкоспектральной визуализации: предварительный опыт в клинической перспективе. Фронт Онкол. (2021) 11:626602. doi: 10.3389/fonc.2021.626602

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

41. Томита Х., Ямасиро Т., Хейанна Дж., Накасонэ Т., Кобаяши Т., Миширо С. и др. Глубокое обучение для предоперационной диагностики метастатических шейных лимфатических узлов с помощью компьютерной томографии с контрастным усилением у пациентов с плоскоклеточным раком полости рта. Раков. (2021) 13:600. doi: 10.3390/раки13040600

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

42. Нандита Б.Р., Гита Киран А., Чандрашекар Х.С., Динеш М.С., Мурали С. Ансамбль глубокой нейронной сети для скрининга рака полости рта. Int J Online Biomed Eng IJOE. (2021) 17:121. дои: 10.3991/ijoe.v17i02.19207

Полнотекстовая перекрестная ссылка | Академия Google

43. Мусулин Ю., Штифанич Д., Зулияни А., Кабов Т., Деканич А., Цар З.Расширенный гистопатологический анализ: система на основе искусственного интеллекта для многоклассовой классификации плоскоклеточного рака полости рта и сегментации эпителиальной и стромальной ткани. Раков. (2021) 13:1784. дои: 10.3390/раков13081784

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

44. Trajanovski S, Shan C, Weijtmans PJC, de Koning SGB, Ruers TJM. Обнаружение опухоли языка на гиперспектральных изображениях с использованием семантической сегментации с глубоким обучением. IEEE Trans Biomed Eng. (2021) 68:1330–40. doi: 10.1109/TBME.2020.3026683

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

45. Kim Y, Kang JW, Kang J, Kwon EJ, Ha M, Kim YK, et al. Новое прогнозирование выживаемости при раке ротовой полости на основе глубокого обучения путем анализа профилей инфильтрирующих опухоль лимфоцитов с помощью CIBERSORT. Онкоиммунология. (2021) 10:1

3. дои: 10.1080/2162402X.2021.1

3

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

46.Page MJ, McKenzie JE, Bossuyt PM, Boutron I, Hoffmann TC, Mulrow CD, et al. Заявление PRISMA 2020: обновленное руководство по составлению отчетов о систематических обзорах. БМЖ . (2021) 372:n71. doi: 10.1136/bmj.n71

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

47. Мохер Д., Либерати А., Тецлафф Дж., Альтман Д.Г., PRISMA Group. Предпочтительные элементы отчетности для систематических обзоров и метаанализов: заявление PRISMA. ПЛОС Мед . (2009) 6:e1000097. дои: 10.1371/журнал.pmed.1000097

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

48. Yan H, Yu M, Xia J, Zhu L, Zhang T, Zhu Z, et al. CNN на основе различных областей для классификации плоскоклеточного рака языка с помощью рамановской спектроскопии. Доступ IEEE. (2020) 8:127313–28. doi: 10.1109/ACCESS.2020.3006567

Полнотекстовая перекрестная ссылка | Академия Google

49. Ариджи Ю., Фукуда М., Нодзава М., Кувада С., Гото М., Исибаши К. и др. Автоматическое обнаружение шейных лимфатических узлов у пациентов с плоскоклеточным раком полости рта с использованием метода глубокого обучения: предварительное исследование. Пероральный радиол. (2021) 37: 290–296. doi: 10.1007/s11282-020-00449-8

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

51. Шарма Н., Ом Х. Использование вероятностной и общей регрессионной нейронной сети для раннего выявления и профилактики рака полости рта. Sci World J. (2015) 2015: 1–11. дои: 10.1155/2015/234191

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

52. де Толентино Э.С., Центурион Б.С., Феррейра LHC, де Соуза А.П., Даманте Дж.Х., Рубира-Буллен IRF.Оральные побочные эффекты лучевой терапии головы и шеи: обзор литературы и предложение клинического руководства по уходу за полостью рта для облученных пациентов. J Appl Oral Sci Rev FOB. (2011) 19:448–54. дои: 10.1590/S1678-77572011000500003

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

53. Diamant A, Chatterjee A, Vallières M, Shenouda G, Seuntjens J. Глубокое обучение в прогнозировании исходов рака головы и шеи. Научный представитель (2019) 9:2764. doi: 10.1038/s41598-019-39206-1

