Stratificazione del rischio dei tumori orbitali basata sulla MRl e sull'intelligenza artificiale

Sebbene i tumori orbitali siano meno comuni di altre malattie legate agli occhi, possono essere estremamente dannosi per i pazienti. Non solo possono causare deturpazioni fisiche, ma possono anche portare a disturbi funzionali come visione ridotta e movimento oculare limitato. I tumori orbitali possono essere classificati come benigni o maligni e esistono disparità significative nel loro comportamento biologico, negli approcci terapeutici, negli esiti e nella prognosi, il che complica i processi di diagnosi differenziale e di selezione del trattamento. Per le lesioni maligne, i piani di trattamento e la prognosi dei pazienti variano a causa dei diversi tipi e stadi patologici. Pertanto, esiste una urgente necessità clinica di ideare metodi diagnostici accurati per i tumori orbitali. La risonanza magnetica multiparametrica (mp-MRI) rappresenta attualmente la principale tecnica di imaging non invasiva per la diagnosi dei tumori orbitali. Questo studio è incentrato sulla diagnosi precisa della stratificazione del rischio di tumore orbitale, utilizzando la tecnologia degli algoritmi di intelligenza artificiale per esplorare la connessione intrinseca tra le immagini MRI e la diagnosi distintiva di tumori orbitali benigni e maligni, tipi istologici e livelli di espressione di Ki-67 di tumori maligni. Mira a integrare informazioni cliniche e caratteristiche quantitative della risonanza magnetica per costruire modelli di previsione, aiutare a guidare la diagnosi individuale e le decisioni terapeutiche per i pazienti con tumori orbitali e facilitare l'applicazione e il progresso della tecnologia dell'intelligenza artificiale. Nello specifico gli obiettivi della ricerca sono così delineati:

1. Creazione di un modello di segmentazione automatica basato sull'apprendimento profondo per i tumori orbitali utilizzando un set di dati MRI multisequenza da più centri, riducendo così il tempo necessario per la delineazione manuale e rivelandosi utile per l'analisi successiva.
2. Sviluppo di un modello per l'identificazione di tumori orbitali maligni e benigni utilizzando più algoritmi di apprendimento automatico combinati con set di dati MRI multisequenza, con l'obiettivo di fornire informazioni più precise per distinguere tra queste due entità.
3. Costruire modelli diagnostici robusti utilizzando approcci di machine learning o deep learning con caratteristiche quantitative di risonanza magnetica multi-sequenza per identificare il tipo istologico e i livelli di espressione di Ki-67 dei tumori orbitali maligni, con lo scopo di migliorare i tassi di rilevamento e l'accuratezza, ottenendo così la stratificazione del rischio per i pazienti con tumori orbitali maligni.