L'OCT del segmento anteriore (AS-OCT) è uno strumento diagnostico promettente per l'esame della superficie oculare. Ottiene una sezione ottica della superficie oculare seguendo il principio dell'interferometria di Michelson9. L'interpretazione sistematica dell'AS-OCT inizia con il tessuto più esterno della superficie oculare, vale a dire l'epitelio della cornea, il complesso limbare e congiuntivale. Un recente studio di Vempuluru et al. ha dimostrato che l'AS-OCT è molto utile nel confermare il coinvolgimento epiteliale dove insorgono la maggior parte dei tumori della superficie oculare, in particolare l'OSSN10. Anche se molte tecnologie senza contatto possono essere utilizzate nella gestione dell'OSSN nelle cliniche, HR-OCT si distingue ancora per diversi punti di forza. È una scansione rapida, accessibile per l'intera superficie oculare, facilmente interpretabile e richiede una formazione minima dell'operatore. Yim et al. hanno scoperto che una curva di apprendimento favorevole è stata osservata nei medici alle prime armi dopo un breve modulo di apprendimento delle caratteristiche AS-OCT11. Pertanto, ci concentriamo sulla presentazione di un metodo standardizzato, pratico e riproducibile per l'imaging OSSN per promuovere l'applicazione di AS-OCT nel flusso di lavoro clinico.
HR-OCT può aiutare a guidare la differenziazione dell'OSSN da varie lesioni oculari. Fornisce immagini tipiche della sezione trasversale con modelli morfologici, vale a dire ispessimento epiteliale, iperriflettività e brusca zona di transizione. La maggior parte delle malattie di derivazione non epiteliale di solito si presenta come epitelio normale con lesioni subepiteliali ispessite. Molti studi hanno differenziato quantitativamente l'OSSN misurando il valore dello spessore epiteliale. Sono stati verificati valori di cut-off di 120-142 μm per ottenere una buona sensibilità e specificità nel differenziare l'OSSN dallo pterigio12,13. L'AS-OCT può essere utilizzato anche per identificare patologie oculari coesistenti2. È utile per ridurre potenzialmente la biopsia o indirizzare la posizione della biopsia per una migliore diagnosi e trattamento.
Anche se l'esame istopatologico rimane il gold standard, l'HR-OCT può essere un utile assistente nel monitoraggio della risposta chemioterapica e nell'evitare l'interruzione prematura della terapia. Durante la chemioterapia topica, la progressione verso la normalizzazione epiteliale, vale a dire spessore ridotto e iperriflettività, zona di transizione meno distinta può essere osservata sulle immagini HR-OCT, che è definita come risoluzione del tumore mentre l'aspetto dell'epitelio normalizzato è definito come risoluzione clinica del tumore14. In generale, per prevenire la progressione e la recidiva dell'OSSN, si raccomandano 1-2 cicli aggiuntivi di chemioterapia topica per ottenere la completa risoluzione del tumore dopo la risoluzione del tumore definito HR-OCT15. Inoltre, l'HR-OCT può essere utilizzato per monitorare la malattia subclinica durante le visite di follow-up per aiutare i medici a regolare la terapia al fine di prevenire la recidiva del tumore16.
È importante, tuttavia, rendersi conto dei limiti dell'HR-OCT in ambito clinico. HR-OCT non è in grado di differenziare in modo affidabile i sottotipi di neoplasia squamosa, come l'iperplasia pseudoepitheliomaotus, il papilloma, la CIN e il SCC17. Inoltre, gli effetti di ombreggiamento sono solitamente osservati nei tumori cheratinizzati e pigmentati o nelle lesioni che superano i 500 μm di profondità, il che può ostacolare la visualizzazione del bordo epiteliale posteriore10. Inoltre, alcune lesioni possono avere caratteristiche sovrapposte, che diminuiscono l'accuratezza dell'interpretazione18. Anche con le carenze sopra menzionate, l'HR-OCT è ancora una modalità promettente per la diagnosi dei tumori quando sono di natura epiteliale o subepiteliale. Questo coadiuvante di imaging può aiutare i medici a gestire meglio l'OSSN nelle cliniche. Inoltre, i biomarcatori di imaging nell'AS-OCT possono essere ulteriormente estesi nel campo delle applicazioni di deep learning per aiutare gli oftalmologi ad aumentare l'accuratezza diagnostica, prognostica e di monitoraggio, oltre a ridurre i carichi di lavoro e i costi.