Konstrukce a klinické ověření prediktivního modelu pro pooperační adjuvantní terapii hepatocelulárního karcinomu na základě digitálních patologických snímků celého preparátu a hlubokého učení

# I. Pozadí a cíle studie Hepatocelulární karcinom (HCC) je celosvětově častý maligní nádor, který se řadí na 6. místo z hlediska incidence a na 3. místo z hlediska mortality na celém světě. Každý rok způsobuje přibližně 480 000 úmrtí, přičemž Čína představuje více než 45 % celosvětových případů, což představuje extrémně velkou zátěž onemocnění 1. Radikální chirurgická resekce je hlavním prostředkem pro pacienty s časným stádiem rakoviny jater k dosažení dlouhodobého přežití. Avšak 5letá pooperační míra recidivy je až 50 %–70 %, což výrazně omezuje prognózu pacientů 2. Pooperační adjuvantní terapie se stala klíčovou strategií pro oddálení recidivy a zlepšení přežití. Mezi takové terapie patří transarteriální chemoembolizace (TACE) a inhibitory tyrozinkinázy (TKI, jako jsou sorafenib a lenvatinib), které byly široce používány v léčbě pacientů s vysokým rizikem recidivy 1,3.

TACE indukuje ischemickou nekrózu lokální embolizací nádorem vyživujících cév v kombinaci s perfuzí chemoterapeutických léků a je vhodná pro středně pokročilé stádium rakoviny jater 4,5. Na druhé straně multicyklové TKI léky mohou systematicky inhibovat signalizační dráhy, jako je receptor pro vaskulární endoteliální růstový faktor (VEGFR) a receptor pro růstový faktor odvozený z trombocytů (PDGFR), čímž vykazují antiangiogenní a protinádorové účinky a staly se standardní léčbou pokročilé rakoviny jater 3. Nicméně oba léčebné modality mají významná omezení: objektivní míra odpovědi TACE je obvykle pouze 50 %–60 % a někteří pacienti z ní nemusí mít prospěch a mohou dokonce zaznamenat poškození jaterních funkcí 6. Ačkoli TKI mohou prodloužit dobu bez recidivy (RFS) u pacientů s vysokým rizikem po operaci o 3–5 měsíců, míra odpovědi na léčbu v neselektované populaci je méně než 20 % a incidence nežádoucích účinků stupně 3–4 (jako je hypertenze, kožní reakce na rukou a nohou a proteinurie) je přes 50 %, což vede k ukončení léčby u 20 % pacientů kvůli intoleranci toxických vedlejších účinků 3,7,8. V současnosti klinika postrádá efektivní a spolehlivý systém biomarkerů pro identifikaci potenciálně prospěšných populací. V důsledku toho se léčebná rozhodnutí stále spoléhají na klinické zkušenosti (např. na základě tradičních patologických znaků, jako je velikost nádoru a vaskulární invaze), což vede k omezené individualizaci, plýtvání zdravotními zdroji a dodatečné léčebné zátěži pro pacienty.

Nedávné studie ukázaly, že nádorové imunitní mikroprostředí (TIME) je klíčovým biologickým základem ovlivňujícím terapeutickou senzitivitu TACE a TKI 3. Složkové charakteristiky TIME, včetně infiltrace imunitních buněk (jako jsou CD8⁺ T buňky, Tregs, CTLs a M2 typ nádorově asociovaných makrofágů), exprese molekul imunitních kontrolních bodů (jako je ligand programované buněčné smrti 1, PD-L1) a prostorová struktura, jsou úzce spojeny s odpovědí na léčbu 9–12. Například imunitně-zánětlivé TIME (vysoká hustota CD8⁺ T buněk a tvorba terciárních lymfoidních struktur) může být pozitivně korelováno s nádorovou nekrózou po TACE a odpovědí na léčbu TKI; naopak imunitně-vyloučený nebo pouštní fenotyp často indikuje rezistenci na léčbu 13–15. Avšak současné hodnocení TIME většinou závisí na vysokorozlišovacích technologiích, jako je multiplexní imunohistochemie (mIHC) a prostorová transkriptomika. Ačkoli tyto metody mohou detailně popsat mikroprostředí, mají aplikační úzká místa, jako jsou vysoké náklady, složitá operace, vysoké požadavky na kvalitu vzorků a nízká standardizace, což omezuje jejich klinické rozšíření.

