Radiomiks for preoperativ kjevecystedifferensiering: En multisenter ML-studie

Cystiske lesjoner i kjevebenet inkluderer odontogene svulster og ikke-tumorøse cystiske lesjoner som forekommer i kjevebenet, hvor ameloblastom er det vanligste blant de førstnevnte, og odontogene og ikke-odontogene cyster blant sistnevnte. For tiden varierer behandlingsfokuset for ulike typer kjevebenscystiske lesjoner. Ameloblastomer, som kan komme tilbake og metastasere, behandles primært med kirurgisk eksisjon, mens cystiske lesjoner behandles mer bredt med prosedyrer som curettage og marsupialisering. Derfor er nøyaktig preoperativ differensialdiagnose av ulike kjevebenslesjoner og påfølgende valg av passende behandlingsplaner avgjørende for å oppnå optimale pasientresultater. Upassende behandlingsvalg kan forsinke tilstanden eller føre til overbehandling, noe som påvirker pasientens livskvalitet. For tiden mangler det fortsatt en objektiv og nøyaktig standard og differensialdiagnoseprotokoll for behandling av kjevebens cystiske lesjoner, noe som gjør etableringen av en objektiv og vitenskapelig preoperativ diagnostisk prediksjonsmodell av betydelig klinisk betydning. I tidligere forskning har vi utviklet en effektiv prediktiv diagnostisk modell ved å integrere maskinlæringsteknikker med computertomografi (CT) radiomiks, og oppnå en maksimal AUC-verdi >0,8, noe som indikerer god prediktiv ytelse og klinisk referanseverdi. I den nåværende studien tar vi sikte på å gjennomføre en multisenter, prospektiv maskinlæringsstudie for å ytterligere forbedre modellens prediktive diagnostiske ytelse og bistå klinisk diagnose og behandling.

Denne studien er designet som en multisenter, prospektiv maskinlæringsstudie, som involverer 300 pasienter med kjevebenscystiske lesjoner på tvers av 12 sentre, som beskrevet i listen over samarbeidende institusjoner. Basert på vår tidligere undersøkelse av de faktiske diagnostiske og behandlingsmessige tilstandene ved hvert forskningssenter, planlegger vi å bruke ulike typer bildedata for gruppering i henhold til utførte bildeundersøkelser, og å standardisere behandlingen av bildedata fra ulike enheter og typer for påfølgende. arbeid. Sun Yat-sen Memorial Hospital ved Sun Yat-sen University vil fungere som hovedsenteret, med andre institusjoner som undersentre. Den spesifikke grupperingen er som følger: spiral-CT-gruppen inkluderer seks generelle sykehus; Cone beam CT (CBCT)-gruppen inkluderer ett generelt sykehus og fem spesialiserte tannsykehus.

I løpet av studien, etter å ha registrert pasienter som oppfyller inklusjonskriteriene, vil vi samle inn maxillofacial CT-bildedata, importere dem til programvaren (LIFEx versjon 6.30) og avgrense interesseområdet (ROI). Radiomiske funksjoner i ROI vil bli ekstrahert ved hjelp av Pyradiomics-programvare, valgt og brukt for preoperative diagnostiske prediksjoner med den eksisterende modellen. Etter kirurgisk behandling vil de patologiske resultatene av lesjonene spores og registreres. Hvis forholdene tillater det, kan modellens prediktive ytelse optimaliseres ytterligere i faser i løpet av studien, eller metodiske justeringer og rekonstruksjoner av den prediktive modellen kan forsøkes ved bruk av alle tilgjengelige data for å oppnå en mer ideell preoperativ diagnostisk prediksjon.