Anvendelsen af kunstig intelligens til at forudsige recidiv efter resektion af kolorektale levermetastaser (AI-RECOLMET)

Kolorektal cancer (CRC) er den tredje mest almindelige cancer på verdensplan og den fjerde mest almindelige årsag til cancerrelaterede dødsfald. Overlevelsen bestemmes primært af sygdomsstadiet og tilstedeværelsen af metastaser. Femårs overlevelse blandt patienter med metastatisk CRC er 12-19% mod 90% hos patienter med lokaliseret sygdom, hvor kolorektal cancer levermetastaser (CRLM) forekommer hos 30-50% af patienter med CRC og står for to tredjedele af CRC-relaterede dødsfald. Nylige fremskridt i behandlingen af CRLM har øget patienternes samlede overlevelse (OS) fra 6 måneder til 5-års overlevelsesrater på 25-40%. Kombinationen mellem kemoterapi og leverresektion forbliver den terapeutiske mulighed med den højeste overlevelsesgevinst for patienter med CRLM. Mens kirurgi stadig repræsenterer den eneste anerkendte potentielt kurative behandling, har moderne kemoterapi, også takket være introduktionen af biologiske lægemidler, ført til bedre respons og overlevelsesrater for patienter med levermetastaser, og har også bidraget til at øge resektabilitetsraten (dvs. antallet af patienter, der blev opererbare takket være cytoreduktion efter medicinsk behandling).

Op til 30% af patienter kan kureres, hvis metastaser i leveren kan fjernes helt (det medicinske udtryk for dette er "resektion"). For at kirurgi kan overvejes, skal en onkologisk sygdom være radikalt resektabel fra et teknisk synspunkt. Samtidig skal en tilstrækkelig mængde normal lever være tilbage efter resektionen for at opretholde livet. Lokoregionale terapier, herunder termisk ablation, chemoembolisering og strålebehandling, bruges også til at håndtere CRLM-patienter som alternativer til konventionel kurativ behandling. Især kan den lokoregionale behandling af CRLM drage fordel af termisk ablation, enten baseret på radiofrekvens eller mikrobølger. Faktisk, selvom resektion forbliver den foretrukne lokoregionale behandling for resektable levermetastaser, kan ablation tilbyde lignende fordele hos udvalgte patienter og hjælpe med at spare sundt leverparenkym.

På trods af disse betydelige forbedringer i prognosen, vil en stor del af patienterne (næsten halvdelen) alligevel opleve recidiv efter kombinationen af lokoregionale behandlinger. Med forbedringen af ikke-kirurgiske terapier kunne patienter, der får recidiv, gennemgå en ikke-kirurgisk behandling i stedet for resektion. Derfor er det af afgørende betydning at definere behandlingsstrategien for patienter bedst muligt baseret på en præcis estimering af prognosen efter behandling, ved at afveje den perioperative risiko for morbiditet/dødelighed mod recidivrisikoen. At identificere disse recidiverende patienter på forhånd ville være afgørende for at undgå unødvendig kirurgi eller for at allokere dem til farmakologisk adjuvant (dvs. postoperativ) behandling.

De fleste patienter med CRLM gennemgår præoperative kemoterapiprogrammer med en responssandsynlighed på omkring 60% af tilfældene. De sundhedsmæssige og biologiske omkostninger ved kemoterapiprogrammer er betydelige. Desuden findes der flere kemoterapiregimer i øjeblikket, men der er mangel på data, der indikerer, hvilket regime der er effektivt hos hvilken patient. At identificere disse responderende patienter på forhånd ville være ekstremt afgørende for at undgå unødvendig kemoterapibehandling uden klinisk gavn og for at vejlede valget af at allokere dem eller ej til farmakologisk neoadjuvant (dvs. præoperative behandlinger) og udvælgelsen af adjuvante regimer. Til gengæld er det vigtigt at skelne mellem respondenter og ikke-respondenter tidligt for at vælge den mest passende terapeutiske tilgang.