Průlomy v umělé inteligenci, zejména technologie hlubokého učení, poskytly nový přístup pro dolování hloubkových patologických informací z konvenčních hematoxylin-eosin (HE) barvených celých skenů (WSI). Jako rutinní data pro pooperační patologickou diagnostiku (každý pacient s HCC bude mít po operaci vygenerované HE barvené WSI bez dalšího odběru vzorků nebo testování) obsahuje WSI detailní buněčnou morfologii a tkáňovou strukturu, které se prokázaly mapovat klíčové charakteristiky TIME. Například prostřednictvím architektur, jako jsou konvoluční neuronové sítě (CNN) a Vision Transformer (ViT), mohou být automaticky identifikovány morfologické vzorce spojené s hustotou infiltrace CD8⁺ T buněk a expresí PD-L1, což umožňuje křížově-modální predikci „HE morfologie → imunitní stav“ 16,17. Nejnovější studie potvrdily, že modely hlubokého učení založené na HE-WSI mohou s vysokou přesností (AUC 0,88) predikovat mikrosatelitovou nestabilitu (MSI) u kolorektálního karcinomu 18, expresi PD-L1 (AUC 0,80) a nádorovou mutační zátěž (TMB, AUC 0,91) u nemalobuněčného karcinomu plic 19,20. V oblasti rakoviny jater studie také použily WSI hluboké učení k predikci rizika pooperační recidivy (AUC 0,82) a infiltrace imunitních buněk v jaterních tkáních (AUC 0,78) 21,22. Avšak žádné studie se nezaměřily na klinický bolestivý bod „predikce účinnosti pooperační adjuvantní terapie (TACE/TKI)“ a chybí multicentrická, velkovzorková klinická validace.

Proto konstrukce prediktivního modelu pro pooperační adjuvantní terapii HCC založeného na HE barvených WSI a algoritmech hlubokého učení nejen pomáhá analyzovat mechanistickou roli TIME v odpovědi na léčbu, ale také překonává omezení stávajících detekčních technologií, jako jsou vysoké náklady, dlouhý cyklus a závislost na speciálních platformách, čímž podporuje vývoj rozhodování o adjuvantní terapii rakoviny jater směrem k přesnosti a dostupnosti. Tento projekt zamýšlí integrovat multicentrická klinicko-patologická data s algoritmy umělé inteligence, aby vytvořil digitální patologický model vhodný pro predikci účinnosti TACE a TKI, a provést přísnou klinickou validaci, s cílem poskytnout vědecký a spolehlivý rozhodovací nástroj pro pooperační výběr léčby HCC.

# II. Konkrétní postupy a pracovní postup Tato studie je komplexním výzkumem kombinujícím diagnostické zkoušky a intervenční studie, rozděleným do dvou hlavních částí a více fází. Jejím účelem je vyvinout a validovat prediktivní systém pro pooperační adjuvantní terapii hepatocelulárního karcinomu (HCC) založený na umělé inteligenci. Celková studie následuje standardizovaný proces pro vývoj softwaru jako zdravotnického prostředku (SaMD) založeného na umělé inteligenci (AI), včetně retrospektivního sběru dat, vývoje a tréninku modelu, retrospektivní validace, prospektivní observační validace a konečné prospektivní intervenční studie.

• Část 1: Konstrukce a validace modelu rozpoznání nádorového mikroprostředí

  • Vývojová a tréninková fáze Veřejné datové sady (např. The Cancer Genome Atlas, TCGA) a retrospektivní datová sada z výzkumného centra (n=1500, s již nasbíranými 400 případy) budou použity jako tréninková sada. Hlavním úkolem této fáze je vyvinout model hlubokého učení (např. architekturu založenou na Vision Transformer nebo ResNet) pro automatickou identifikaci, segmentaci a kvantifikaci klíčových znaků nádorového mikroprostředí z hematoxylin-eosin (HE) barvených celých skenů (WSI). Tyto znaky zahrnují, ale nejsou omezeny na, stupeň infiltrace imunitních buněk, podíl stromatu, vaskulární invazi a nekrotické oblasti. Všechny snímky budou nezávisle anotovány v zaslepeném režimu alespoň dvěma seniorními patology. Neshody budou vyřešeny konsenzem nebo arbitráží třetího seniorního patologa, aby byl vytvořen zlatý standard.
  • Externí validační fáze Retrospektivní WSI datová sada z 8–10 domácích spolupracujících lékařských center bude použita k provedení předběžné validace generalizační schopnosti modelu. Tato fáze má za cíl vyhodnotit robustnost modelu při různých skenovacích zařízeních, různých postupech přípravy sklíček a barvení a různých interpretačních zvyklostech patologů.
• Část 2: Konstrukce predikčního modelu odpovědi na léčbu a víceúrovňová klinická validace

