Konstruktion und klinische Validierung eines prädiktiven Modells für die postoperative adjuvante Therapie beim hepatozellulären Karzinom basierend auf vollständigen digitalen pathologischen Bildern und Deep Learning

# I. Studienhintergrund und -ziele Das hepatozelluläre Karzinom (HCC) ist weltweit ein häufiger bösartiger Tumor und rangiert global an 6. Stelle in Bezug auf die Inzidenz und an 3. Stelle in der Mortalität. Es verursacht jährlich etwa 480.000 Todesfälle, wobei China über 45 % der weltweiten Fälle ausmacht, was eine extrem hohe Krankheitslast darstellt 1. Die radikale chirurgische Resektion ist das primäre Mittel für Patienten mit Leberkrebs im Frühstadium, um ein Langzeitüberleben zu erreichen. Die 5-Jahres-Rezidivrate nach der Operation ist jedoch mit 50 %–70 % sehr hoch, was die Prognose der Patienten erheblich einschränkt 2. Die postoperative adjuvante Therapie ist zu einer Schlüsselstrategie geworden, um Rezidive zu verzögern und das Überleben zu verbessern. Unter diesen Therapien sind die transarterielle Chemoembolisation (TACE) und Tyrosinkinase-Inhibitoren (TKIs, wie Sorafenib und Lenvatinib) bei Patienten mit hohem Rezidivrisiko weit verbreitet 1,3.

TACE induziert ischämische Nekrose durch lokale Embolisierung der tumorversorgenden Blutgefäße in Kombination mit der Perfusion von Chemotherapeutika und eignet sich für Leberkrebs im intermediären Stadium 4,5. Multitarget-TKI-Medikamente hingegen können Signalwege wie den Vascular Endothelial Growth Factor Receptor (VEGFR) und den Platelet-derived Growth Factor Receptor (PDGFR) systematisch hemmen, wodurch sie antiangiogene und antitumorale Proliferationseffekte entfalten und zur Standardbehandlung für fortgeschrittenen Leberkrebs geworden sind 3. Dennoch weisen beide Behandlungsmodalitäten erhebliche Einschränkungen auf: Die objektive Ansprechrate von TACE beträgt in der Regel nur 50 %–60 %, und einige Patienten können nicht davon profitieren und können sogar Leberschäden erleiden 6. Obwohl TKIs das rezidivfreie Überleben (RFS) von Hochrisiko-Patienten nach der Operation um 3–5 Monate verlängern können, liegt die Behandlungsansprechrate in unselektierten Populationen unter 20 %, und die Inzidenz von Grad-3–4-Nebenwirkungen (wie Hypertonie, Hand-Fuß-Hautreaktion und Proteinurie) liegt über 50 %, was bei 20 % der Patienten aufgrund von Unverträglichkeit gegenüber toxischen Nebenwirkungen zum Therapieabbruch führt 3,7,8. Derzeit fehlt in der Klinik ein effizientes und zuverlässiges Biomarker-System zur Identifizierung potenzieller Nutznießerpopulationen. Daher stützen sich Behandlungsentscheidungen immer noch auf klinische Erfahrung (z. B. basierend auf traditionellen pathologischen Merkmalen wie Tumorgröße und Gefäßinvasion), was zu begrenzter Individualisierung, Verschwendung medizinischer Ressourcen und zusätzlicher Therapielast für die Patienten führt.

Jüngste Studien haben gezeigt, dass das Tumor-Immun-Mikromilieu (TIME) eine Schlüsselbiologische Grundlage für die therapeutische Empfindlichkeit gegenüber TACE und TKIs ist 3. Die Zusammensetzungsmerkmale des TIME, einschließlich der Immunzellinfiltration (wie CD8⁺-T-Zellen, Tregs, CTLs und M2-typische tumorassoziiierte Makrophagen), der Expression von Immun-Checkpoint-Molekülen (wie Programmed Cell Death Ligand 1, PD-L1) und der räumlichen Struktur, stehen in engem Zusammenhang mit dem Therapieansprechen 9–12. Beispielsweise könnte ein immuninflammatorisches TIME (hohe CD8⁺-T-Zell-Dichte und Bildung tertiärer lymphoider Strukturen) positiv mit der Tumornekrose nach TACE und dem TKI-Therapieansprechen korrelieren; im Gegensatz dazu weist ein immunprivilegiertes oder Wüsten-Phänotyp oft auf Therapieresistenz hin 13–15. Die derzeitige TIME-Bewertung stützt sich jedoch meist auf hochauflösende Technologien wie Multiplex-Immunhistochemie (mIHC) und räumliche Transkriptomik. Obwohl diese Methoden das Mikromilieu detailliert darstellen können, weisen sie Anwendungsengpässe wie hohe Kosten, komplexe Handhabung, hohe Anforderungen an die Probenqualität und geringe Standardisierung auf, was ihre klinische Verbreitung einschränkt.

