Risikostratifisering av orbitale svulster basert på MRl og kunstig intelligens

Selv om orbitale svulster er mindre vanlige enn andre øyerelaterte sykdommer, kan de være ekstremt skadelige for pasienter. Ikke bare kan de forårsake fysisk vansiring, men de kan også føre til funksjonshemminger som nedsatt syn og begrenset øyebevegelse. Orbitale svulster kan kategoriseres som enten godartede eller ondartede, og det er betydelige forskjeller i deres biologiske oppførsel, behandlingstilnærminger, utfall og prognose, noe som kompliserer prosessene med differensialdiagnose og behandlingsvalg. For ondartede lesjoner varierer behandlingsplanene og prognosen til pasientene på grunn av de forskjellige patologiske typene og stadiene. Derfor er det en presserende klinisk nødvendighet å utarbeide nøyaktige diagnostiske metoder for orbitale svulster. Multiparametrisk magnetisk resonansavbildning (mp-MRI) står for tiden som den ledende ikke-invasive avbildningsteknikken for diagnostisering av orbitale svulster. Denne studien er sentrert på presis diagnose av orbital tumorrisikostratifisering, ved bruk av kunstig intelligensalgoritmeteknologi for å utforske den iboende sammenhengen mellom MR-bilder og den kjennetegnende diagnosen av benigne og ondartede orbitale svulster, histologiske typer og Ki-67 ekspresjonsnivåer av ondartede svulster. Den tar sikte på å integrere klinisk informasjon og kvantitative MR-funksjoner for å konstruere prediksjonsmodeller, hjelpe til med å veilede individuelle diagnoser og behandlingsbeslutninger for pasienter med orbitale svulster og lette anvendelsen og fremskrittet av kunstig intelligens-teknologi. Konkret er forskningsmålene skissert som følger:

1. Etablere en dyp læringsbasert automatisk segmenteringsmodell for orbitale svulster ved å bruke et multi-sekvens MR-datasett fra flere sentre, og dermed redusere tiden som kreves for manuell avgrensning og vise seg gunstig for påfølgende analyse.
2. Utvikle en modell for å identifisere ondartede og godartede orbitale svulster ved å bruke flere maskinlæringsalgoritmer kombinert med multi-sekvens MR-datasett, med sikte på å gi mer presis informasjon for å skille mellom disse to enhetene.
3. Konstruere robuste diagnostiske modeller ved bruk av maskinlæring eller dyplæringstilnærminger med kvantitative multi-sekvens MR-funksjoner for å identifisere histologisk type og Ki-67-ekspresjonsnivåer av ondartede orbitale svulster, med det formål å forbedre deteksjonshastigheter og nøyaktighet, og dermed oppnå risikostratifisering for pasienter med ondartede orbitale svulster.