Constructie en Validatie van een Intelligent Echografisch Diagnostisch Systeem voor het Spectrum van Neuroblastoma bij Kinderen

Neuroblastische tumoren (NT) zijn de meest voorkomende extracraniale vaste tumoren in de kindertijd, waarbij de overgrote meerderheid van de patiënten wordt gediagnosticeerd met neuroblastoom (NB) – het subtype dat samenhangt met de hoogste maligniteit en slechtste prognose. Deze gevallen vormen aanzienlijke uitdagingen bij de klinische diagnose en behandeling, wat vaak leidt tot ongunstige algemene uitkomsten. Histopathologisch onderzoek blijft de gouden standaard voor definitieve diagnose en classificatie. Deze methode is echter invasief, brengt risico op complicaties met zich mee en de diagnostische nauwkeurigheid is afhankelijk van de ervaring van de operateur en de locatie van de biopsie. Hoewel medische beeldvorming niet-invasieve tumorbeoordeling mogelijk maakt, is deze primair gebaseerd op subjectieve visuele interpretatie door artsen, wat leidt tot beperkte nauwkeurigheid en reproduceerbaarheid bij het onderscheiden van verschillende NT-subtypes.

Radiomics, een opkomende op kunstmatige intelligentie gebaseerde beeldvormingsanalysemethode, maakt hoogwaardige extractie, analyse en kwantificering van beeldkenmerken mogelijk via geautomatiseerde algoritmen, waardoor enorme hoeveelheden subvisuele informatie worden blootgelegd. Het heeft aanzienlijke belofte getoond bij de differentiële diagnose, behandelingsevaluatie en uitkomstvoorspelling van tumoren. Huidig radiomics-onderzoek naar neuroblastoom bevindt zich nog in een vroeg stadium, waarbij de meeste studies zich richten op modaliteiten zoals computertomografie (CT), magnetische resonantiebeeldvorming (MRI) en positronemissietomografie-computertomografie (PET-CT), terwijl op echografie gebaseerd radiomics-onderzoek onontgonnen blijft.

Echografie, vanwege zijn unieke voordelen – waaronder afwezigheid van ioniserende straling, real-time dynamische beeldvorming, gebruiksgemak en lage kosten – is de voorkeursbeeldvormingsmodaliteit geworden voor kindertumorscreening en follow-up. Bijgevolg heeft het integreren van radiomics met echografie om een intelligent diagnosesysteem te ontwikkelen dat niet-invasief en nauwkeurig NTs kan beoordelen, aanzienlijke klinische waarde en translationeel potentieel. Een dergelijk systeem zou nauwkeurige preoperatieve classificatie, risicostratificatie van patiënten en ondersteuning van klinische besluitvorming vergemakkelijken.

Deze studie heeft tot doel een intelligent echografisch diagnosesysteem voor neuroblastische tumoren bij kinderen te construeren en te valideren op basis van echografie-radiomics-kenmerken, als volgt:

1. Het bouwen van een voorspellingsmodel voor neuroblastische tumoren (NTs) bij kinderen op basis van echografische beelden, waarmee een geautomatiseerde differentiële diagnose van neuroblastoom (NB), ganglioneuroblastoom (GNB) en ganglioneuroom (GN) wordt bereikt.
2. Op basis van pathologische classificatie, het integreren van klinisch-pathologische kenmerken om een multimodaal fusiemodel te vestigen. De focus ligt op het identificeren van hoogrisicopatiënten, het voorspellen van beenmergmetastasen en het inschatten van behandelingsuitkomsten, als referentiebasis voor klinische besluitvorming.
3. Het integreren van eerdere onderzoeksresultaten om een uitgebreid intelligent echografisch diagnosesysteem te construeren dat pathologische classificatie, risicostratificatie en prognosebeoordeling integreert, waardoor een systematische en intelligente evaluatie van NTs-patiënten wordt bereikt om klinische risicostratificatie en geïndividualiseerde behandelbeslissingen te ondersteunen.