Risikostratificering af hepatokarcinogenese ved hjælp af en dyb læringsbaseret klinisk, biologisk og ultralydsmodel hos højrisikopatienter (STARHE)

I 2030 vil hepatocellulært karcinom (HCC) blive den næststørste årsag til kræftrelateret død, der tegner sig for mere end en million dødsfald om året ifølge Verdenssundhedsorganisationen.

Til denne dato forbliver screening for hepatocellulært karcinom i Frankrig ensartet for alle patienter, udelukkende baseret på en leverultralyd hver 6. måned. Denne ordning har den fordel, at den forbinder et acceptabelt omkostningseffektivitetsforhold og frem for alt at opnå en øget samlet overlevelse. Denne strategi har dog tre hovedbegrænsninger: mangel på personalisering, lav compliance, relativt dårlig ydeevne af ultralyden.

Risikostratificeringsmodeller er blevet udviklet for kronisk hepatitis C, alkoholisk cirrose og ikke-alkoholisk steatohepatitis (NASH), inklusive kliniske (alder, køn, body mass index og diabetes) og biologiske (ASAT/ALAT, blodplader, albumin) parametre. De inkluderede dog ikke analyse af leverparenkymet, som er det fysiopatologiske substrat for hepatokarcinogenese. I 1990'erne undersøgte flere forfattere forekomsten af ​​hepatocellulært karcinom i henhold til leverens ekkostruktur. De var enige om overrisikoen repræsenteret ved en nodulær heterogen ekkostruktur med et estimeret rateforhold på op til 20.

Alle disse resultater har dog endnu ikke ført til en personlig radiologisk screeningsstrategi. Fremkomsten af ​​nye kunstig intelligens-teknikker kan revolutionere tilgangen.

Deep learning, en underklasse af maskinlæring, er et populært forskningsområde, der kan hjælpe mennesker med at udføre bestemte opgaver. I modsætning til radiomik kan deep learning automatisk identificere nye billedtræk, som ikke er defineret af mennesker.

Hypotesen for denne undersøgelse er, at den ikke-tumor cirrhotiske leverparenkym er rig på strukturel information, der afspejler sværhedsgraden af ​​hepatopatien, dens carcinologiske risiko og processen med hepatocarcinogenese. Dens analyse kombineret med kliniske og biologiske data, som allerede er blevet undersøgt for at stratificere risikoen for hepatokarcinogenese, vil gøre det muligt at definere en meget højrisikopopulation, især i forbindelse med udryddelse af hepatitis C-virus (HCV) og hepatitis B-virus (HBV) ) styring.

Derfor foreslår denne undersøgelse prospektivt at designe en deep learning-model til stratificering af risikoen for hepatocarcinogenese ved at inkludere kliniske, biologiske og radiologiske ultralydsparametre. Det primære formål med undersøgelsen er at identificere en population med meget høj risiko for at udvikle hepatokarcinom for at foreslå forskellige screeningsmodaliteter til de patienter, der er mest udsatte.

Denne kliniske undersøgelse vil omfatte patienter over 18 år henvist af deres leverlæge inden for rammerne af ultralydsscreening i henhold til anbefalingerne fra European Association for the Study of the Liver (EASL) for hepatocellulær carcinomscreening, undtagen for ikke-cirrhotisk HBV-leversygdom: ikke -cirrhotic F3-stadium leversygdom af enhver årsag baseret på individuel risikovurdering for hepatokarcinom; cirrose af enhver årsag, ikke-viral eller virologisk helbredt (HCV) eller kontrolleret (HBV). Patienter med en historie med behandlet hepatocellulært karcinom vil blive udelukket.

To grupper af patienter vil blive konstitueret prospektivt: Gruppe 1 vil omfatte patienter med en diagnose af hepatocellulært carcinom større end 1 cm (reference diagnostiske standarder: radiologiske eller histologiske). Disse patienter vil derfor svare til en meget høj risiko; Gruppe 2 vil omfatte patienter uden hepatocellulært karcinom, hvilket svarer til en lavere risiko. En 1 års interval ultralyd vil blive udført hos patienter i gruppe 2 for at bekræfte fraværet af ny knude i året efter inklusion. Andelen af ​​nyt hepatocellulært karcinom bør ikke overstige 3 %.

De indsamlede data vil være kliniske, biologiske, elastografiske og ultralydsparametre.

En Deep Learning-model ved hjælp af en dyb foldet neural netværksarkitektur vil blive udviklet på Python ved hjælp af disse data.

På i alt 7 undersøgelsessteder vil 300 patienter (ligeligt fordelt mellem de to grupper) indgå i trænings-/valideringskohorten og 100 patienter (ligeligt fordelt mellem de to grupper) i testkohorten. Disse tal er beregnet ud fra ultralydsundersøgelser, der rapporterer et hastighedsforhold for HCC-risiko på op til 20 i tilfælde af makronodulært ultralydsmønster og krav til dyb indlæring (krævet et stort antal).

Trænings-/validerings- og testkohorterne vil være fra eksterne og uafhængige centre.

Modellens diagnostiske ydeevne vil blive estimeret af Area Under the Curve (AUC), sensitivitet, specificitet og F1-score (95 % konfidensintervaller) på testkohorten.