Aufbau und Validierung eines intelligenten Ultraschall-Diagnosesystems für das Spektrum des Neuroblastoms bei Kindern

Neuroblastische Tumoren (NT) sind die häufigsten extrakraniellen soliden Tumoren im Kindesalter, wobei die überwiegende Mehrheit der Patienten mit Neuroblastom (NB) diagnostiziert wird – der Subtyp mit der höchsten Malignität und schlechtesten Prognose. Diese Fälle stellen erhebliche Herausforderungen in der klinischen Diagnose und Behandlung dar und führen oft zu ungünstigen Gesamtergebnissen. Die histopathologische Untersuchung bleibt der Goldstandard für die definitive Diagnose und Klassifikation. Diese Methode ist jedoch invasiv, birgt ein Risiko von Komplikationen, und ihre diagnostische Genauigkeit hängt von der Erfahrung des Untersuchers und der Entnahmestelle der Biopsie ab. Obwohl die medizinische Bildgebung eine nichtinvasive Beurteilung des Tumors ermöglicht, basiert sie hauptsächlich auf der subjektiven visuellen Interpretation durch Ärzte, was zu einer begrenzten Genauigkeit und Reproduzierbarkeit bei der Unterscheidung verschiedener NT-Subtypen führt.

Radiomics, ein auf künstlicher Intelligenz basierender Bildgebungsanalyseansatz, ermöglicht die Hochdurchsatz-Extraktion, -Analyse und -Quantifizierung von Bildgebungsmerkmalen durch automatisierte Algorithmen und deckt enorme Mengen subvisueller Informationen auf. Es hat sich als vielversprechend für die Differentialdiagnose, Therapiebewertung und Ergebnisvorhersage von Tumoren erwiesen. Die aktuelle Radiomics-Forschung zum Neuroblastom befindet sich noch in einem frühen Stadium, wobei die meisten Studien Modalitäten wie Computertomographie (CT), Magnetresonanztomographie (MRT) und Positronenemissionstomographie-Computertomographie (PET-CT) untersuchen, während ultraschallbasierte Radiomics-Untersuchungen noch unerforscht sind.

Die Sonographie hat aufgrund ihrer einzigartigen Vorteile – einschließlich des Fehlens ionisierender Strahlung, der dynamischen Echtzeitbildgebung, der einfachen Handhabung und der niedrigen Kosten – zur bevorzugten Bildgebungsmodalität für das pädiatrische Tumor-Screening und die Nachsorge wird. Folglich hat die Integration von Radiomics mit der Sonographie zur Entwicklung eines intelligenten Diagnosesystems, das nicht-invasiv NT genau beurteilen kann, einen erheblichen klinischen Wert und ein translationspotenzial. Ein solches System würde eine präzise präoperative Klassifikation, Risikostratifizierung der Patienten und Unterstützung der klinischen Entscheidungsfindung ermöglichen.

Diese Studie zielt darauf ab, ein intelligentes Ultraschall-Diagnosesystem für pädiatrische neuroblastische Tumoren auf der Grundlage von Ultraschall-Radiomics-Merkmalen zu entwickeln und zu validieren, wie folgt:

1. Aufbau eines Vorhersagemodells für pädiatrische neuroblastische Tumoren (NT) auf der Grundlage von Ultraschallbildern, das eine automatisierte Differentialdiagnose von Neuroblastom (NB), Ganglioneuroblastom (GNB) und Ganglioneurom (GN) ermöglicht.
2. Auf der Grundlage der pathologischen Klassifikation Integration klinisch-pathologischer Merkmale zur Erstellung eines multimodalen Fusionsmodells. Der Schwerpunkt liegt auf der Identifizierung von Hochrisikopatienten, der Vorhersage von Knochenmarkmetastasen und der Einschätzung des Behandlungsergebnisses, um eine Referenzbasis für klinische Entscheidungen zu schaffen.
3. Integration früherer Forschungsergebnisse, um ein umfassendes intelligentes Ultraschall-Diagnosesystem aufzubauen, das pathologische Klassifikation, Risikostratifizierung und Prognosebeurteilung integriert, um eine systematische und intelligente Bewertung von NT-Patienten zu erreichen und die klinische Risikostratifizierung und individualisierte Behandlungsentscheidungen zu unterstützen.