Konstruktion og klinisk validering af en prædiktiv model for postoperativ adjuvant terapi ved hepatocellulært karcinom baseret på hel-slides digitale patologiske billeder og dyb læring

# I. Studiebagsgrund og mål Hepatocellulært karcinom (HCC) er en almindelig malign tumor globalt, der rangerer som den 6. hyppigste i forhold til incidens og 3. i dødelighed globalt. Det forårsager ca. 480.000 dødsfald hvert år, hvor Kina står for over 45 % af globale tilfælde, hvilket repræsenterer en ekstremt tung sygdomsbyrde 1. Radikal kirurgisk resektion er det primære middel for patienter med tidligt levercancer til at opnå langtids overlevelse. Dog er den 5-årige postoperative recidivrate så høj som 50 %–70 %, hvilket alvorligt begrænser patientens prognose 2. Postoperativ adjuvantbehandling er blevet en nøglestrategi for at forsinke recidiv og forbedre overlevelse. Blandt sådanne behandlinger er Transarteriel Chemoembolisering (TACE) og Tyrosinkinasehæmmere (TKIs, såsom sorafenib og lenvatinib) blevet bredt anvendt i behandlingen af patienter med høj risiko for recidiv 1,3.

TACE inducerer iskæmisk nekrose ved lokalt at embolisere tumorernærende blodkar kombineret med kemoterapeutisk medicin perfusion og er velegnet til mellemstadiet levercancer 4,5. Multitarget TKI-lægemidler kan på den anden side systematisk hæmme signalveje såsom Vascular Endothelial Growth Factor Receptor (VEGFR) og Platelet-derived Growth Factor Receptor (PDGFR), hvilket udøver anti-angiogen og anti-tumor proliferation effekter og er blevet standardbehandlingen for avanceret levercancer 3. Ikke desto mindre har begge behandlingsmodaliteter betydelige begrænsninger: den objektive responsrate for TACE er normalt kun 50 %–60 %, og nogle patienter kan ikke drage fordel af det og kan endda opleve leverskade 6. Selvom TKIs kan forlænge Recidivfri Overlevelse (RFS) for højrisiko postoperative patienter med 3–5 måneder, er behandlingsresponsraten i uselekterede populationer mindre end 20 %, og forekomsten af grad 3–4 bivirkninger (såsom hypertension, hånd-fod hudreaktion og proteinuri) er over 50 %, hvilket fører til behandlingsafbrydelse hos 20 % af patienterne på grund af intolerans overfor toksiske bivirkninger 3,7,8. I øjeblikket mangler klinikken et effektivt og pålideligt biomarkørsystem til at identificere potentielt fordelagtige populationer. Som et resultat afhænger behandlingsbeslutninger stadig af klinisk erfaring (f.eks. baseret på traditionelle patologiske egenskaber såsom tumorstørrelse og vaskulær invasion), hvilket resulterer i begrænset individualisering, spild af medicinske ressourcer og yderligere behandlingsbyrde for patienterne.

Nylige studier har vist, at Tumor Immun Mikromiljø (TIME) er en nøgle biologisk basis, der påvirker den terapeutiske følsomhed for TACE og TKIs 3. TIME's sammensætningskarakteristika, herunder immun celleinfiltration (såsom CD8⁺ T-celler, Tregs, CTLs og M2-type tumor-associerede makrofager), udtrykket af immun checkpoint molekyler (såsom Programmed Cell Death Ligand 1, PD-L1) og rumlig struktur, er tæt forbundet med behandlingsrespons 9–12. For eksempel kan et immun-inflammatorisk TIME (høj CD8⁺ T-celletæthed og dannelse af tertiære lymfoide strukturer) være positivt korreleret med tumornekrose efter TACE og TKI behandlingsrespons; derimod indikerer en immun-fritaget eller ørken fænotype ofte behandlingsresistens 13–15. Dog afhænger den nuværende TIME-vurdering mest af højopløsningsteknologier såsom Multiplex Immunohistokemi (mIHC) og rumlig transkriptomik. Selvom disse metoder kan skildre mikromiljøet i detaljer, har de anvendelsesflaskehalse såsom høj omkostning, kompleks drift, høje krav til prøvekvalitet og lav standardisering, hvilket begrænser deres kliniske udbredelse.

