Use of Artificial Intelligence in automated analysis of liquid-based oral brush cytology – Development of a screening tool for head and neck cancers based on Deep Learning algorithms

Background: Oral squamous cell carcinomas (OSCCs) clinically present with a heterogenous appearance. To improve the prognosis of patients with OSCC, it is imperative to ensure early and accurate diagnosis. Exfoliative cytology is a simple, cost-effective and non-invasive diagnostic tool for early detection of oral malignant lesions. This study evaluated the efficacy of artificial intelligence with Deep Learning in analysing smears of suspicious oral lesions, as compared to conventional cytopathologic assessment and histopathology. The reliability of the AI was evaluated in terms of sensitivity and specificity.

Materials and Methods: 100 patients with clinically suspicious lesions were selected for the study. Liquid-based brush cytology examination was performed, followed by surgical biopsy. The obtained smears were PAP-stained and cytomorphologically assessed. Ten representative 2D images of each slide constituted the basis for the AI"s Deep Learning algorithm using convolutional neural networks. The results were then compared with the histopathological diagnosis.

Results: Histological diagnosis found OSCC in 99 of 100 cases and high-grade dysplasia (oral intraepithelial neoplasia 2-3) in another case. Overall 98 out of 100 cytology samples correlated ith the histopathological findings. The AI-analysis matched these findings, with highly dysplastic and malignant cells being detected with a sensitivity of 94% and specificity of 81% respectively.

Conclusion: Liquid-based brush cytology is a reliable diagnostic instrument. AI when used as a tool for image segmentation and classification can serve as a useful adjunct in the diagnosis and screening of oral dysplastic lesions.

Hintergrund: Orale Plattenepithelkarzinome (OSCCs) zeigen ein ausgesprochen heterogenes klinisches Erscheinungsbild. Entscheidend, um das klinische Outcome für betroffene Patienten zu verbessern, ist die frühestmögliche Diagnose. Die Abstrichzytologie ist ein kostengünstiges, nicht-invasives diagnostisches Mittel zur Früherkennung maligner Läsionen der Mundschleimhaut. Ziel dieser Arbeit ist die Evaluation eines Programmes, basierend auf künstlicher Intelligenz, in Hinblick auf die korrekte Analyse von Abstrichen suspekter Läsionen im Mundraum.

Material und Methoden: 100 Patienten mit klinisch suspekten Veränderungen der Mund-/Rachenschleimhaut wurden eingeschlossen. Von den Läsionen wurden jeweils Bürstenabstriche wie auch Biopsien gewonnen. Neben einer PAP-Färbung für die zytomorphologische Analyse wurden von jedem Abstrich-Präparat 10 repräsentative 2D Bilder angefertigt, welche dem Deep-Learning Algorithmus der künstlichen Intelligenz als Lern-Basis zur Ausbildung eines neuronalen Netzwerkes dienten.

Resultate: In 99 von 100 Fällen konnten OSCCs histologisch nachgewiesen werden, in einem weiteren Fall fand sich eine hochgradige Dysplasie. Insgesamt stimmte die zytopathologische Auswertung in 98 von 100 Fällen mit der histopathologischen Beurteilung überein. Die KI-Analyse erbrachte ähnliche Ergebnisse. Dysplastische und maligne Zellen wurden von der KI mit einer Sensitivität von 94% und einer Spezifität von 81% erkannt.

Fazit: Bürstenabstriche sind ein zuverlässiges diagnostisches Instrument. Die Nutzung künstlicher Intelligenz zur Detektion, Segmentierung, sowie Klassifizierung dysplastischer Zellen stellt ein nützliches Hilfsmittel in der Diagnostik bzw. dem Screening suspekter oraler Läsionen dar.

Die Autorinnen/Autoren geben an, dass kein Interessenkonflikt besteht.