Создание цифрового датасета по стоматологическим заболеваниям для последующего использования в машинном обучении

Целью исследования является создание датасета изображений полости рта для разработки технологий машинного обучения (МО) и искусственного интеллекта (ИИ) для диагностики раковых и предраковых состояний полости рта, ввиду достаточно высокой распространенности и поздней диагностики данных состояний в Российской Федерации. Материалы и методы: после информированного письменного согласия были получены изображения полости рта с помощью компьютерного сканера MeditI500, а клинические данные были извлечены из медицинских карт пациентов, посещавших Клиническую стоматологическую поликлинику (г. Уфа). После авторами было выполнено редактирование данных, категоризация изображений и написание аннотации. Результаты: Набор данных (датасет), включающий 895 анонимных изображений, полученных от 567 пациентов, был классифицирован по четырем различным категориям: здоровые, доброкачественные, предраки и рак СОР. Изображения были аннотированы полигональными границами полости рта и поражений. Каждое изображение сопровождалось метаданными пациента, включая возраст, пол, диагноз и профили факторов риска, таких как курение, употребление алкоголя и курения. Вывод: аннотированные изображения вместе с метаданными пациентов (датасет) могут быть использованы для улучшения разработки алгоритмов МО и ИИ.

The aim of the study is to create a dataset of oral images for the development of machine learning (ML) and artificial intelligence (AI) technologies for the diagnosis of cancerous and precancerous conditions of the oral cavity, due to the relatively high prevalence and late diagnosis of these conditions in the Russian Federation. Materials and methods: after informed written consent, oral images were obtained using a MeditI500 computer scanner, and clinical data were extracted from the medical records of patients visiting the Clinical Dental Clinic (Ufa). Then, the authors edited the data, categorized the images and wrote the annotation. Results: The dataset, including 895 anonymized images obtained from 567 patients, was classified into four different categories: healthy, benign, precancer and oral cancer. The images were annotated with polygonal boundaries of the oral cavity and lesions. Each image was accompanied by patient metadata, including age, gender, diagnosis, and risk factor profiles such as smoking, alcohol consumption, and smoking status. Conclusion: Annotated images along with patient metadata (dataset) can be used to improve the development of ML and AI algorithms.

заболевания слизистой оболочки рта, датасет, компьютерная диагностика, каталогизация, фотопротокол, машинное обучение, искусственный интеллект.

oral mucosa diseases, dataset, computer diagnostics, cataloging, photo protocol, machine learning, artificial intelligence.

1. Глобальное бремя онкологических заболеваний растет параллельно с ростом потребности в услугах @@Электронный ресурс - URL: https://www.who.int/ru/news/item/01-02-2024-global-cancer-burden-growing--amidst-mounting-need-for-services (дата обращения: 07.10.2024).
2. Amin I., Zamir H., Khan F.F. Histopathological image analysis for oral squamous cell carcinoma classification using concatenated deep learning models // medRxiv The preprint server for health sciences. - 2021. doi: 10.1101/2021.05.06.21256741.
3. Chen R., Wang Q., Huang X. Intelligent deep learning supports biomedical image detection and classification of oral cancer // Technology and Health Care. - 2024. - Vol. 32. - No. S1. - P. 465-475. doi: 10.3233/THC-248041. PMID: 38759069; PMCID: PMC11191468.
4. El-Sayed I.H., Huang X., El-Sayed M.A. Surface plasmon resonance scattering and absorption of anti-EGFR antibody conjugated gold nanoparticles in cancer diagnostics: Applications in oral cancer // Nano Letters. - 2005. - Vol. 5. - No. 5. - P. 829-834. doi: 10.1021/nl050074e. PMID: 15884879.
5. Kantharimuthu M., M. M., P S., G A.A.M., N K.B.S., K J.D.
Oral cancer prediction using a probability neural network (PNN) // Asian Pacific Journal of Cancer Prevention. - 2023 Sep 1. - Vol. 24. - No. 9. - P. 2991-2995. doi: 10.31557/APJCP.2023.24.9.2991. PMID: 37774049; PMCID: PMC10762769.
6. Patil S., Albogami S., Hosmani J., Mujoo S., Kamil M.A., Mansour M.A., Abdul H.N., Bhandi S., Ahmed S.S.S.J. Artificial intelligence in the diagnosis of oral diseases: Applications and pitfalls // Diagnostics. - 2022 Apr 19. - Vol. 12. -No. 5. - Art. 1029. doi: 10.3390/diagnostics12051029. PMID: 35626185; PMCID: PMC9139975.
7. Ribeiro-de-Assis M.C.F., Soares J.P., de Lima L.M., de Barros L.A.P., Grгo-Velloso T.R., Krohling R.A., Camisasca, D.R. NDB-UFES: An oral cancer and leukoplakia dataset composed of histopathological images and patient data // Data in Brief. - 2023 Apr 7. - Vol. 48. - Art. 109128. doi: 10.1016/j.dib.2023.109128. PMID: 37122923; PMCID: PMC10139872.
8. Sengupta N., Sarode S.C., Sarode G.S., Ghone U. Scarcity of publicly available oral cancer image datasets for machine learning research // Oral Oncology. - 2022 Mar. - Vol. 126. - Art. 105737. doi: 10.1016/j.oraloncology.2022.105737. Epub 2022 Feb 2. PMID: 35114612.
9. Warnakulasuriya S. Oral potentially malignant disorders: A comprehensive review on clinical aspects and management // Oral Oncology. - 2020 Mar. - Vol. 102. - Art. 104550. doi: 10.1016/j.oraloncology.2019.104550. Epub 2020 Jan 22. PMID: 31981993

