Estratificación del riesgo de hepatocarcinogénesis utilizando un modelo clínico, biológico y de ultrasonido basado en aprendizaje profundo en pacientes de alto riesgo (STARHE)

Para 2030, el carcinoma hepatocelular (HCC) se convertirá en la segunda causa principal de muerte relacionada con el cáncer, y representará más de un millón de muertes por año según la Organización Mundial de la Salud.

Hasta la fecha, la detección del carcinoma hepatocelular en Francia sigue siendo uniforme para todos los pacientes, basándose únicamente en una ecografía hepática cada 6 meses. Este esquema tiene la ventaja de asociar una aceptable relación coste-efectividad y, sobre todo, de obtener una mayor supervivencia global. Sin embargo, esta estrategia tiene tres limitaciones principales: falta de personalización, bajo cumplimiento, rendimiento relativamente bajo de la ecografía.

Se han desarrollado modelos de estratificación de riesgo para hepatitis C crónica, cirrosis alcohólica y esteatohepatitis no alcohólica (NASH) que incluyen parámetros clínicos (edad, sexo, índice de masa corporal y diabetes) y biológicos (ASAT/ALAT, plaquetas, albúmina). Sin embargo, no incluyeron el análisis del parénquima hepático que es el sustrato fisiopatológico de la hepatocarcinogénesis. En la década de 1990, varios autores estudiaron la incidencia del hepatocarcinoma según la ecoestructura hepática. Estuvieron de acuerdo en el sobre-riesgo representado por una ecoestructura heterogénea nodular con una razón de tasas estimada de hasta 20.

Sin embargo, todos estos resultados aún no han dado lugar a una estrategia de cribado radiológico personalizado. El advenimiento de nuevas técnicas de inteligencia artificial podría revolucionar el enfoque.

El aprendizaje profundo, una subclase del aprendizaje automático, es un área popular de investigación que puede ayudar a los humanos a realizar ciertas tareas. A diferencia de la radiómica, el aprendizaje profundo puede identificar automáticamente nuevas características de imagen no definidas por humanos.

La hipótesis de este estudio es que el parénquima hepático cirrótico no tumoral es rico en información estructural que refleja la severidad de la hepatopatía, su riesgo carcinológico y el proceso de hepatocarcinogénesis. Su análisis combinado con datos clínicos y biológicos, que ya han sido estudiados para estratificar el riesgo de hepatocarcinogénesis, permitirá definir una población de muy alto riesgo, particularmente en el contexto de la erradicación del Virus de la Hepatitis C (VHC) y del Virus de la Hepatitis B (VHB). ) control.

En consecuencia, este estudio propone diseñar prospectivamente un modelo de aprendizaje profundo para la estratificación del riesgo de hepatocarcinogénesis mediante la inclusión de parámetros ecográficos clínicos, biológicos y radiológicos. El objetivo principal del estudio es identificar una población con muy alto riesgo de desarrollar hepatocarcinoma para proponer diferentes modalidades de cribado a los pacientes con mayor riesgo.

En este estudio clínico se incluirán pacientes mayores de 18 años derivados por su hepatólogo en el marco de un cribado ecográfico según las recomendaciones de la Asociación Europea para el Estudio del Hígado (EASL) para el cribado del carcinoma hepatocelular, excepto para la enfermedad hepática por VHB no cirrótica: no -enfermedad hepática cirrótica en estadio F3 por cualquier causa según la evaluación de riesgo individual de hepatocarcinoma; cirrosis de cualquier causa, curada no viral o virológicamente (VHC) o controlada (VHB). Se excluirán los pacientes con antecedentes de carcinoma hepatocelular tratado.

De forma prospectiva se constituirán dos grupos de pacientes: el grupo 1 incluirá pacientes con diagnóstico de hepatocarcinoma mayor de 1 cm (estándares diagnósticos de referencia: radiológico o histológico). Estos pacientes corresponderán por tanto a un riesgo muy alto; El grupo 2 incluirá pacientes sin hepatocarcinoma, por lo que corresponde a un riesgo menor. En los pacientes del grupo 2 se realizará una ecografía con intervalo de 1 año para confirmar la ausencia de nuevo nódulo al año siguiente de la inclusión. La proporción de carcinoma hepatocelular nuevo no debe exceder el 3%.

Los datos recogidos serán parámetros clínicos, biológicos, elastográficos y ultrasónicos.

Se desarrollará un modelo de aprendizaje profundo utilizando una arquitectura de red neuronal convolucional profunda en Python utilizando estos datos.

En un total de 7 sitios de investigación, se incluirán 300 pacientes (distribuidos equitativamente entre los dos grupos) en la cohorte de entrenamiento/validación y 100 pacientes (distribuidos equitativamente entre los dos grupos) en la cohorte de prueba. Estos números se calculan a partir de estudios de ultrasonido que informan una tasa de riesgo de CHC de hasta 20 en caso de patrón de ultrasonido macronodular y requisitos de aprendizaje profundo (se necesitan números grandes).

Las cohortes de formación/validación y prueba serán de centros externos e independientes.

El rendimiento diagnóstico del modelo se calculará mediante el área bajo la curva (AUC), la sensibilidad, la especificidad y la puntuación F1 (intervalos de confianza del 95 %) en la cohorte de prueba.