Gennembrud inden for kunstig intelligens, især dyb læringsteknologi, har givet en ny tilgang til at udvinde dybdegående patologisk information fra konventionelle Hematoxylin og Eosin (HE)-farvede Whole Slide Imaging (WSI). Som rutinemæssige data til postoperativ patologisk diagnose (hver HCC-patient vil have HE-farvede WSI genereret efter operation uden yderligere prøvetagning eller testning), indeholder WSI cellulær morfologi og vævsstruktur detaljer, der er bevist at kortlægge kernetræk ved TIME. For eksempel kan gennem arkitekturer såsom Convolutional Neural Network (CNN) og Vision Transformer (ViT) morfologiske mønstre relateret til CD8⁺ T-celleinfiltrationstæthed og PD-L1 udtryk automatisk identificeres, hvilket muliggør krydsmodal forudsigelse af "HE morfologi → immun status" 16,17. De seneste studier har bekræftet, at dyb læring modeller baseret på HE-WSI kan forudsige Microsatellit Instabilitet (MSI) i kolorektal cancer med høj nøjagtighed (AUC 0,88) 18, PD-L1 udtryk (AUC 0,80) og Tumor Mutations Byrde (TMB, AUC 0,91) i ikke-småcellet lungecancer 19,20. Inden for levercancerområdet har studier også brugt WSI dyb læring til at forudsige postoperativ recidivrisiko (AUC 0,82) og immun celleinfiltration i levercancervæv (AUC 0,78) 21,22. Dog har ingen studier fokuseret på det kliniske smertepunkt "forudsigelse af effektiviteten af postoperativ adjuvantbehandling (TACE/TKI)", og der mangler multicentrisk, stort prøvestørrelse klinisk validering.

Derfor vil konstruktionen af en prædiktiv model for postoperativ adjuvantbehandling af HCC baseret på HE-farvede WSI og dyb læringsalgoritmer ikke kun hjælpe med at analysere den mekanistiske rolle af TIME i behandlingsrespons, men også bryde igennem begrænsningerne af eksisterende detektionsteknologier såsom høj omkostning, lang cyklus og afhængighed af specielle platforme, hvilket fremmer udviklingen af levercancer adjuvantbehandlingsbeslutninger mod præcision og tilgængelighed. Dette projekt agter at integrere multicentrisk klinisk-patologiske data med kunstig intelligens algoritmer for at etablere en digital patologisk model egnet til at forudsige effektiviteten af TACE og TKI og gennemføre streng klinisk validering med det formål at give et videnskabeligt og pålideligt beslutningsværktøj til postoperativ behandlingsvalg af HCC.

# II. Specifikke procedurer og arbejdsgang Dette studie er en omfattende forskning, der kombinerer diagnostiske forsøg og interventionsstudier, opdelt i to store dele og flere faser. Dets formål er at udvikle og validere et kunstig intelligens-baseret prædiktivt system for postoperativ adjuvantbehandling af Hepatocellulært Karcinom (HCC). Det overordnede studie følger den standardiserede proces for udviklingen af Kunstig Intelligens (AI)-baseret Software som et Medicinsk Apparat (SaMD), herunder retrospektiv dataindsamling, modeludvikling og træning, retrospektiv validering, prospektiv observationsvalidering og endeligt prospektiv interventionsstudie.

• Del 1: Konstruktion og validering af tumor mikromiljø genkendelsesmodel

  • Udviklings- og træningsfase Offentlige datasæt (f.eks. The Cancer Genome Atlas, TCGA) og et retrospektivt datasæt fra forskningscentret (n=1500, med 400 tilfælde allerede indsamlet) vil blive brugt som træningssæt. Kerneopgaven i denne fase er at udvikle en dyb læringsmodel (f.eks. en arkitektur baseret på Vision Transformer eller ResNet) til automatisk at identificere, segmentere og kvantificere nøgle tumor mikromiljø træk fra Hematoxylin og Eosin (HE)-farvede Whole Slide Billeder (WSIs). Disse træk inkluderer, men er ikke begrænset til, grad af immun celleinfiltration, stroma andel, vaskulær invasion og nekrotiske områder. Alle billeder vil blive uafhængigt annoteret på en blindet måde af mindst to senior patologer. Uenigheder vil blive løst gennem konsensus eller voldgift af en tredje senior patolog for at danne guldstandarden.
  • Ekstern valideringsfase Et retrospektivt WSI datasæt fra 8–10 indenlandske samarbejdende medicinske centre vil blive brugt til at gennemføre foreløbig validering af modellens generaliserings evne. Denne fase har til formål at evaluere modellens robusthed under forskellige skanningsudstyr, forskellige præparatforberedelses- og farveprocesser og forskellige fortolkningsvaner hos patologer.
• Del 2: Konstruktion af behandlingsrespons prædiktionsmodel og multiniveau klinisk validering