Durchbrüche in der künstlichen Intelligenz, insbesondere Deep-Learning-Technologie, haben einen neuen Ansatz zur Gewinnung tiefer pathologischer Informationen aus konventionellen Hämatoxylin- und Eosin (HE)-gefärbten Whole-Slide-Imaging (WSI) ermöglicht. Als routinemäßige Daten für die postoperative pathologische Diagnose (jeder HCC-Patient erhält nach der Operation HE-gefärbte WSI, ohne zusätzliche Probenentnahme oder Tests) enthalten WSI zelluläre Morphologie- und Gewebestrukturdaten, die nachweislich die Kernmerkmale des TIME abbilden. Beispielsweise können durch Architekturen wie Convolutional Neural Network (CNN) und Vision Transformer (ViT) morphologische Muster, die mit der CD8⁺-T-Zell-Infiltrationsdichte und PD-L1-Expression zusammenhängen, automatisch identifiziert werden, was eine cross-modale Vorhersage von „HE-Morphologie → Immunstatus“ ermöglicht 16,17. Die neuesten Studien haben bestätigt, dass Deep-Learning-Modelle basierend auf HE-WSI die Mikrosatelliteninstabilität (MSI) bei Darmkrebs mit hoher Genauigkeit (AUC 0,88) 18, PD-L1-Expression (AUC 0,80) und die Tumor-Mutationslast (TMB, AUC 0,91) bei nicht-kleinzelligem Lungenkrebs vorhersagen können 19,20. Im Bereich Leberkrebs haben Studien auch WSI-Deep-Learning verwendet, um das postoperative Rezidivrisiko (AUC 0,82) und die Immunzellinfiltration in Leberkrebsgeweben (AUC 0,78) vorherzusagen 21,22. Allerdings haben sich keine Studien auf den klinischen Schmerzpunkt „Vorhersage der Wirksamkeit der postoperativen adjuvanten Therapie (TACE/TKI)“ konzentriert, und es fehlt an multizentrischer, großprobenbezogener klinischer Validierung.

Daher trägt der Aufbau eines prädiktiven Modells für die postoperative adjuvante Therapie von HCC basierend auf HE-gefärbten WSI und Deep-Learning-Algorithmen nicht nur dazu bei, die mechanistische Rolle von TIME im Therapieansprechen zu analysieren, sondern durchbricht auch die Einschränkungen bestehender Nachweistechnologien wie hohe Kosten, lange Zyklen und Abhängigkeit von speziellen Plattformen, was die Entwicklung von Entscheidungen zur adjuvanten Leberkrebstherapie in Richtung Präzision und Zugänglichkeit fördert. Dieses Projekt beabsichtigt, multizentrische klinisch-pathologische Daten mit künstlichen Intelligenz-Algorithmen zu integrieren, um ein digitales pathologisches Modell zu etablieren, das für die Vorhersage der Wirksamkeit von TACE und TKI geeignet ist, und strenge klinische Validierungen durchzuführen, mit dem Ziel, ein wissenschaftlich zuverlässiges Entscheidungswerkzeug für die postoperative Behandlungsauswahl bei HCC bereitzustellen.

# II. Spezifische Verfahren und Arbeitsabläufe Diese Studie ist eine umfassende Forschung, die diagnostische und interventionelle Studien kombiniert, und ist in zwei Hauptteile und mehrere Phasen unterteilt. Ihr Zweck ist die Entwicklung und Validierung eines künstlichen-intelligenz-basierten prädiktiven Systems für die postoperative adjuvante Therapie des hepatozellulären Karzinoms (HCC). Die Gesamtstudie folgt dem standardisierten Prozess für die Entwicklung künstlicher-intelligenz-basierter Software als Medizinprodukt (SaMD), einschließlich retrospektiver Datenerhebung, Modellentwicklung und -training, retrospektiver Validierung, prospektiver Beobachtungsvalidierung und abschließender prospektiver Interventionsstudie.

• Teil 1: Aufbau und Validierung des Tumor-Mikromilieu-Erkennungsmodells

  • Entwicklungs- und Trainingsphase Öffentliche Datensätze (z. B. The Cancer Genome Atlas, TCGA) und ein retrospektiver Datensatz aus dem Forschungszentrum (n=1500, davon bereits 400 Fälle gesammelt) werden als Trainingssatz verwendet. Die Kernaufgabe dieser Phase ist die Entwicklung eines Deep-Learning-Modells (z. B. einer Architektur basierend auf Vision Transformer oder ResNet) zur automatischen Identifizierung, Segmentierung und Quantifizierung von Schlüsselmerkmalen des Tumor-Mikromilieus aus Hämatoxylin- und Eosin (HE)-gefärbten Whole-Slide-Bildern (WSIs). Diese Merkmale umfassen, sind aber nicht beschränkt auf, den Grad der Immunzellinfiltration, den Stromaanteil, Gefäßinvasion und Nekrosebereiche. Alle Bilder werden unabhängig und verblindet von mindestens zwei erfahrenen Pathologen annotiert. Unstimmigkeiten werden durch Konsens oder Schiedsentscheidung durch einen dritten erfahrenen Pathologen gelöst, um den Goldstandard zu bilden.
  • Externe Validierungsphase Ein retrospektiver WSI-Datensatz von 8–10 nationalen kooperierenden medizinischen Zentren wird verwendet, um eine vorläufige Validierung der Generalisierungsfähigkeit des Modells durchzuführen. Diese Phase zielt darauf ab, die Robustheit des Modells unter verschiedenen Scangeräten, unterschiedlichen Präparations- und Färbeprozessen sowie verschiedenen Interpretationsgewohnheiten von Pathologen zu bewerten.
• Teil 2: Aufbau des Therapieansprech-Vorhersagemodells und mehrstufige klinische Validierung

