Risikostratificering af orbitale tumorer baseret på MRl og kunstig intelligens

Selvom orbitale tumorer er mindre almindelige end andre øjenrelaterede sygdomme, kan de være yderst skadelige for patienterne. Ikke kun kan de forårsage fysisk vansiring, men de kan også føre til funktionsnedsættelser såsom nedsat syn og begrænsede øjenbevægelser. Orbitale tumorer kan kategoriseres som enten godartede eller ondartede, og der er betydelige forskelle i deres biologiske adfærd, behandlingstilgange, resultater og prognose, hvilket komplicerer processerne med differentialdiagnose og behandlingsvalg. For maligne læsioner varierer behandlingsplanerne og prognosen for patienter på grund af de forskellige patologiske typer og stadier. Derfor er der en presserende klinisk nødvendighed for at udtænke nøjagtige diagnostiske metoder til orbitale tumorer. Multiparametrisk magnetisk resonansbilleddannelse (mp-MRI) står i øjeblikket som den førende ikke-invasive billeddannelsesteknik til diagnosticering af orbitale tumorer. Denne undersøgelse er centreret om præcis diagnose af orbital tumorrisikostratificering, ved hjælp af kunstig intelligens-algoritmeteknologi til at udforske den iboende sammenhæng mellem MR-billeder og den kendetegnende diagnose af benigne og ondartede orbitale tumorer, histologiske typer og Ki-67-ekspressionsniveauer af maligne tumorer. Det sigter mod at integrere klinisk information og kvantitative MR-funktioner for at konstruere forudsigelsesmodeller, hjælpe med at vejlede individuel diagnose og behandlingsbeslutninger for patienter med orbitale tumorer og lette anvendelsen og fremskridtene af kunstig intelligens-teknologi. Konkret er forskningsmålene skitseret som følger:

1. Etablering af en dyb læringsbaseret automatisk segmenteringsmodel for orbitale tumorer ved hjælp af et multi-sekvens MR-datasæt fra flere centre, hvilket reducerer den tid, der kræves til manuel afgrænsning og viser sig gavnlig for efterfølgende analyse.
2. Udvikling af en model til identifikation af maligne og godartede orbitale tumorer ved hjælp af flere maskinlæringsalgoritmer kombineret med multi-sekvens MR-datasæt, med det formål at give mere præcis information til at skelne mellem disse to enheder.
3. Konstruktion af robuste diagnostiske modeller ved hjælp af maskinlæring eller deep learning tilgange med kvantitative multi-sekvens MR-funktioner for at identificere den histologiske type og Ki-67 ekspressionsniveauer af maligne orbitale tumorer med det formål at øge detektionshastigheder og nøjagtighed og derved opnå risikostratificering for patienter med ondartede orbitale tumorer.