Orbitaalisten kasvainten riskikerrostuminen MRl:n ja tekoälyn perusteella

Vaikka silmäkuopan kasvaimet ovat vähemmän yleisiä kuin muut silmätaudit, ne voivat olla erittäin haitallisia potilaille. Ne voivat aiheuttaa fyysistä muodonmuutosta, mutta ne voivat myös johtaa toiminnallisiin häiriöihin, kuten näön heikkenemiseen ja rajoittuneisiin silmien liikkeisiin. Orbitaaliset kasvaimet voidaan luokitella joko hyvänlaatuisiksi tai pahanlaatuisiksi, ja niiden biologisessa käyttäytymisessä, hoitomenetelmissä, tuloksissa ja ennusteessa on merkittäviä eroja, mikä vaikeuttaa erotusdiagnoosin ja hoidon valinnan prosesseja. Pahanlaatuisten leesioiden hoitosuunnitelmat ja potilaiden ennusteet vaihtelevat eri patologisten tyyppien ja vaiheiden vuoksi. Tästä syystä on olemassa kiireellinen kliininen tarve suunnitella tarkkoja diagnostisia menetelmiä orbitaalisille kasvaimille. Moniparametrinen magneettikuvaus (mp-MRI) on tällä hetkellä johtava ei-invasiivinen kuvantamistekniikka orbitaalisten kasvainten diagnosoinnissa. Tämä tutkimus keskittyy orbitaalisen kasvaimen riskikerrostumisen tarkkaan diagnoosiin, ja se hyödyntää tekoälyalgoritmiteknologiaa MRI-kuvien luontaisen yhteyden tutkimiseen hyvänlaatuisten ja pahanlaatuisten orbitaalisten kasvainten, histologisten tyyppien ja pahanlaatuisten kasvainten Ki-67-ekspressiotason välillä. Sen tavoitteena on yhdistää kliinisiä tietoja ja kvantitatiivisia MRI-ominaisuuksia ennustemallien rakentamiseen, auttaa ohjaamaan yksilöllisiä diagnooseja ja hoitopäätöksiä potilaille, joilla on orbitaalikasvaimia, sekä helpottaa tekoälyteknologian soveltamista ja kehittämistä. Erityisesti tutkimuksen tavoitteet on hahmoteltu seuraavasti:

1. Luodaan syvään oppimiseen perustuva automaattinen segmentointimalli orbitaalisille kasvaimille käyttämällä monisekvenssi-MRI-tietoaineistoa useista keskuksista, mikä vähentää manuaaliseen rajaamiseen tarvittavaa aikaa ja osoittautuu hyödylliseksi myöhempään analyysiin.
2. Kehitetään mallia pahanlaatuisten ja hyvänlaatuisten orbitaalisten kasvainten tunnistamiseksi käyttämällä useita koneoppimisalgoritmeja yhdistettynä monisekvenssiiseen MRI-tietoaineistoon, tavoitteena tarjota tarkempaa tietoa näiden kahden kokonaisuuden erottamiseksi toisistaan.
3. Luotettavia diagnostisia malleja käyttäen koneoppimis- tai syväoppimislähestymistapoja kvantitatiivisilla monisekvenssi-MRI-ominaisuuksilla pahanlaatuisten orbitaalisten kasvainten histologisen tyypin ja Ki-67-ilmentymistasojen tunnistamiseksi tarkoituksena parantaa havaitsemisastetta ja tarkkuutta ja siten saavuttaa potilaiden riskikerrostuminen pahanlaatuisten orbitaalisten kasvainten kanssa.