Patienternes kliniske karakteristika og sygdommen, udover radiologisk billeddannelse, er alle bevist at være uundværlige værktøjer, der hjælper med at vurdere sygdommens omfang, vurdere respons på behandling og identificere lægemiddelgiftigheder og recidiv. Nogle studier antyder, at teksturanalyse kan kvantitativt påvise levermetastaser, før de bliver visuelt detekterbare af radiologen. Imidlertid er værdien af disse konventionelle faktorer alene i at forudsige CRLM-prognose begrænset. Multifaktorielle prognostiske scoringssystemer er blevet udviklet i de seneste år som potentielle recidivprædiktorer efter leverresektion, men disse har stadig begrænsninger i anvendelighed, følsomhed og specificitet. Nye præcise prognostiske indikatorer hos patienter med CRLM er hurtigt nødvendige. Specifikt er der et klinisk behov for at identificere a priori patienter, der har forskellige sandsynligheder for at udvikle recidiv af sygdommen efter lokoregional behandling (leverresektion med eller uden termisk ablation) og forskellig respons på kemoterapibehandling, for at forfine en risikobaseret allokering til behandlinger og ressourcer. Som bekendt er kunstig intelligens (AI) en gren af datalogi, der har til formål at simulere menneskelig intelligens og adfærd for at assistere mennesker i specifikke opgaver. Den udbredte digitalisering af sundhedsvæsenet genererer en enorm mængde data, og sammen med tilgængelig højtydende beregning kan AI-teknologier anvendes til at overvinde faktuelle begrænsninger i estimeringen af CRLM-recidiv og respons efter lokoregionale og kemoterapeutiske behandlinger, og derved opnå en finere allokering til behandlinger i forhold til nuværende praksis.

Computertomografi (CT) er billeddannelsen af valg til stadieinddeling og opfølgning hos de fleste patienter med CRLM. Imidlertid kan mange faktorer påvirke recidiv og OS. For eksempel kan op til 25% af læsioner gå uopdagede. En metaanalyse rapporterede, at kontrastforstærket CT havde en følsomhed og specificitet på henholdsvis 82% og 84% for at påvise leverlæsioner. Imidlertid falder følsomheden til 31-38% for læsioner mindre end 1 cm. MRI er den mest præcise modalitet til at påvise CRLM; den bruges dog typisk som et sekundært værktøj i praksis. MRI har fordelen af at kunne påvise og karakterisere læsioner endda mindre end 10 mm samt ingen strålingsfare. Hepatocyt-specifikke kontrastmidler har en følsomhed på 95% for at påvise levermetastase.

På trods af deres værdi kan visuel CT- og MRI-evaluering ikke vurdere mikrostrukturelle ændringer som intra-læsionelle perfusions- eller nekrotiske ændringer, der kan være tidlige indikatorer på en høj risiko for lokal tumorprogression. Derudover kan dårlig billedkvalitet føre til manglende evne til at genkende alle metastaserne. Derfor er interessen for brugen af AI-baserede værktøjer til at optimere billedkvaliteten og brugen af kvantitativ billeddannelse vokset med brugen af teksturanalyse eller radiomik. Radiomik består i at udtrække en stor mængde kvantitative træk fra medicinske billeder i kombination med maskinlæring (ML) modeller for at forudsige kliniske slutpunkter. For nylig er radiomik blevet studeret som en prognostisk/prædiktiv indikator for kliniske resultater i forskellige tumortyper og overlevelsesanalyse med lovende resultater på CLRM behandlet med mikrobølgeablation. Imidlertid er der kun begrænset evidens tilgængelig for leveren og for CRLM, og nogle studier antyder, at teksturanalyse kan hjælpe radiologen kvantitativt med at ændre kliniske tilgange.

Alle de radiomiske træk kan også hjælpe med at træne neurale netværk med det formål at detektere levermetastaser, før de bliver visuelt detekterbare af radiologen.

Derfor sigter dette studie mod at vurdere, om en multifaktoriel (inklusive klinisk og radiomisk) ML-model kan identificere patienter med CRLM med en høj risiko for progression efter kemoterapi og recidiv efter leverresektion. Modelleringsfasen vil finde sted på S-RACE af D34Health, baseret på Azure Machine Learning på Azure Cloud, og vil levere nyttige værktøjer og metoder, der kræves for at modellere problemet, såsom beregningsinstanser og modelleringsværktøjer som Jupyter Notebooks, kombineret med de indbyggede samarbejds- og privatlivsværktøjer.

Desuden kan den tilføjede værdi af kliniske data bruges til at bygge kliniske og kombinerede modeller for bedre resultatforudsigelser.

Studiet er konfigureret som et observationelt, retrospektivt studie, monocentrisk. Personer berørt af CRLM og opereret for leverresektion i vores hospitalsmiljø vil blive udvalgt i henhold til berettigelseskriterier.