Kunstig intelligens og hepatocellulært karcinom (ARTIHCC)

Hepatocellulært karcinom (HCC) er 1 af de 5 mest almindelige maligne sygdomme på verdensplan og den tredjehyppigste årsag til kræftrelateret dødelighed på 500.000 dødsfald globalt hvert år.

Selvom det er mere almindeligt i Østasien, er forekomsten af ​​HCC stigende i den vestlige verden. Leverresektion er den førstevalgs terapeutiske mulighed, og den accepteres som en sikker behandling med en dokumenteret indvirkning på prognosen, med lav operationsdødelighed som følge af fremskridt inden for kirurgiske teknikker og perioperativ behandling. Ikke desto mindre er kirurgisk resektion kun anvendelig hos omkring 20 % til 30 % af patienter med HCC, da de fleste har dårlig leverreservefunktion forårsaget af underliggende kronisk leversygdom og multifokale leverfordelinger af HCC. Selvom leverresektion er en af ​​de helbredende behandlinger for hepatocellulært karcinom, er tilbagefaldshyppigheden af ​​HCC selv efter helbredende resektion ret høj, estimeret til at være ca. 50 % i løbet af de første 3 år og mere end 70 % i løbet af de første 5 år efter kurativ resektion , og derfor forbliver de postoperative langsigtede resultater utilfredsstillende. I dette scenarie har levertransplantationens rolle i de sidste år været fremherskende på grund af transplantationens evne til at reducere sygdomstilbagefald på grund af behandlingen af ​​levercirrhose forbundet med HCC, som repræsenterer den vigtigste drivkraft for tilbagefald. Ellers har manglen på organkilder været et boost til spredningen af ​​leverresektion, ikke kun begrænset i den grænse, der tages i betragtning i BCLC-algoritmen (retningslinjer godkendt af EASL og AASLD), men selv hos patienter, der anses for ikke egnede til helbredende behandling samt leverresektion. Selvom kirurgisk behandling er blevet vedtaget i de sidste år hos flere patienter uden for retningslinjerne med tilfredsstillende resultater med hensyn til dødelighed, sygelighed og kortsigtede onkologiske resultater, er grænserne for denne tilgang fortsat den langsigtede sygdomsfri overlevelse.

Risikofaktor for recidiv er endnu blevet identificeret i de sidste år som hcc-dimension, gradering, mikrovaskulær invasion og satellitose. Beviset for, at disse to prognostiske faktorer kan have en negativ indvirkning på den langsigtede prognose, hvilket øger risikoen for tilbagefald, har fået mange forfattere til at foreslå anatomisk resektion (segmental resektion) som den ideelle kirurgiske behandling for at reducere disse risici hos HCC-patienter. Ellers er litteraturresultater i konflikt med hensyn til den reelle fordel ved denne tilgang. Faktisk er den anatomiske tilgang hos mange patienter med HCC og underliggende cirrhose ikke mulig på grund af risikoen for postoperativ leversvigt. Så en parenkymbesparende teknik er blevet udviklet og sammenlignet med anatomisk resektion med hensyn til onkologiske resultater. På nuværende tidspunkt er alle disse risikofaktorer ikke forudsigelige, og iscenesættelsessystemerne er kun baseret på rå radiologiske træk som antallet og størrelsen af ​​knuderne. I de seneste år har flere forfattere foreslået nye tilgange til at øge vores evne til at udtrække data fra den radiologiske billeddannelse: ved at analysere målinger og tal opnået under den radiologiske indsamling (ved CT- eller MRI-scanninger) kan tusindvis af anden information opnås, overvinde evnen til menneskelige øjne. Disse teknikker går under navnene "Radiomics", som er en meget lovende gren, når den fusioneres med de nye maskinlæringsalgoritmer (f.eks. Deep Learning, Neurale netværk osv.). Desuden kan nye data i dag også opnås ved et simpelt intraoperativt foto opnået under den kirurgiske procedure, for eksempel af leverens skæreoverflade: ved "computer-vision-analysen", en anden kraftfuld maskinindlæringsalgoritme, kan andre data produceres til forudsige kort- og langsigtede resultater. Disse muligheder er afhængige af det moderne felt af "kunstig intelligens", hvor en maskine er trænet til at genkende forskellige tilbagevendende mønstre for at skabe forudsigelsesmodeller med en meget kraftig nøjagtighed. På disse data er forslaget baseret på at skabe den nuværende multicentriske undersøgelse med det formål at udvikle en forudsigelsesmodel for postoperative komplikationer og HCC-tilbagefald, baseret på analysen af ​​CT-radiomiks funktioner, fotos af leverskårne overflader og maskinlæringsanalyse.