Denne del er kernestudiet. Den har til formål at konstruere en klassifikationsmodel, der kan forudsige patienters respons på forskellige postoperative adjuvantbehandlingsregimer (kirurgi alene, kirurgi + TACE, kirurgi + TACE + TKI) baseret på outputtet af modellen i Del 1 (dvs. de kvantificerede tumor mikromiljø træk) kombineret med nødvendige kliniske variable (såsom TNM-stadie, leverfunktion Child-Pugh klassifikation og AFP-niveau). Denne del anvender en streng hierarkisk valideringsstrategi:

• Modeltræningsfase Retrospektive data fra forskningscentret (n=1500) vil blive brugt. Patienter inkluderet skal opfylde følgende kriterier: ① patologisk bekræftet HCC; ② modtaget radikal resektion; ③ har komplet postoperativ adjuvantbehandling og opfølgningsdata. Definition af behandlingsrespons: det primære endpoint er Recidivfri Overlevelse (RFS), og de sekundære endpoints inkluderer Samlet Overlevelse (OS) og Objektiv Responsrate (ORR). Træning vil blive gennemført ved brug af multi-klasse maskinlæringsalgoritmer (såsom gradient boosting træer og dybe neurale netværk) for at outputte behandlingsregimekategorien, som patienten med størst sandsynlighed vil drage fordel af.
• Intern valideringsfase Et uafhængigt valideringssæt (n≈500, ikke-overlappende med træningssættet) vil blive reserveret fra centrets data gennem tilfældig opdeling. Det vil blive brugt til foreløbig at evaluere modellens diskriminationspræstation og udføre hyperparameterjustering for at forhindre overfitting.
• Ekstern valideringsfase 1 (Retrospektiv validering og modelkalibrering) Retrospektive data fra flere centre på landsplan (8–10 centre, n=3000) vil blive indsamlet. De vigtigste formål med denne fase er: ① at validere modelpræstationen på et større skala og mere heterogent eksternt datasæt; ② at kalibrere eller gennemføre begrænset iterativ optimering af modellen baseret på valideringsresultaterne for at danne den endelige færdiggjorte prædiktive model.

Ekstern valideringsfase 2 (Storskala retrospektiv validering) Den færdiggjorte model vil blive brugt til validering på et nyt, ultrastort skala (n=10.000) retrospektivt datasæt (fra 3–5 centre). Dette vil yderligere konsolidere evidensniveauet og give et solidt grundlag for prospektive studier.

Ekstern valideringsfase 3 (Prospektiv observationsstudie) I alt 1000 kvalificerede postoperative HCC-patienter vil blive prospektivt og konsekutivt rekrutteret i 10–15 centre. Deres WSI-billeder vil blive indsamlet og indtastet i modellen for at opnå det forudsagte behandlingsregime. Dog vil denne studiefase ikke interferere med faktiske kliniske beslutninger. Forskere vil registrere modellens forudsigelsesresultater og faktiske kliniske beslutninger og observere patienternes faktiske prognose gennem opfølgning for at evaluere konsistensen mellem modellens forudsigelser og faktiske udfald samt modellens præstationssvækkelse i virkelige verdens forhold.

### Ekstern valideringsfase 4 (Prospektiv interventionsstudie) Dette er studiets endelige valideringstrin. Et prospektivt, randomiseret kontrolleret eller pragmatisk klinisk forsøg vil blive gennemført i samarbejde med 3–5 centre med cirka 600 patienter rekrutteret. Patienter vil blive tilfældigt opdelt i to grupper: ① Model-Assisteret Beslutningstagning Gruppe: klinikere vil udvikle behandlingsplaner for patienter baseret på modellens forudsagte optimale behandlingsregime; ② Standardbehandlingsgruppe: behandlingsplaner vil blive udviklet udelukkende af klinikere baseret på eksisterende retningslinjer og klinisk erfaring. Den primære sammenligning vil være RFS mellem de to grupper for at give det højeste niveau af evidensbaseret medicin til at demonstrere den kliniske nytte af model-assisteret beslutningstagning og dens værdi i forbedring af prognose.