Dieser Teil ist der Kern der Studie. Er zielt darauf ab, ein Klassifikationsmodell zu konstruieren, das das Ansprechen der Patienten auf verschiedene postoperative adjuvante Therapieregime (alleinige Operation, Operation + TACE, Operation + TACE + TKI) basierend auf der Ausgabe des Modells aus Teil 1 (d. h. den quantifizierten Tumor-Mikromilieu-Merkmalen) in Kombination mit notwendigen klinischen Variablen (wie TNM-Stadium, Leberfunktion Child-Pugh-Klassifikation und AFP-Spiegel) vorhersagen kann. Dieser Teil verwendet eine strenge hierarchische Validierungsstrategie:

• Modell-Trainingsphase Retrospektive Daten aus dem Forschungszentrum (n=1500) werden verwendet. Eingeschlossene Patienten müssen die folgenden Kriterien erfüllen: ① pathologisch bestätigtes HCC; ② radikale Resektion erhalten; ③ vollständige postoperative adjuvante Therapie- und Follow-up-Daten haben. Definition des Therapieansprechens: Der primäre Endpunkt ist das rezidivfreie Überleben (RFS), und die sekundären Endpunkte umfassen das Gesamtüberleben (OS) und die objektive Ansprechrate (ORR). Das Training wird mit Multi-Class-Machine-Learning-Algorithmen (wie Gradient Boosting Trees und Deep Neural Networks) durchgeführt, um die Therapieregime-Kategorie auszugeben, von der der Patient höchstwahrscheinlich profitiert.
• Interne Validierungsphase Ein unabhängiger Validierungssatz (n≈500, nicht überlappend mit dem Trainingssatz) wird durch zufällige Aufteilung aus den Zentrumsdaten reserviert. Er wird verwendet, um die diskriminative Leistung des Modells zunächst zu bewerten und Hyperparameter-Abstimmung durchzuführen, um Overfitting zu verhindern.
• Externe Validierungsphase 1 (Retrospektive Validierung und Modellkalibrierung) Retrospektive Daten aus mehreren Zentren im ganzen Land (8–10 Zentren, n=3000) werden gesammelt. Die Hauptzwecke dieser Phase sind: ① Validierung der Modellleistung auf einem größeren und heterogeneren externen Datensatz; ② Kalibrierung oder begrenzte iterative Optimierung des Modells basierend auf den Validierungsergebnissen, um das endgültige finale prädiktive Modell zu bilden.

Externe Validierungsphase 2 (Groß angelegte retrospektive Validierung) Das finalisierte Modell wird zur Validierung auf einem neuen, sehr großen retrospektiven Datensatz (n=10.000) (aus 3–5 Zentren) verwendet. Dies wird das Evidenzniveau weiter festigen und eine solide Grundlage für prospektive Studien bieten.

Externe Validierungsphase 3 (Prospektive Beobachtungsstudie) Insgesamt 1000 geeignete postoperative HCC-Patienten werden prospektiv und konsekutiv in 10–15 Zentren rekrutiert. Ihre WSI-Bilder werden gesammelt und in das Modell eingegeben, um das vorhergesagte Therapieregime zu erhalten. Diese Studienphase wird jedoch nicht in die tatsächlichen klinischen Entscheidungen eingreifen. Die Forscher werden die Vorhersageergebnisse des Modells und die tatsächlichen klinischen Entscheidungen aufzeichnen und die tatsächliche Prognose der Patienten durch Follow-up beobachten, um die Übereinstimmung zwischen den Vorhersagen des Modells und den tatsächlichen Ergebnissen sowie die Leistungsabschwächung des Modells in realen Umgebungen zu bewerten.

### Externe Validierungsphase 4 (Prospektive Interventionsstudie) Dies ist der letzte Validierungsschritt der Studie. Eine prospektive, randomisierte kontrollierte oder pragmatische klinische Studie wird in Zusammenarbeit mit 3–5 Zentren durchgeführt, mit etwa 600 eingeschlossenen Patienten. Die Patienten werden zufällig in zwei Gruppen eingeteilt: ① Modellgestützte Entscheidungsgruppe: Kliniker werden Behandlungspläne für Patienten basierend auf dem vom Modell vorhergesagten optimalen Therapieregime entwickeln; ② Standardbehandlungsgruppe: Behandlungspläne werden vollständig von Klinikern basierend auf bestehenden Leitlinien und klinischer Erfahrung entwickelt. Der primäre Vergleich wird das RFS zwischen den beiden Gruppen sein, um die höchste evidenzbasierte Medizin zu liefern, um den klinischen Nutzen der modellgestützten Entscheidungsfindung und ihren Wert bei der Verbesserung der Prognose zu demonstrieren.