Präoperative chirurgische Schwierigkeitsstratifizierung anhand der vorhergesagten Tumorperfusion und -konsistenz

Hypophysenadenome (PAs) gehören zu den häufigsten Läsionen der Sella turcica und machen 10–25 % aller intrakraniellen Neoplasien aus. Hypophysenmakroadenome (PMAs) werden mit einem maximalen Durchmesser von über 1 cm definiert. Tumoreigenschaften sind Schlüsselfaktoren, die die chirurgische Wirksamkeit und Komplikationen von PMAs beeinflussen, wobei die Tumorperfusion und -konsistenz in der Literatur als wichtige prädiktive Faktoren identifiziert wurden. Herkömmliche Sequenzen liefern nur begrenzte Informationen zur Vorhersage der Perfusion und Konsistenz von Hypophysenadenomen. Erweiterte Sequenzen bieten zusätzliche Einblicke. Die Wirksamkeit der Kombination radiomischer Merkmale aus multiparametrischen Sequenzen unter Einbeziehung sowohl konventioneller als auch fortgeschrittener Sequenzen konnte jedoch noch nicht nachgewiesen werden.

Unser Ziel ist es, Modelle für maschinelles Lernen zu entwickeln, die radiomische Merkmale kombinieren, die sowohl aus konventionellen als auch aus fortgeschrittenen Sequenzen entwickelt wurden, um die Perfusion und Konsistenz von PMAs vorherzusagen. Darüber hinaus wollen wir die klinische Anwendbarkeit dieser Modelle demonstrieren, indem wir eine MR-PIT-Stratifizierung (multiparametrische radiomische abgeleitete und auf Tumorperfusion und Konsistenz basierende chirurgische Schwierigkeitsstratifizierung) erstellen, die mit der chirurgischen Strategie und den Ergebnissen korreliert.