Neoadjuvantní terapie u pacientů s resekabilním HCC vyšetřených multimodálním modelem hlubokého učení

Primární rakovina jater je jedním z nejčastějších maligních nádorů na světě a asi 80 % až 90 % primárních rakovin jater je patologicky charakterizováno jako hepatocelulární karcinom (HCC). Radikální operace je hlavní metodou pro pacienty s HCC k získání dlouhodobého přežití. Neexistuje však konsenzus o chirurgické léčbě pacientů s BCLC ve stádiu B nebo C HCC. Transarteriální chemoembolizace a systémová medikace byly u těchto pacientů první linií léčby. Ve východních zemích, jako je Čína, je BCLC-B dále kategorizována do stadií IIa a IIb a chirurgická resekce je doporučována jako možnost léčby první volby pro stadium IIa, zatímco chirurgická resekce může být zvážena i pro stadium IIb. Navíc mnoho studií zjistilo, že pacienti s nádory ve stadiu BCLC-C mohou mít také prospěch z chirurgického zákroku a celková prognóza byla lepší než nechirurgická léčba. Míra pooperační recidivy je však vyšší než u časného HCC. K řešení tohoto problému jsou naléhavě zapotřebí nové nástroje, které by vedly k výběru vhodných léčebných režimů, aby se snížilo riziko pooperační recidivy a zlepšilo se celkové přežití.

Náš multidisciplinární tým použil technologii hlubokého učení k vytvoření predikčního modelu umělé inteligence přínosu neoadjuvantní terapie (Neoadj-Net) založeného na datech genetického testování před léčbou, digitálních patologických sklíčkách a zobrazovacích datech (vylepšená MRI) 536 léčených pacientů s HCC ve středním stádiu. s HAIC v kombinaci s lenvatinibem a monoklonální protilátkou PD-1 v šesti centrech a údaje z externího centra potvrdily dobrou schopnost modelu identifikovat populaci příjemců kombinovaného režimu (AUC 0,89, přesnost 0,86). Tato studie má prozkoumat účinnost a bezpečnost Neoadj-Net při snižování pooperační recidivy sledováním přínosu kombinovaného neoadjuvantního režimu u pacientů, pro které je potenciálně přínosná neoadjuvantní terapie a přímá chirurgie z pohledu precizní terapie.