Radiomik för preoperativ käkcystdifferentiering: En multicenter ML-studie

Cystiska lesioner i käkbenet inkluderar odontogena tumörer och icke-tumörösa cystiska lesioner som förekommer i käkbenet, där ameloblastom är det vanligaste bland de förra och odontogena och icke-odontogena cystor bland de senare. För närvarande varierar behandlingsinriktningen för olika typer av käkbenscystiska lesioner. Ameloblastom, som kan återkomma och metastasera, behandlas i första hand med kirurgisk excision, medan cystiska lesioner behandlas mer brett med procedurer som curettage och marsupialisering. Därför är noggrann preoperativ differentialdiagnos av olika käkbensskador och det efterföljande valet av lämpliga behandlingsplaner avgörande för att uppnå optimala patientresultat. Olämpliga behandlingsval kan försena tillståndet eller leda till överbehandling, vilket påverkar patientens livskvalitet. För närvarande saknas det fortfarande ett objektivt och korrekt standard- och differentialdiagnosprotokoll för behandling av cystiska lesioner i käkbenet, vilket gör upprättandet av en objektiv och vetenskaplig preoperativ diagnostisk prediktionsmodell av betydande klinisk betydelse. I tidigare forskning har vi framgångsrikt utvecklat en effektiv prediktiv diagnostisk modell genom att integrera maskininlärningstekniker med datortomografi (CT) radiomik, vilket uppnår ett maximalt AUC-värde >0,8, vilket indikerar god prediktiv prestanda och kliniskt referensvärde. I den aktuella studien siktar vi på att genomföra en multicenter, prospektiv maskininlärningsstudie för att ytterligare förbättra modellens prediktiva diagnostiska prestanda och hjälpa klinisk diagnos och behandling.

Denna studie är utformad som en multicenter, prospektiv maskininlärningsstudie, som involverar 300 patienter med käkbenscystiska lesioner på 12 centra, enligt beskrivningen i listan över samarbetande institutioner. Baserat på vår tidigare undersökning av de faktiska diagnos- och behandlingsförhållandena vid varje forskningscentrum, planerar vi att använda olika typer av bilddata för gruppering enligt de bildundersökningar som gjorts, och att standardisera behandlingen av bilddata från olika enheter och typer för efterföljande arbete. Sun Yat-sen Memorial Hospital vid Sun Yat-sen University kommer att fungera som huvudcentrum, med andra institutioner som undercentra. Den specifika grupperingen är följande: spiral-CT-gruppen omfattar sex allmänna sjukhus; Cone beam CT (CBCT)-gruppen inkluderar ett allmänt sjukhus och fem specialiserade tandsjukhus.

Under studien, efter att ha registrerat patienter som uppfyller inklusionskriterierna, kommer vi att samla in käk-CT-avbildningsdata, importera dem till programvaran (LIFEx version 6.30) och avgränsa regionen av intresse (ROI). Radiomiska egenskaper inom ROI kommer att extraheras med hjälp av Pyradiomics programvara, väljs ut och används för preoperativa diagnostiska förutsägelser med den befintliga modellen. Efter kirurgisk behandling kommer de patologiska resultaten av lesionerna att spåras och registreras. Om förhållandena tillåter kan modellens prediktiva prestanda optimeras ytterligare i faser under studien, eller metodiska justeringar och rekonstruktioner av den prediktiva modellen kan försökas med hjälp av all tillgänglig data för att uppnå en mer idealisk preoperativ diagnostisk prediktion.