Risikostratifizierung der Hepatokarzinogenese unter Verwendung eines auf Deep Learning basierenden klinischen, biologischen und Ultraschallmodells bei Hochrisikopatienten (STARHE)

Bis 2030 wird das hepatozelluläre Karzinom (HCC) die zweithäufigste krebsbedingte Todesursache sein und laut Weltgesundheitsorganisation jährlich mehr als eine Million Todesfälle verursachen.

Bis heute ist das Screening auf hepatozelluläres Karzinom in Frankreich für alle Patienten einheitlich und basiert ausschließlich auf einem Leberultraschall alle 6 Monate. Dieses Schema hat den Vorteil, ein akzeptables Kosten-Nutzen-Verhältnis zuzuordnen und vor allem ein erhöhtes Gesamtüberleben zu erzielen. Diese Strategie hat jedoch drei Haupteinschränkungen: Mangel an Personalisierung, geringe Compliance, relativ schlechte Leistung des Ultraschalls.

Risikostratifizierungsmodelle wurden für chronische Hepatitis C, alkoholische Zirrhose und nichtalkoholische Steatohepatitis (NASH) entwickelt, einschließlich klinischer (Alter, Geschlecht, Body-Mass-Index und Diabetes) und biologischer (ASAT/ALAT, Blutplättchen, Albumin) Parameter. Sie enthielten jedoch keine Analyse des Leberparenchyms, das das physiopathologische Substrat der Leberkrebsentstehung ist. In den 1990er Jahren untersuchten mehrere Autoren die Inzidenz des hepatozellulären Karzinoms anhand der Echostruktur der Leber. Sie einigten sich auf das Überrisiko, das durch eine knotige heterogene Echostruktur mit einem geschätzten Ratenverhältnis von bis zu 20 dargestellt wird.

All diese Ergebnisse haben jedoch noch nicht zu einer personalisierten radiologischen Screening-Strategie geführt. Das Aufkommen neuer Techniken der künstlichen Intelligenz könnte diesen Ansatz revolutionieren.

Deep Learning, eine Unterklasse des maschinellen Lernens, ist ein beliebtes Forschungsgebiet, das Menschen bei bestimmten Aufgaben helfen kann. Im Gegensatz zu Radiomics kann Deep Learning automatisch neue Bildmerkmale identifizieren, die nicht von Menschen definiert werden.

Die Hypothese dieser Studie ist, dass das zirrhotische Nicht-Tumor-Leberparenchym reich an strukturellen Informationen ist, die die Schwere der Hepatopathie, ihr karzinologisches Risiko und den Prozess der Leberkrebsentstehung widerspiegeln. Seine Analyse in Kombination mit klinischen und biologischen Daten, die bereits untersucht wurden, um das Risiko der Hepatokarzinogenese zu stratifizieren, wird es ermöglichen, eine Population mit sehr hohem Risiko zu definieren, insbesondere im Zusammenhang mit der Eradikation des Hepatitis-C-Virus (HCV) und des Hepatitis-B-Virus (HBV). ) Kontrolle.

Folglich schlägt diese Studie vor, prospektiv ein Deep-Learning-Modell zur Stratifizierung des Risikos der Hepatokarzinogenese durch Einbeziehung klinischer, biologischer und radiologischer Ultraschallparameter zu entwerfen. Das Hauptziel der Studie besteht darin, eine Population mit sehr hohem Risiko für die Entwicklung eines Hepatokarzinoms zu identifizieren, um den am stärksten gefährdeten Patienten verschiedene Screening-Modalitäten vorzuschlagen.

Diese klinische Studie umfasst Patienten über 18 Jahre, die von ihrem Hepatologen im Rahmen eines Ultraschall-Screenings gemäß den Empfehlungen der European Association for the Study of the Liver (EASL) für das hepatozelluläre Karzinom-Screening überwiesen wurden, mit Ausnahme von nicht-zirrhotischer HBV-Lebererkrankung: keine -Zirrhotische Lebererkrankung im F3-Stadium jeglicher Ursache, basierend auf einer individuellen Risikobewertung für Leberkrebs; Zirrhose jeglicher Ursache, nicht viral oder virologisch geheilt (HCV) oder kontrolliert (HBV). Patienten mit einer Vorgeschichte von behandeltem hepatozellulärem Karzinom werden ausgeschlossen.

Es werden prospektiv zwei Gruppen von Patienten gebildet: Gruppe 1 umfasst Patienten mit einer Diagnose von hepatozellulärem Karzinom größer als 1 cm (diagnostische Referenzstandards: radiologisch oder histologisch). Diese Patienten entsprechen daher einem sehr hohen Risiko; Gruppe 2 umfasst Patienten ohne hepatozelluläres Karzinom, was einem geringeren Risiko entspricht. Bei Patienten der Gruppe 2 wird im Abstand von 1 Jahr ein Ultraschall durchgeführt, um das Fehlen neuer Knoten im Jahr nach der Aufnahme zu bestätigen. Der Anteil neuer hepatozellulärer Karzinome sollte 3 % nicht überschreiten.

Bei den gesammelten Daten handelt es sich um klinische, biologische, elastographische und Ultraschallparameter.

Unter Verwendung dieser Daten wird auf Python ein Deep-Learning-Modell entwickelt, das eine Deep Convolutional Neural Network-Architektur verwendet.

An insgesamt 7 Untersuchungszentren werden 300 Patienten (gleichmäßig verteilt auf die beiden Gruppen) in die Trainings-/Validierungskohorte und 100 Patienten (gleichmäßig verteilt auf die beiden Gruppen) in die Testkohorte aufgenommen. Diese Zahlen werden aus Ultraschallstudien berechnet, die ein Ratenverhältnis des HCC-Risikos von bis zu 20 bei makronodulärem Ultraschallmuster und Deep-Learning-Anforderungen (große Zahlen erforderlich) melden.

Die Schulungs-/Validierungs- und Testkohorten stammen von externen und unabhängigen Zentren.

Die diagnostische Leistung des Modells wird anhand von Fläche unter der Kurve (AUC), Sensitivität, Spezifität und F1-Score (95 % Konfidenzintervall) für die Testkohorte geschätzt.