Stratifikace rizika hepatokarcinogeneze pomocí klinického, biologického a ultrazvukového modelu založeného na hlubokém učení u vysoce rizikových pacientů (STARHE)

Do roku 2030 se hepatocelulární karcinom (HCC) stane druhou nejčastější příčinou úmrtí souvisejících s rakovinou, přičemž podle Světové zdravotnické organizace ročně zemře více než jeden milion.

K dnešnímu dni zůstává screening hepatocelulárního karcinomu ve Francii jednotný pro všechny pacienty, pouze na základě ultrazvuku jater každých 6 měsíců. Toto schéma má výhodu v tom, že spojuje přijatelný poměr nákladové efektivity a především získává vyšší celkové přežití. Tato strategie má však tři hlavní omezení: nedostatek personalizace, nízká poddajnost, relativně špatný výkon ultrazvuku.

Modely rizikové stratifikace byly vyvinuty pro chronickou hepatitidu C, alkoholickou cirhózu a nealkoholickou steatohepatitidu (NASH) včetně klinických (věk, pohlaví, index tělesné hmotnosti a diabetes) a biologických (ASAT/ALAT, krevní destičky, albumin) parametrů. Nezahrnovaly však analýzu jaterního parenchymu, který je fyziopatologickým substrátem hepatokarcinogeneze. V 90. letech 20. století několik autorů studovalo výskyt hepatocelulárního karcinomu podle jaterní echostruktury. Shodli se na nadměrném riziku představovaném nodulární heterogenní echostrukturou s odhadovaným poměrem četnosti až 20.

Všechny tyto výsledky však dosud nevedly k personalizované strategii radiologického screeningu. Příchod nových technik umělé inteligence by mohl způsobit revoluci v přístupu.

Hluboké učení, podtřída strojového učení, je oblíbenou oblastí výzkumu, která může lidem pomoci při provádění určitých úkolů. Na rozdíl od radiomiky dokáže hluboké učení automaticky identifikovat nové rysy obrazu, které nejsou definovány lidmi.

Hypotézou této studie je, že nenádorový cirhotický jaterní parenchym je bohatý na strukturální informace odrážející závažnost hepatopatie, její karcinologické riziko a proces hepatokarcinogeneze. Jeho analýza v kombinaci s klinickými a biologickými údaji, které již byly studovány za účelem stratifikace rizika hepatokarcinogeneze, umožní definovat velmi vysoce rizikovou populaci, zejména v kontextu eradikace viru hepatitidy C (HCV) a viru hepatitidy B (HBV). ) ovládání.

V důsledku toho tato studie navrhuje prospektivně navrhnout model hlubokého učení pro stratifikaci rizika hepatokarcinogeneze zahrnutím klinických, biologických a radiologických ultrazvukových parametrů. Primárním cílem studie je identifikovat populaci s velmi vysokým rizikem rozvoje hepatokarcinomu s cílem navrhnout různé způsoby screeningu pacientům, kteří jsou nejvíce ohroženi.

Tato klinická studie bude zahrnovat pacienty ve věku nad 18 let doporučené jejich hepatologem v rámci ultrazvukového screeningu podle doporučení Evropské asociace pro studium jater (EASL) pro screening hepatocelulárního karcinomu, s výjimkou necirhotického onemocnění jater HBV: ne - cirhotické onemocnění jater ve stadiu F3 z jakékoli příčiny založené na individuálním posouzení rizika hepatokarcinomu; cirhóza z jakékoli příčiny, nevirová nebo virologicky vyléčená (HCV) nebo kontrolovaná (HBV). Pacienti s anamnézou léčeného hepatocelulárního karcinomu budou vyloučeni.

Prospektivně budou vytvořeny dvě skupiny pacientů: skupina 1 bude zahrnovat pacienty s diagnózou hepatocelulárního karcinomu větší než 1 cm (referenční diagnostické standardy: radiologické nebo histologické). Tito pacienti budou tedy odpovídat velmi vysokému riziku; Skupina 2 bude zahrnovat pacienty bez hepatocelulárního karcinomu, což odpovídá nižšímu riziku. U pacientů skupiny 2 bude proveden 1 rok intervalový ultrazvuk k potvrzení nepřítomnosti nového uzlu v roce následujícím po zařazení. Podíl nového hepatocelulárního karcinomu by neměl překročit 3 %.

Shromážděná data budou klinické, biologické, elastografické a ultrazvukové parametry.

Pomocí těchto dat bude v Pythonu vyvinut model hlubokého učení využívající architekturu hluboké konvoluční neuronové sítě.

Na celkem 7 výzkumných místech bude 300 pacientů (spravedlivě rozděleno mezi dvě skupiny) zahrnuto do cvičné/validační kohorty a 100 pacientů (směrně rozděleno mezi dvě skupiny) do testovací kohorty. Tato čísla jsou vypočtena z ultrazvukových studií, které uvádějí poměr míry rizika HCC až 20 v případě makronodulárního ultrazvukového vzoru a požadavků na hluboké učení (je potřeba velká čísla).

Školicí/validační a testovací kohorty budou z externích a nezávislých center.

Diagnostická výkonnost modelu bude odhadnuta pomocí plochy pod křivkou (AUC), citlivosti, specificity a skóre F1 (95% intervaly spolehlivosti) na testovací kohortě.