Uso de inteligência artificial como método auxiliar no diagnóstico clínico de lesões bucais

Abstract

O diagnóstico de lesões bucais representa um desafio na prática clínica, em razão da ampla variabilidade morfológica, da sobreposição de características clínicas entre diferentes condições e da possibilidade de progressão de determinadas lesões para malignidade. Ferramentas baseadas em inteligência artificial (IA) têm sido propostas como suporte à tomada de decisão clínica, especialmente no rastreamento do carcinoma espinocelular de boca (CECB) e das desordens potencialmente malignas da boca (DPMB). Este estudo apresenta uma abordagem complementar a partir de dois eixos: a avaliação de ferramentas de IA amplamente acessíveis e a análise do uso clínico de um sistema baseado em rede neural convolucional (RNC) desenvolvido para auxiliar no processo diagnóstico. No primeiro artigo, foi realizado um estudo transversal descritivo para avaliar o desempenho das ferramentas Google Lens e ChatGPT-4.0 na análise de imagens clínicas de lesões bucais, variações da normalidade e mucosa saudável. Observou-se melhor identificação de lesões fundamentais específicas, como placa e úlcera, porém com baixa acurácia diagnóstica global. O ChatGPT-4.0 demonstrou melhor desempenho na identificação de lesões do tipo pápula-nódulo (73,6%) e placa (66,7%), enquanto o Google Lens apresentou maiores acertos diagnósticos em lesões vesiculo-bolhosas (51,4%). O Google Lens não retornou resultados em 10,3% das imagens clínicas analisadas, além do uso frequente de fontes não científicas, evidenciando limitações quanto à confiabilidade das informações. No segundo eixo, foi avaliado o uso clínico do aplicativo Oral Cancer Clinical Support, por meio da análise de 261 imagens clínicas de lesões bucais, distribuídas em três grupos: Neoplasias Malignas de Mucosa (NMM), DPMB e Lesões Proliferativas não Neoplásicas (LPNN). Foi avaliado o desempenho da segmentação da área lesional e a concordância dos desfechos fornecidos. A segmentação completa foi a mais frequente (47,89%), seguida pela incompleta (39,08%). Observou-se concordância alta em 47,89% dos casos, com melhor performance em NMM (75%) e LPNN (59,78%). No grupo DPMB, predominou a classificação inadequado plausível (43,60%), sugerindo maior dificuldade do sistema diante da heterogeneidade dessas lesões. Os resultados indicam que ferramentas de IA, tanto de uso amplo quanto de sistemas especializados, apresentam potencial como instrumentos auxiliares na triagem e no suporte ao diagnóstico de lesões bucais. No entanto, o desempenho ainda é variável e insuficiente para incorporação à rotina clínica. O aprimoramento desses sistemas, por meio da ampliação das bases de dados, inclusão de diferentes grupos de lesões e integração de informações clínicas e histopatológicas, é fundamental para aumentar sua acurácia e aplicabilidade clínica.

The diagnosis of oral lesions represents a challenge in clinical practice due to the wide morphological variability, the overlap of clinical features among different conditions, and the possibility of progression of certain lesions to malignancy. Artificial intelligence (AI)-based tools have been proposed as support for clinical decision-making, especially in the screening of Oral Squamous Cell Carcinoma (OSCC) and Oral Potentially Malignant Disorders (OPMDs). This study presents a complementary approach based on two axes: the evaluation of widely accessible AI tools and the analysis of the clinical use of a convolutional neural network (CNN)-based system developed to assist the diagnostic process. In the first article, a descriptive crosssectional study was conducted to evaluate the performance of Google Lens and ChatGPT-4.0 in the analysis of clinical images of oral lesions, normal variations, and healthy mucosa. Better identification of specific elementary lesions, such as plaque and ulcer, was observed; however, overall diagnostic accuracy remained low. ChatGPT-4.0 demonstrated better performance in the identification of papule–nodule lesions (73.6%) and plaque (66.7%), while Google Lens showed higher diagnostic accuracy in vesiculobullous lesions (51.4%). Google Lens did not return results for 10.3% of the analyzed clinical images and frequently relied on non-scientific sources, highlighting limitations regarding the reliability of the information. In the second axis, the clinical use of the Oral Cancer Clinical Support application was evaluated through the analysis of 261 clinical images of oral lesions distributed into three groups: Malignant Mucosal Neoplasms (MMN), OPMDs, and Non-Neoplastic Proliferative Lesions (NNPL). The performance of lesion area segmentation and the agreement of the provided outcomes were evaluated. Complete segmentation was the most frequent finding (47.89%), followed by incomplete segmentation (39.08%). High agreement was observed in 47.89% of the cases, with better performance in the MMN (75%) and NNPL (59.78%) groups. In the OPMD group, the plausible inadequate classification predominated (43.60%), suggesting greater difficulty of the system when dealing with the heterogeneity of these lesions. The results indicate that AI tools, including both widely accessible platforms and specialized systems, show potential as auxiliary instruments for the screening and diagnostic support of oral lesions. However, performance remains variable and insufficient for incorporation into routine clinical practice. The improvement of these systems through the expansion of databases, inclusion of different lesion groups, and integration of clinical and histopathological information is essential to increase their accuracy and clinical applicability.