Tato část je jádrem studie. Cílem je konstruovat klasifikační model, který může predikovat odpověď pacientů na různé pooperační adjuvantní léčebné režimy (pouze chirurgie, chirurgie + TACE, chirurgie + TACE + TKI) na základě výstupu modelu z části 1 (tj. kvantifikovaných znaků nádorového mikroprostředí) kombinovaných s nezbytnými klinickými proměnnými (jako je TNM stadium, klasifikace jaterních funkcí Child-Pugh a hladina AFP). Tato část přijímá přísnou hierarchickou validační strategii:

• Fáze tréninku modelu Budou použita retrospektivní data z výzkumného centra (n=1500). Zahrnutí pacienti musí splňovat následující kritéria: ① patologicky potvrzený HCC; ② podstoupili radikální resekci; ③ mají kompletní pooperační adjuvantní terapii a následná data. Definice odpovědi na léčbu: primárním koncovým bodem je doba bez recidivy (RFS) a sekundární koncové body zahrnují celkové přežití (OS) a objektivní míru odpovědi (ORR). Trénink bude proveden pomocí více třídních algoritmů strojového učení (jako jsou gradient boosting stromy a hluboké neuronové sítě) k výstupu kategorie léčebného režimu, z kterého pacient pravděpodobně nejvíce těží.
• Interní validační fáze Nezávislá validační sada (n≈500, nepřekrývající se s tréninkovou sadou) bude rezervována z dat centra náhodným rozdělením. Bude použita k předběžnému vyhodnocení diskriminačního výkonu modelu a k úpravě hyperparametrů, aby se zabránilo přeučení.
• Externí validační fáze 1 (Retrospektivní validace a kalibrace modelu) Budou sbírána retrospektivní data z více center po celé zemi (8–10 center, n=3000). Hlavními účely této fáze jsou: ① validovat výkon modelu na rozsáhlejší a heterogennější externí datové sadě; ② kalibrovat nebo provést omezenou iterativní optimalizaci modelu na základě validačních výsledků, aby byl vytvořen finální definitivní prediktivní model.

Externí validační fáze 2 (Rozsáhlá retrospektivní validace) Definitivní model bude použit pro validaci na nové, velmi rozsáhlé (n=10 000) retrospektivní datové sadě (z 3–5 center). Toto dále upevní úroveň důkazů a poskytne solidní základ pro prospektivní studie.

Externí validační fáze 3 (Prospektivní observační studie) Celkem 1000 způsobilých pooperačních pacientů s HCC bude prospektivně a postupně zařazeno v 10–15 centrech. Jejich WSI snímky budou sbírány a vloženy do modelu, aby byly získány predikované léčebné režimy. Avšak tato fáze studie nebude zasahovat do skutečných klinických rozhodnutí. Výzkumníci zaznamenají predikční výsledky modelu a skutečná klinická rozhodnutí a budou pozorovat skutečnou prognózu pacientů prostřednictvím následného sledování, aby vyhodnotili konzistenci mezi predikcemi modelu a skutečnými výsledky, stejně jako útlum výkonu modelu v reálných podmínkách.

### Externí validační fáze 4 (Prospektivní intervenční studie) Toto je konečný validační krok studie. Bude provedena prospektivní, randomizovaná kontrolovaná nebo pragmatická klinická zkouška ve spolupráci s 3–5 centry, s přibližně 600 pacienty zařazenými. Pacienti budou náhodně rozděleni do dvou skupin: ① Skupina s rozhodováním asistovaným modelem: klinici vypracují léčebné plány pro pacienty na základě modelu predikovaného optimálního léčebného režimu; ② Skupina standardní léčby: léčebné plány budou vypracovány výhradně kliniky na základě stávajících směrnic a klinických zkušeností. Primární srovnání bude RFS mezi oběma skupinami, aby byla poskytnuta nejvyšší úroveň medicíny založené na důkazech k prokázání klinické užitečnosti rozhodování asistovaného modelem a jeho hodnoty v zlepšování prognózy.