Künstliche Intelligenz und hepatozelluläres Karzinom (ARTIHCC)

Das hepatozelluläre Karzinom (HCC) ist eine der 5 häufigsten bösartigen Erkrankungen weltweit und die dritthäufigste krebsbedingte Todesursache mit jährlich 500.000 Todesfällen weltweit.

Obwohl es in Ostasien häufiger vorkommt, nimmt die Inzidenz von HCC in der westlichen Welt zu. Die Leberresektion ist die therapeutische Option der ersten Wahl und wird als sichere Behandlung mit nachgewiesener Auswirkung auf die Prognose und niedriger operativer Sterblichkeit als Ergebnis der Fortschritte in den Operationstechniken und im perioperativen Management akzeptiert. Dennoch ist eine chirurgische Resektion nur bei etwa 20 % bis 30 % der Patienten mit HCC anwendbar, da die meisten eine schlechte hepatische Reservefunktion haben, die durch eine zugrunde liegende chronische Lebererkrankung und multifokale hepatische Verteilungen von HCC verursacht wird. Obwohl die Leberresektion eine der kurativen Behandlungen des hepatozellulären Karzinoms ist, ist die Rezidivrate des HCC selbst nach kurativer Resektion ziemlich hoch und wird auf etwa 50 % während der ersten 3 Jahre und mehr als 70 % während der ersten 5 Jahre nach kurativer Resektion geschätzt , sodass die postoperativen Langzeitergebnisse unbefriedigend bleiben. In diesem Szenario war die Rolle der Lebertransplantation in den letzten Jahren aufgrund der Fähigkeit der Transplantation, das Wiederauftreten der Krankheit zu reduzieren, aufgrund der Behandlung der mit HCC assoziierten Leberzirrhose, die die wichtigste Ursache für das Wiederauftreten darstellt, vorherrschend. Ansonsten hat die Knappheit der Organquelle die Ausbreitung der Leberresektion gefördert, nicht nur beschränkt auf die im BCLC-Algorithmus berücksichtigten Grenzen (von EASL und AASLD unterstützte Richtlinien), sondern sogar bei Patienten, die als nicht geeignet für eine kurative Behandlung angesehen werden sowie Leberresektion. Obwohl in den letzten Jahren bei mehr Patienten außerhalb der Leitlinien eine chirurgische Behandlung mit zufriedenstellenden Ergebnissen in Bezug auf Mortalität, Morbidität und kurzfristige onkologische Ergebnisse eingeführt wurde, bleiben die Grenzen dieses Ansatzes das langfristige krankheitsfreie Überleben.

Risikofaktoren für Rezidive wurden in den letzten Jahren noch als hcc-Dimension, Grading, mikrovaskuläre Invasion und Satellitose identifiziert. Der Nachweis, dass diese beiden prognostischen Faktoren die Langzeitprognose negativ beeinflussen und das Rezidivrisiko erhöhen können, hat viele Autoren dazu veranlasst, eine anatomische Resektion (segmentale Resektion) als ideale chirurgische Behandlung zur Verringerung dieser Risiken bei HCC-Patienten vorzuschlagen. Ansonsten widersprechen sich die Literaturergebnisse hinsichtlich des tatsächlichen Nutzens dieses Ansatzes. Tatsächlich ist bei vielen Patienten mit HCC und zugrunde liegender Zirrhose der anatomische Zugang aufgrund des Risikos eines postoperativen Leberversagens nicht durchführbar. Daher wurde eine parenchymsparende Technik entwickelt und hinsichtlich der onkologischen Ergebnisse mit der anatomischen Resektion verglichen. Derzeit sind alle diese Risikofaktoren nicht vorhersehbar, und die Staging-Systeme basieren nur auf groben radiologischen Merkmalen wie der Anzahl und Größe der Knötchen. In den letzten Jahren haben mehrere Autoren neue Ansätze vorgeschlagen, um unsere Fähigkeit zu verbessern, Daten aus der radiologischen Bildgebung zu extrahieren: Durch die Analyse der Messungen und Zahlen, die während der radiologischen Erfassung (durch CT- oder MRI-Scans) erhalten wurden, sind Tausende von anderen Informationen erhältlich, Überwindung der Fähigkeit des menschlichen Auges. Diese Techniken laufen unter dem Namen "Radiomics", was ein sehr vielversprechender Zweig ist, wenn er mit den neuartigen maschinellen Lernalgorithmen (z. Deep Learning, neuronale Netze usw.). Darüber hinaus können heutzutage neuartige Daten auch durch einfaches intraoperatives Foto gewonnen werden, das während des chirurgischen Eingriffs beispielsweise von der Leberschnittfläche gewonnen wird: Durch die „Computer-Vision-Analyse“, einen weiteren leistungsstarken maschinellen Lernalgorithmus, können andere Daten erzeugt werden kurz- und langfristige Ergebnisse vorhersagen. Diese Möglichkeiten beruhen auf dem modernen Gebiet der „künstlichen Intelligenz“, wo eine Maschine darauf trainiert wird, verschiedene wiederkehrende Muster zu erkennen, um Vorhersagemodelle mit einer sehr hohen Genauigkeit zu erstellen. Auf diesen Daten basiert der Vorschlag, die vorliegende multizentrische Studie mit dem Ziel zu erstellen, ein Vorhersagemodell für postoperative Komplikationen und HCC-Rezidive zu entwickeln, basierend auf der Analyse von CT-Radiomics-Merkmalen, Leberschnittoberflächenfotos und maschineller Lernanalyse.