Stratyfikacja ryzyka nowotworów oczodołu w oparciu o MR1 i sztuczną inteligencję

Chociaż nowotwory oczodołu występują rzadziej niż inne choroby oczu, mogą być niezwykle szkodliwe dla pacjentów. Mogą powodować nie tylko fizyczne zniekształcenie, ale mogą również prowadzić do zaburzeń funkcjonalnych, takich jak pogorszenie widzenia i ograniczenie ruchu gałek ocznych. Guzy oczodołu można podzielić na łagodne i złośliwe, przy czym istnieją znaczne różnice w ich zachowaniu biologicznym, podejściu do leczenia, wynikach i rokowaniu, co komplikuje proces diagnostyki różnicowej i wyboru leczenia. W przypadku zmian złośliwych plany leczenia i rokowanie pacjentów różnią się ze względu na różne typy patologii i etapy. Dlatego istnieje pilna kliniczna konieczność opracowania dokładnych metod diagnostycznych guzów oczodołu. Wieloparametryczny rezonans magnetyczny (mp-MRI) jest obecnie wiodącą nieinwazyjną techniką obrazowania w diagnostyce guzów oczodołu. Badanie to koncentruje się na precyzyjnej diagnostyce stratyfikacji ryzyka nowotworu oczodołu, z wykorzystaniem technologii algorytmów sztucznej inteligencji w celu zbadania nieodłącznego powiązania między obrazami MRI a diagnostyką różnicującą łagodnych i złośliwych guzów oczodołu, typów histologicznych i poziomów ekspresji Ki-67 nowotworów złośliwych. Ma na celu integrację informacji klinicznych i ilościowych cech MRI w celu skonstruowania modeli prognostycznych, pomocy w podejmowaniu indywidualnych decyzji dotyczących diagnozy i leczenia pacjentów z guzami oczodołu oraz ułatwienia stosowania i rozwoju technologii sztucznej inteligencji. W szczególności cele badawcze przedstawiają się następująco:

1. Ustanowienie opartego na głębokim uczeniu modelu automatycznej segmentacji guzów oczodołu przy użyciu wielosekwencyjnego zbioru danych MRI z wielu ośrodków, co skraca czas potrzebny na ręczne wyznaczanie i okazuje się korzystne dla późniejszej analizy.
2. Opracowanie modelu identyfikacji złośliwych i łagodnych guzów oczodołu przy użyciu wielu algorytmów uczenia maszynowego w połączeniu z wielosekwencyjnym zbiorem danych MRI, w celu dostarczenia bardziej precyzyjnych informacji umożliwiających rozróżnienie tych dwóch jednostek.
3. Konstruowanie solidnych modeli diagnostycznych z wykorzystaniem uczenia maszynowego lub podejścia głębokiego uczenia się z ilościowymi wielosekwencyjnymi cechami MRI w celu identyfikacji typu histologicznego i poziomów ekspresji Ki-67 złośliwych guzów oczodołu w celu zwiększenia wskaźników i dokładności wykrywalności, a tym samym uzyskania stratyfikacji ryzyka dla pacjentów ze złośliwymi guzami oczodołu.