REFERENCES:
1. Global'noe bremya onkologicheskih zabolevanij rastet parallel'no s rostom potrebnosti v uslugah @@Elektronnyj resurs - URL: https://www.who.int/ru/news/item/01-02-2024-global-cancer-burden-growing--amidst-mounting-need-for-services (data obrashcheniya: 07.10.2024).
2. Amin I., Zamir H., Khan F.F. Histopathological image analysis for oral squamous cell carcinoma classification using concatenated deep learning models // medRxiv The preprint server for health sciences. - 2021. doi: 10.1101/2021.05.06.21256741.
3. Chen R., Wang Q., Huang X. Intelligent deep learning supports biomedical image detection and classification of oral cancer // Technology and Health Care. - 2024. - Vol. 32. - No. S1. - P. 465-475. doi: 10.3233/THC-248041. PMID: 38759069; PMCID: PMC11191468.
4. El-Sayed I.H., Huang X., El-Sayed M.A. Surface plasmon resonance scattering and absorption of anti-EGFR antibody conjugated gold nanoparticles in cancer diagnostics: Applications in oral cancer // Nano Letters. - 2005. - Vol. 5. - No. 5. - P. 829-834. doi: 10.1021/nl050074e. PMID: 15884879.
5. Kantharimuthu M., M M., P S., G A.A.M., N K.B.S., K J.D. Oral cancer prediction using a probability neural network (PNN) // Asian Pacific Journal of Cancer Prevention. - 2023 Sep 1. - Vol. 24. - No. 9. - P. 2991-2995. doi: 10.31557/APJCP.2023.24.9.2991. PMID: 37774049; PMCID: PMC10762769.
6. Patil S., Albogami S., Hosmani J., Mujoo S., Kamil M.A., Mansour M.A., Abdul H.N., Bhandi S., Ahmed S.S.S.J. Artificial intelligence in the diagnosis of oral diseases: Applications and pitfalls // Diagnostics. - 2022 Apr 19. - Vol. 12. - No. 5. - Art. 1029. doi: 10.3390/diagnostics12051029. PMID: 35626185; PMCID: PMC9139975.
7. Ribeiro-de-Assis M.C.F., Soares J.P., de Lima L.M., de Barros L.A.P., Grгo-Velloso T.R., Krohling R.A., Camisasca, D.R. NDB-UFES: An oral cancer and leukoplakia dataset composed of histopathological images and patient data // Data in Brief. - 2023 Apr 7. - Vol. 48. - Art. 109128. doi: 10.1016/j.dib.2023.109128. PMID: 37122923; PMCID: PMC10139872.
8. Sengupta N., Sarode S.C., Sarode G.S., Ghone U. Scarcity of publicly available oral cancer image datasets for machine learning research // Oral Oncology. - 2022 Mar. - Vol. 126. - Art. 105737. doi: 10.1016/j.oraloncology.2022.105737. Epub 2022 Feb 2. PMID: 35114612.
9. Warnakulasuriya S. Oral potentially malignant disorders: A comprehensive review on clinical aspects and management // Oral Oncology. - 2020 Mar. - Vol. 102. - Art. 104550. doi: 10.1016/j.oraloncology.2019.104550 Epub 2020 Jan 22. PMID: 31981993.