Využití umělé inteligence pro predikci recidivy po resekci kolorektálních jaterních metastáz (AI-RECOLMET)

Kolorektální karcinom (CRC) je třetím nejčastějším nádorem na světě a čtvrtou nejčastější příčinou úmrtí souvisejících s rakovinou. Přežití je hlavně určeno stádiem onemocnění a přítomností metastáz. Pětileté přežití u pacientů s metastatickým CRC je 12–19 % oproti 90 % u pacientů s lokalizovaným onemocněním, přičemž jaterní metastázy kolorektálního karcinomu (CRLM) se vyskytují u 30–50 % pacientů s CRC a jsou odpovědné za dvě třetiny úmrtí souvisejících s CRC. Nedávné pokroky v léčbě CRLM zvýšily celkové přežití (OS) pacientů z 6 měsíců na pětileté přežití v rozmezí 25–40 %. Kombinace chemoterapie a jaterní resekce zůstává terapeutickou možností s nejvyšším přínosem pro přežití u pacientů s CRLM. Zatímco chirurgie stále představuje jedinou uznávanou potenciálně kurativní léčbu, na druhou stranu moderní chemoterapie, také díky zavedení biologických léků, vedla k lepší odpovědi a přežití u pacientů s jaterními metastázami a také přispěla ke zvýšení resekability (tj. počtu pacientů, kteří se stali operabilními díky cytoredukci po medikamentózní léčbě).

Až 30 % pacientů může být vyléčeno, pokud lze metastázy v játrech zcela odstranit (lékařský termín pro to je „resekce“). Aby byla chirurgie zvážena, musí být onkologické onemocnění z technického hlediska radikálně resekovatelné. Současně musí po resekci zůstat dostatečné množství normální jaterní tkáně, aby udrželo život. Lokoregionální terapie, včetně termální ablace, chemoembolizace a radiace, se také používají k léčbě pacientů s CRLM jako alternativa k běžné kurativní léčbě. Konkrétně může lokoregionální léčba CRLM těžit z termální ablace, ať už na bázi radiofrekvence nebo mikrovln. Ve skutečnosti, i když resekce zůstává volbou lokoregionální léčby pro resekovatelné jaterní metastázy, může ablace nabídnout podobné výhody u vybraných pacientů, což pomáhá šetřit zdravý jaterní parenchym.

Navzdory těmto významným zlepšením prognózy velká část pacientů (téměř polovina) stejně zažije recidivu po kombinaci lokoregionálních léčeb. S vylepšením nechirurgických terapií by pacienti s recidivou mohli podstoupit nechirurgickou léčbu místo resekce. Proto je prvořadé co nejlépe definovat léčebnou strategii pro pacienty na základě přesného odhadu prognózy po léčbě, vyvážením perioperačního rizika morbidity/mortality s rizikem recidivy. Předem identifikovat tyto pacienty s recidivou by bylo klíčové, aby se předešlo zbytečné chirurgii nebo aby byli zařazeni do farmakologických adjuvantních (tj. pooperačních) léčeb.

Většina pacientů s CRLM podstupuje předoperační chemoterapeutické programy s pravděpodobností odpovědi přibližně 60 % případů. Zdravotnické a biologické náklady chemoterapeutických programů jsou značné. Navíc existuje několik chemoterapeutických režimů, ale chybí údaje, které by naznačovaly, který režim je účinný u kterého pacienta. Předem identifikovat tyto pacienty s odpovědí by bylo velmi určující, aby se předešlo zbytečné chemoterapii bez klinického přínosu a aby se usnadnila volba, zda je zařadit do farmakologické neoadjuvantní léčby (tj. předoperační léčby) či nikoli, a výběr adjuvantního režimu. Naopak je důležité brzy rozlišit respondery od nerespondery, aby byl vybrán nejvhodnější terapeutický přístup.