Полнотекстовая перекрестная ссылка | Академия Google

54.Эстева А., Робике А., Рамсундар Б., Кулешов В., ДеПристо М., Чоу К. и др. Руководство по глубокому обучению в здравоохранении. Нац. мед. (2019) 25:24–9. doi: 10.1038/s41591-018-0316-z

Полнотекстовая перекрестная ссылка | Академия Google

55. Карадаги О.А., Шоу М., Нью Дж., Бур А.М. Разработка и оценка модели машинного обучения для прогнозирования выживаемости пациентов с плоскоклеточным раком полости рта. JAMA Otolaryngol Neck Surg. (2019) 145:1115. дои: 10.1001/jamaoto.2019.0981

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

56. Бур А.М., Холкомб А., Гудвин С., Вудруф Дж., Карадаги О., Шнайдер Ю. и соавт. Машинное обучение для прогнозирования скрытых узловых метастазов при раннем плоскоклеточном раке полости рта. Оральная онкология. (2019) 92:20–5. doi: 10.1016/j.oraloncology.2019.03.011

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

57. Алаби Р.О., Мякитие А.А., Пиринен М., Эльмусрати М., Лейво И., Алмангуш А.Сравнение номограммы с методами машинного обучения для прогнозирования общей выживаемости пациентов с раком языка. Int J Med Inf. (2021) 145:104313. doi: 10.1016/j.ijmedinf.2020.104313

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

58. Поплин Р., Варадараджан А.В., Блумер К., Лю Ю., МакКоннелл М.В., Коррадо Г.С. и соавт. Прогнозирование сердечно-сосудистых факторов риска по фотографиям глазного дна сетчатки с помощью глубокого обучения. Nat Biomed Eng. (2018) 2:158–64.doi: 10.1038/s41551-018-0195-0

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

59. Чинг Т., Чжу С., Гармир Л.С. Cox-nnet: метод искусственной нейронной сети для прогнозирования высокопроизводительных данных omics. PLOS Comput Biol. (2018) 14:e1006076. doi: 10.1371/journal.pcbi.1006076

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

60. Шолле Ф. Xception: глубокое обучение с глубоко отделяемыми извилинами. В: Конференция IEEE 2017 года по компьютерному зрению и распознаванию образов (CVPR) .Гонолулу, Гавайи: IEEE (2017). п. 1800–7. doi: 10.1109/CVPR.2017.195

Полнотекстовая перекрестная ссылка | Академия Google

61. Szegedy C, Liu W, Jia Y, Sermanet P, Reed S, Anguelov D, et al. Углубление с извилинами. В: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR) . Бостон, Массачусетс: IEEE (2015). п. 1–9. doi: 10.1109/CVPR.2015.7298594

Полнотекстовая перекрестная ссылка | Академия Google

62. Fujioka T, Mori M, Kubota K, Oyama J, Yamaga E, Yashima Y, et al.Полезность глубокого обучения в ультразвуковой визуализации груди: обзор. Диагностика. (2020) 10:1055. doi: 10.3390/diagnostics10121055

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

63. Алаби Р.О., Теро В., Мохаммед Э. Машинное обучение для прогнозирования рака полости рта: каковы этические проблемы? В: CEUR-Workshop Proceedings (2020) 2373:1–22. Доступно в Интернете по адресу: http://ceur-ws.org/Vol-2737/

.

Академия Google

64.Алаби Р.О., Юссеф О., Пиринен М., Эльмусрати М., Мякитие А.А., Лейво И. и соавт. Машинное обучение при плоскоклеточном раке полости рта: текущее состояние, клинические проблемы и перспективы на будущее — систематический обзор. Артиф Интелл Мед. (2021) 115:102060. doi: 10.1016/j.artmed.2021.102060

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

65. Almangush A, Mäkitie AA, Triantafyllou A, de Bree R, Strojan P, Rinaldo A, et al. Стадия и классификация плоскоклеточного рака полости рта: обновление. Оральная онкология. (2020) 107:104799. doi: 10.1016/j.oraloncology.2020.104799

Реферат PubMed | Полный текст перекрестной ссылки | Академия Google

.

Добавить комментарий

Ваш адрес email не будет опубликован.