Costruzione e validazione di un sistema di diagnostica ecografica intelligente per lo spettro del neuroblastoma nei bambini

I tumori neuroblastici (NT) rappresentano i tumori solidi extracranici più comuni nell'infanzia, con la stragrande maggioranza dei pazienti diagnosticati con neuroblastoma (NB), il sottotipo associato alla maggiore malignità e alla peggiore prognosi. Questi casi presentano sfide significative nella diagnosi clinica e nella gestione, portando spesso a esiti complessivamente sfavorevoli. L'esame istopatologico rimane il gold standard per la diagnosi e la classificazione definitive. Tuttavia, questo metodo è invasivo, comporta un rischio di complicanze e la sua accuratezza diagnostica è soggetta all'esperienza dell'operatore e al sito di campionamento della biopsia. Sebbene l'imaging medico consenta una valutazione non invasiva del tumore, si basa principalmente sull'interpretazione visiva soggettiva da parte dei medici, con conseguente accuratezza e riproducibilità limitate nella distinzione tra diversi sottotipi di NT.

La radiomica, un approccio emergente di analisi delle immagini basato sull'intelligenza artificiale, consente l'estrazione, l'analisi e la quantificazione ad alto rendimento delle caratteristiche dell'immagine attraverso algoritmi automatizzati, rivelando enormi quantità di informazioni subvisive. Ha dimostrato una notevole promessa nella diagnosi differenziale, nella valutazione del trattamento e nella previsione dell'esito dei tumori. Le attuali ricerche sulla radiomica nel neuroblastoma sono ancora in fase iniziale, con la maggior parte degli studi incentrati su modalità come la tomografia computerizzata (TC), la risonanza magnetica (RM) e la tomografia a emissione di positroni-tomografia computerizzata (PET-TC), mentre le indagini di radiomica basate sull'ecografia rimangono inesplorate.

L'ecografia, grazie ai suoi vantaggi unici, tra cui l'assenza di radiazioni ionizzanti, l'imaging dinamico in tempo reale, la facilità operativa e il basso costo, è diventata la modalità di imaging preferita per lo screening e il follow-up dei tumori pediatrici. Di conseguenza, l'integrazione della radiomica con l'ecografia per sviluppare un sistema diagnostico intelligente in grado di valutare in modo non invasivo e accurato i NT riveste un significativo valore clinico e potenziale traslazionale. Tale sistema faciliterebbe la classificazione preoperatoria precisa, la stratificazione del rischio del paziente e il supporto al processo decisionale clinico.

Questo studio mira a costruire e validare un sistema diagnostico ecografico intelligente per i tumori neuroblastici pediatrici basato su caratteristiche di radiomica ecografica, come segue:

1. Costruire un modello predittivo per i tumori neuroblastici pediatrici (NT) basato su immagini ecografiche, realizzando la diagnosi differenziale automatizzata di neuroblastoma (NB), ganglioneuroblastoma (GNB) e ganglioneuroma (GN).
2. Sulla base della classificazione patologica, integrare le caratteristiche clinico-patologiche per stabilire un modello di fusione multimodale. L'attenzione è rivolta all'identificazione dei pazienti ad alto rischio, alla previsione delle metastasi midollari e alla stima degli esiti del trattamento, fornendo una base di riferimento per il processo decisionale clinico.
3. Integrare i risultati di ricerche precedenti per costruire un sistema diagnostico ecografico intelligente completo che integri classificazione patologica, stratificazione del rischio e valutazione prognostica, realizzando una valutazione sistematica e intelligente dei pazienti con NT per supportare la stratificazione del rischio clinico e le decisioni terapeutiche individualizzate.