Konstruksjon og validering av et intelligent ultralyddiagnosesystem for spekteret av nevroblastom hos barn

Neuroblastiske svulster (NT) utgjør de vanligste ekstrakranielle solide svulstene i barndommen, med det store flertallet av pasienter diagnostisert med nevroblastom (NB) – subtypen forbundet med høyest malignitet og dårligst prognose. Disse tilfellene utgjør betydelige utfordringer i klinisk diagnostikk og behandling, og fører ofte til ugunstige totale utfall. Histopatologisk undersøkelse er fortsatt gullstandarden for definitiv diagnose og klassifisering. Imidlertid er denne metoden invasiv, medfører risiko for komplikasjoner, og dens diagnostiske nøyaktighet er avhengig av operatørens erfaring og stedet for biopsiprøvetaking. Selv om medisinsk bildediagnostikk muliggjør ikke-invasiv tumorevaluering, er den i hovedsak avhengig av subjektiv visuell tolkning av leger, noe som resulterer i begrenset nøyaktighet og reproduserbarhet ved å skille mellom ulike NT-subtyper.

Radiomikk, en fremvoksende kunstig intelligens-basert bildeanalyse-tilnærming, muliggjør høyhastighets ekstraksjon, analyse og kvantifisering av bildekarakteristikker gjennom automatiserte algoritmer, og avdekker store mengder subvisuell informasjon. Den har vist betydelig lovende for differensialdiagnose, behandlingsevaluering og prediksjon av tumorutfall. Nåværende radiomikkforskning på nevroblastom er fortsatt i tidlig fase, med de fleste studier fokusert på modaliteter som datatomografi (CT), magnetresonanstomografi (MR) og positronemisjonstomografi - datatomografi (PET-CT), mens ultralydbasert radiomikkforskning forblir uutforsket.

Ultralyd, på grunn av sine unike fordeler – inkludert fravær av ioniserende stråling, dynamisk bildebehandling i sanntid, brukervennlighet og lav kostnad – har blitt den foretrukne bildediagnostiske modaliteten for screening og oppfølging av pediatriske svulster. Følgelig har integrering av radiomikk med ultralyd for å utvikle et intelligent diagnostisk system som kan vurdere NT ikke-invasivt og nøyaktig, betydelig klinisk verdi og translasjonspotensiale. Et slikt system vil lette presis preoperativ klassifisering, risikostratifisering av pasienter og støtte for kliniske beslutninger.

Denne studien tar sikte på å konstruere og validere et intelligent ultralyddiagnostisk system for pediatriske neuroblastiske svulster basert på ultralydradiomikkstrekk, som følger:

1. Å bygge en prediksjonsmodell for pediatriske neuroblastiske svulster (NT) basert på ultralydbilder, for å oppnå automatisert differensialdiagnose av nevroblastom (NB), ganglionevroblastom (GNB) og ganglioneurom (GN).
2. På grunnlag av patologisk klassifisering, integrere klinisk-patologiske karakteristikker for å etablere en multimodal fusjonsmodell. Fokuset er å identifisere høyrisikopasienter, forutsi benmargsmetastaser og estimere behandlingsresultater, og dermed gi et referansegrunnlag for kliniske beslutninger.
3. Integrere tidligere forskningsresultater for å konstruere et omfattende intelligent ultralyddiagnostisk system som integrerer patologisk klassifisering, risikostratifisering og prognosevurdering, for å oppnå systematisk og intelligent evaluering av NT-pasienter for å bistå i klinisk risikostratifisering og individualiserte behandlingsbeslutninger.