Radiomics voor preoperatieve differentiatie van kaakcysten: een multicenter ML-onderzoek

Cystische laesies in het kaakbot omvatten odontogene tumoren en niet-tumoreuze cystische laesies die voorkomen in het kaakbot, waarbij ameloblastoom de meest voorkomende is onder de eerste, en odontogene en niet-odontogene cysten onder de laatste. Momenteel varieert de focus van de behandeling voor verschillende soorten cystische laesies in het kaakbot. Ameloblastomen, die kunnen terugkeren en metastaseren, worden voornamelijk behandeld met chirurgische excisie, terwijl cysteuze laesies breder worden behandeld met procedures zoals curettage en marsupialisatie. Daarom zijn nauwkeurige preoperatieve differentiële diagnose van verschillende kaakbotlaesies en de daaropvolgende selectie van geschikte behandelplannen cruciaal voor het bereiken van optimale patiëntresultaten. Ongepaste behandelingskeuzes kunnen de aandoening vertragen of tot overbehandeling leiden, waardoor de kwaliteit van leven van de patiënt wordt aangetast. Op dit moment ontbreekt het nog steeds aan een objectief en accuraat standaard- en differentieel diagnoseprotocol voor de behandeling van cystische laesies in het kaakbot, waardoor de vaststelling van een objectief en wetenschappelijk preoperatief diagnostisch voorspellingsmodel van aanzienlijk klinisch belang is. In eerder onderzoek hebben we met succes een effectief voorspellend diagnostisch model ontwikkeld door machinale leertechnieken te integreren met computertomografie (CT) radiomics, waarbij we een maximale AUC-waarde >0,8 bereikten, wat wijst op goede voorspellende prestaties en klinische referentiewaarde. In de huidige studie willen we een multicenter, prospectief machine learning-onderzoek uitvoeren om de voorspellende diagnostische prestaties van het model verder te verbeteren en de klinische diagnose en behandeling te ondersteunen.

Deze studie is opgezet als een multicenter, prospectief machine learning-onderzoek, waarbij 300 patiënten met cysteuze laesies in het kaakbot betrokken zijn, verspreid over 12 centra, zoals beschreven in de lijst van samenwerkende instellingen. Gebaseerd op ons eerdere onderzoek naar de werkelijke diagnostische en behandelingsomstandigheden in elk onderzoekscentrum, zijn we van plan om verschillende soorten beeldgegevens te gebruiken voor het groeperen op basis van de uitgevoerde beeldvormende onderzoeken, en om de verwerking van beeldgegevens van verschillende eenheden en typen te standaardiseren voor daaropvolgende werk. Het Sun Yat-sen Memorial Hospital van de Sun Yat-sen Universiteit zal als hoofdcentrum dienen, met andere instellingen als subcentra. De specifieke groepering is als volgt: de spiraal-CT-groep omvat zes algemene ziekenhuizen; de cone beam CT (CBCT)-groep omvat één algemeen ziekenhuis en vijf gespecialiseerde tandheelkundige ziekenhuizen.

Tijdens de studie zullen we, nadat we patiënten hebben ingeschreven die aan de inclusiecriteria voldoen, maxillofaciale CT-beeldvormingsgegevens verzamelen, deze in de software importeren (LIFEx versie 6.30) en het interessegebied (ROI) afbakenen. Radiomische kenmerken binnen de ROI zullen worden geëxtraheerd met behulp van Pyradiomics-software, geselecteerd en gebruikt voor preoperatieve diagnostische voorspellingen met het bestaande model. Na een chirurgische behandeling worden de pathologische resultaten van de laesies gevolgd en geregistreerd. Als de omstandigheden het toelaten, kunnen de voorspellende prestaties van het model in fasen tijdens het onderzoek verder worden geoptimaliseerd, of kunnen methodologische aanpassingen en reconstructies van het voorspellende model worden geprobeerd met behulp van alle beschikbare gegevens om een ​​idealere preoperatieve diagnostische voorspelling te bereiken.