Byggande och validering av ett intelligent ultraljudsdiagnostiskt system för spektrum av neuroblastom hos barn

Neuroblastiska tumörer (NT) är de vanligaste extracraniella solida tumörerna i barndomen, där den stora majoriteten av patienter diagnostiseras med neuroblastom (NB) – den subtyp som är förknippad med högst malignitet och sämst prognos. Dessa fall innebär betydande utmaningar i klinisk diagnos och hantering, vilket ofta leder till ogynnsamma totala utfall. Histopatologisk undersökning förblir guldstandarden för definitiv diagnos och klassificering. Emellertid är denna metod invasiv, medför risk för komplikationer, och dess diagnostiska noggrannhet är beroende av operatörens erfarenhet och platsen för biopsiprovtagning. Även om medicinsk bildtagning möjliggör icke-invasiv tumörbedömning, förlitar den sig främst på subjektiv visuell tolkning av läkare, vilket resulterar i begränsad noggrannhet och reproducerbarhet vid åtskiljning av olika NT-subtyper.

Radiomics, en framväxande artificiell intelligensbaserad bildanalysmetod, möjliggör höggenomströmningsextraktion, analys och kvantifiering av bildegenskaper genom automatiserade algoritmer, och avslöjar enorma mängder subvisuell information. Den har visat betydande lovande resultat för differentialdiagnos, behandlingsutvärdering och prognosprediktion av tumörer. Nuvarande radiomics-forskning om neuroblastom är fortfarande i tidiga skeden, med de flesta studier som fokuserar på modaliteter som datortomografi (CT), magnetresonanstomografi (MRT) och positronemissionstomografi-datortomografi (PET-CT), medan ultraljudsbaserad radiomics-forskning förblir outredd.

Ultraljudsdiagnostik, tack vare sina unika fördelar – inklusive frånvaro av joniserande strålning, realtidsdynamisk bildtagning, användarvänlighet och låg kostnad – har blivit den föredragna bildmodaliteten för pediatrisk tumörscreening och uppföljning. Följaktligen har integrering av radiomics med ultraljudsdiagnostik för att utveckla ett intelligent diagnostiskt system som kan bedöma NT icke-invasivt och noggrant betydande kliniskt värde och translationspotential. Ett sådant system skulle underlätta precis preoperativ klassificering, riskstratifiering av patienter och stöd för kliniskt beslutsfattande.

Denna studie syftar till att konstruera och validera ett intelligent ultraljudsdiagnostiksystem för pediatriska neuroblastiska tumörer baserat på ultraljudsradiomics-egenskaper, enligt följande:

1. Att bygga en prediktionsmodell för pediatriska neuroblastiska tumörer (NT) baserad på ultraljudsbilder, vilket möjliggör automatisk differentialdiagnos av neuroblastom (NB), ganglioneuroblastom (GNB) och ganglioneurom (GN).
2. På basis av patologisk klassificering, integrera klinisk-patologiska egenskaper för att etablera en multimodal fusionsmodell. Fokus ligger på att identifiera högriskpatienter, predicera benmärgsmetastaser och uppskatta behandlingsutfall, vilket ger en referens grund för kliniskt beslutsfattande.
3. Integrera tidigare forskningsresultat för att konstruera ett omfattande intelligent ultraljudsdiagnostiksystem som integrerar patologisk klassificering, riskstratifiering och prognosbedömning, vilket möjliggör systematisk och intelligent utvärdering av NT-patienter för att underlätta klinisk riskstratifiering och individualiserade behandlingsbeslut.