Risikostratifizierung von Orbitaltumoren basierend auf MRl und künstlicher Intelligenz

Obwohl Orbitaltumoren seltener sind als andere Augenerkrankungen, können sie für den Patienten äußerst schädlich sein. Sie können nicht nur zu körperlichen Entstellungen führen, sondern auch zu funktionellen Beeinträchtigungen wie vermindertem Sehvermögen und eingeschränkter Augenbewegung. Orbitale Tumoren können entweder als gutartig oder bösartig kategorisiert werden, und es gibt erhebliche Unterschiede in ihrem biologischen Verhalten, ihren Behandlungsansätzen, ihren Ergebnissen und ihrer Prognose, was die Prozesse der Differenzialdiagnose und Behandlungsauswahl erschwert. Bei bösartigen Läsionen variieren die Behandlungspläne und die Prognose der Patienten aufgrund der unterschiedlichen pathologischen Typen und Stadien. Daher besteht eine dringende klinische Notwendigkeit, genaue Diagnosemethoden für Orbitaltumoren zu entwickeln. Die multiparametrische Magnetresonanztomographie (mp-MRT) gilt derzeit als das führende nicht-invasive Bildgebungsverfahren zur Diagnose von Orbitaltumoren. Diese Studie konzentriert sich auf die präzise Diagnose der Risikostratifizierung von orbitalen Tumoren und nutzt die Algorithmustechnologie der künstlichen Intelligenz, um den inhärenten Zusammenhang zwischen MRT-Bildern und der Unterscheidungsdiagnose von gutartigen und bösartigen orbitalen Tumoren, histologischen Typen und Ki-67-Expressionsniveaus bösartiger Tumoren zu untersuchen. Ziel ist es, klinische Informationen und quantitative MRT-Funktionen zu integrieren, um Vorhersagemodelle zu erstellen, individuelle Diagnose- und Behandlungsentscheidungen für Patienten mit Augenhöhlentumoren zu unterstützen und die Anwendung und Weiterentwicklung der Technologie der künstlichen Intelligenz zu erleichtern. Im Einzelnen werden die Forschungsziele wie folgt umrissen:

1. Etablierung eines Deep-Learning-basierten automatischen Segmentierungsmodells für Orbitaltumoren unter Verwendung eines Multisequenz-MRT-Datensatzes aus mehreren Zentren, wodurch die für die manuelle Abgrenzung erforderliche Zeit verkürzt und sich für die nachfolgende Analyse als vorteilhaft erwiesen wird.
2. Entwicklung eines Modells zur Identifizierung bösartiger und gutartiger Orbitaltumoren mithilfe mehrerer Algorithmen für maschinelles Lernen in Kombination mit einem MRT-Datensatz mit mehreren Sequenzen, mit dem Ziel, präzisere Informationen zur Unterscheidung zwischen diesen beiden Entitäten bereitzustellen.
3. Aufbau robuster Diagnosemodelle mithilfe von maschinellen Lern- oder Deep-Learning-Ansätzen mit quantitativen Multisequenz-MRT-Funktionen zur Identifizierung des histologischen Typs und der Ki-67-Expressionsniveaus von bösartigen Augenhöhlentumoren mit dem Ziel, die Erkennungsraten und -genauigkeit zu verbessern und so eine Risikostratifizierung für Patienten zu erreichen mit bösartigen Orbitaltumoren.