KIA-Korekt: Trinvist Unimodal-til-Multimodal AI-vurdering til Perioperativ Risikoprædiktion ved Tyk- og Endetarmskræft (KIA-Korekt)

Kolorektalkræft (CRC) er en af de mest udbredte kræftformer globalt. På trods af fremskridt inden for kirurgisk teknik og perioperativ pleje er korttids postoperative komplikationer stadig hyppige og påvirker i væsentlig grad patienternes livskvalitet, sundhedsomkostninger og langsigtet prognose. Disse komplikationer omfatter anastomoseleakage, sårinfektion, sepsis, tromboemboliske hændelser og indlæggelsesmortalitet. Eksisterende kliniske risikoscorer (ASA, POSSUM) giver kun begrænset individualiseret risikostratificering og inkorporerer ikke billeddrevne biologiske markører.

KIA-Korekt-studiet adresserer dette hul ved at udvikle og validere AI-baserede prædiktive modeller for perioperative komplikationer ved CRC, der integrerer tre komplementære billedmodaliteter:

Digital histopatologi: Hematoxylin-eosin farvede helsidesbilleder (H&E-WSIs) fra kirurgiske resektionsprøver og præoperative biopsier analyseres ved hjælp af opmærksomhedsbaseret multiple instance learning (MIL) og convolutional neural networks (CNNs), baseret på etablerede pipelines fra Institut for Beregningspatologi, TU Dresden (AG Kather).

Radiologi: Præoperative CT- og MR-billeder behandles ved hjælp af automatisk segmentering (TotalSegmentator, nnU-Net) og radiomisk funktionsektraktion (PyRadiomics). Funktioner udledes fra den primære tumor, psoasmusklen (sarkopeni) og viscerale/subkutane fedtrum. En dedikeret multimetri kvalitetskontrolpipeline sikrer stabile billeddatarepræsentationer på tværs af scannere og indsamlingsprotokoller.

Multiplex vævsbilledtagning (mTI): Multiplex immunhistokemi med multispektral billedtagning (mIHC-MSI) og billedmasspektrometri (IMC) anvendes på formalinfikseret paraffinindlejret tumorvæv til at karakterisere immun- og stromale cellepopulationer, markørudtryksintensiteter og rumlige distributionsmønstre inden for tumormikromiljøet.

Unimodale modeller udvikles og valideres separat for hver modalitet. Multimodal integration udføres ved hjælp af funktionsniveau-fusion, sen fusion og multimodal multiple-instance learning med krydsopmærksomhedsmekanismer. Modelydelse evalueres ved hjælp af AUC-ROC, kalibreringsplot, Brier-scorer og beslutningskurveanalyse. Fortolkelighed vurderes ved hjælp af SHAP-værdier og opmærksomhedsvarmekort.

Studiet anvender et blandet retrospektivt (n=750, 2011-2021) og prospektivt valideringskohorte (n=210, 2026-2028) design. Den retrospektive kohorte danner grundlag for modeludvikling og intern krydsvalidering; den prospektive kohorte muliggør ekstern validering i den virkelige verden under kliniske forhold.

En omfattende patientniveau makro-mikro korrelationsanalyse undersøger sammenhænge mellem radiologiske billedfænotyper og mikroskopiske histopatologiske og immunologiske karakteristika fra de samme tumorer, hvilket muliggør unikke integrative biologiske indsigter.

Studiet er finansieret af Den Europæiske Union og delstaten Brandenburg (HealthTranslateBB/ERDF) og Deutsche Forschungsgemeinschaft (DFG). Etisk godkendelse er givet af etikkomiteen ved Brandenburg Medical School Theodor Fontane. Alle prospektive deltagere giver skriftlig informeret samtykke. Retrospektive data behandles i pseudonymiseret form i overensstemmelse med GDPR.

Resultater vil blive spredt gennem fagfællebedømte open-access publikationer og nationale og internationale konferencepræsentationer.