Klinické charakteristiky pacientů a onemocnění, kromě radiologického zobrazování, se všechny ukázaly jako nepostradatelné nástroje, které pomáhají vyhodnotit rozsah onemocnění, posoudit odpověď na léčbu a identifikovat toxicitu léků a recidivu. Některé studie naznačují, že analýzy texturních rysů mohou kvantitativně detekovat jaterní metastázy dříve, než se stanou vizuálně detekovatelné radiologem. Hodnota těchto konvenčních faktorů samotných při predikci prognózy CRLM je však omezená. V posledních letech byly vyvinuty multifaktoriální prognostické skórovací systémy jako potenciální prediktory recidivy po jaterní resekci, ale ty stále mají omezení v použitelnosti, senzitivitě a specificitě. Jsou naléhavě potřeba nové přesné prognostické ukazatele u pacientů s CRLM. Konkrétně existuje klinická potřeba identifikovat a priori pacienty, kteří mají různé pravděpodobnosti vývoje recidivy onemocnění po lokoregionální léčbě (jaterní resekce s termální ablací nebo bez ní) a různé odpovědi na chemoterapeutickou léčbu, aby se upřesnilo rizikové přidělování léčeb a zdrojů. Jak je známo, umělá inteligence (AI) je odvětví informatiky, které si klade za cíl simulovat lidskou inteligenci a chování, aby pomáhala lidem v konkrétních úkolech. Rozsáhlá digitalizace zdravotnictví generuje obrovské množství dat a spolu s dostupným vysoce výkonným výpočetním výkonem lze technologie AI použít k překonání aktuálních omezení v odhadu recidivy a odpovědi CRLM po lokoregionálních a chemoterapeutických léčbách, čímž se dosáhne jemnějšího přidělování léčeb ve srovnání s současnou praxí.

Počítačová tomografie (CT) je zobrazovací metodou volby pro staging a sledování u většiny pacientů s CRLM. Nicméně mnoho faktorů může ovlivnit recidivu a OS. Například až 25 % lézí může zůstat nezjištěno. Metaanalýza uváděla, že kontrastem zvýrazněná CT měla senzitivitu a specificitu 82 % a 84 % pro detekci jaterních lézí. Pro léze menší než 1 cm však senzitivita klesá na 31–38 %. MRI je nejpřesnější modalitou pro detekci CRLM; v praxi se však typicky používá jako sekundární nástroj. MRI má výhodu, že dokáže detekovat a charakterizovat léze i menší než 10 mm a také nehrozí radiační riziko. Hepatocyt-specifické kontrastní látky mají senzitivitu 95 % pro detekci jaterních metastáz.

Navzdory jejich hodnotě vizuální hodnocení CT a MRI nedokáže posoudit mikrostrukturální změny, jako jsou intra-lezionální perfuzní nebo nekrotické změny, které mohou být časnými ukazateli vysokého rizika lokální progrese nádoru. Také špatná kvalita zobrazování může vést k neschopnosti rozpoznat všechny metastázy. Proto se s použitím analýzy textury nebo radiomiky zvyšuje zájem o používání nástrojů založených na AI k optimalizaci kvality zobrazování a využití kvantitativního zobrazování. Radiomika spočívá v extrahování velkého množství kvantitativních rysů z lékařských obrazů v kombinaci s modely strojového učení (ML) k predikci klinických koncových bodů. V poslední době byla radiomika studována jako prognostický/prediktivní ukazatel pro klinické výsledky u různých typů nádorů a analýzu přežití s slibnými výsledky u CLRM léčených mikrovlnnou ablací. Pro játra a CRLM je však k dispozici málo důkazů a některé studie naznačují, že analýzy texturních rysů mohou kvantitativně pomoci radiologovi v úpravě klinických přístupů.

Všechny radiomické rysy mohou také pomoci při trénování neuronové sítě zaměřené na detekci jaterních metastáz dříve, než se stanou vizuálně detekovatelné radiologem.

Proto tato studie má za cíl posoudit, zda multifaktoriální (včetně klinických a radiomických) ML model dokáže identifikovat pacienty s CRLM s vysokým rizikem progrese po chemoterapii a recidivy po jaterní resekci. Fáze modelování proběhne na S-RACE od D34Health, založeném na Azure Machine Learning na Azure Cloudu, který poskytuje užitečné nástroje a metody potřebné pro modelování problému, jako jsou výpočetní instance a modelovací nástroje, jako jsou Jupyter Notebooky, spolu s vestavěnými nástroji pro spolupráci a ochranu soukromí.

Dále může být přidaná hodnota klinických dat použita k vytvoření klinických a kombinovaných modelů pro lepší predikci výsledků.

Studie je konfigurována jako observační, retrospektivní, monocentrická studie. Pacienti postižení CRLM a operovaní jaterní resekcí v našem nemocničním prostředí budou vybráni podle kritérií způsobilosti.