Construcción y Validación Clínica de un Modelo Predictivo para Terapia Adyuvante Postoperatoria en Carcinoma Hepatocelular Basado en Imágenes Patológicas Digitales de Lámina Completa y Aprendizaje Profundo

# I. Antecedentes y Objetivos del Estudio El carcinoma hepatocelular (HCC) es un tumor maligno común a nivel mundial, ocupando el sexto lugar en incidencia y el tercero en mortalidad global. Causa aproximadamente 480.000 muertes cada año, con China representando más del 45% de los casos globales, lo que supone una carga de enfermedad extremadamente pesada 1. La resección quirúrgica radical es el principal medio para que los pacientes con cáncer de hígado en estadio temprano logren una supervivencia a largo plazo. Sin embargo, la tasa de recurrencia postoperatoria a 5 años es tan alta como del 50%-70%, lo que limita gravemente el pronóstico del paciente 2. La terapia adyuvante postoperatoria se ha convertido en una estrategia clave para retrasar la recurrencia y mejorar la supervivencia. Entre estas terapias, la quimioembolización transarterial (TACE) y los inhibidores de tirosina quinasa (TKIs, como sorafenib y lenvatinib) se han utilizado ampliamente en el tratamiento de pacientes con alto riesgo de recurrencia 1,3.

La TACE induce necrosis isquémica al embolizar localmente los vasos sanguíneos que alimentan el tumor combinado con perfusión de fármacos quimioterapéuticos, y es adecuada para el cáncer de hígado en estadio intermedio 4,5. Los fármacos TKI multibjetivo, por otro lado, pueden inhibir sistemáticamente vías de señalización como el receptor del factor de crecimiento endotelial vascular (VEGFR) y el receptor del factor de crecimiento derivado de plaquetas (PDGFR), ejerciendo efectos antiangiogénicos y antiproliferativos tumorales, y se han convertido en el tratamiento estándar para el cáncer de hígado avanzado 3. Sin embargo, ambas modalidades de tratamiento tienen limitaciones significativas: la tasa de respuesta objetiva de la TACE suele ser solo del 50%-60%, y algunos pacientes no pueden beneficiarse de ella e incluso pueden experimentar daño hepático 6. Aunque los TKIs pueden extender la supervivencia libre de recurrencia (RFS) de los pacientes postoperatorios de alto riesgo en 3-5 meses, la tasa de respuesta al tratamiento en poblaciones no seleccionadas es inferior al 20%, y la incidencia de reacciones adversas de grado 3-4 (como hipertensión, reacción cutánea en manos y pies, y proteinuria) supera el 50%, lo que lleva a la interrupción del tratamiento en el 20% de los pacientes debido a la intolerancia a los efectos secundarios tóxicos 3,7,8. Actualmente, la clínica carece de un sistema de biomarcadores eficiente y fiable para identificar poblaciones potencialmente beneficiarias. Como resultado, las decisiones de tratamiento aún dependen de la experiencia clínica (por ejemplo, basándose en características patológicas tradicionales como el tamaño del tumor y la invasión vascular), lo que resulta en una individualización limitada, desperdicio de recursos médicos y carga de tratamiento adicional para los pacientes.

Estudios recientes han demostrado que el microambiente tumoral inmune (TIME) es una base biológica clave que afecta la sensibilidad terapéutica de la TACE y los TKIs 3. Las características compositivas del TIME, incluida la infiltración de células inmunitarias (como células T CD8⁺, Tregs, CTLs y macrófagos asociados a tumores de tipo M2), la expresión de moléculas de punto de control inmunitario (como el ligando 1 de muerte celular programada, PD-L1) y la estructura espacial, están estrechamente relacionadas con la respuesta al tratamiento 9-12. Por ejemplo, un TIME inmunoinflamatorio (alta densidad de células T CD8⁺ y formación de estructuras linfoides terciarias) puede estar positivamente correlacionado con la necrosis tumoral después de la TACE y la respuesta al tratamiento con TKI; por el contrario, un fenotipo inmune exento o desértico a menudo indica resistencia al tratamiento 13-15. Sin embargo, la evaluación actual del TIME se basa principalmente en tecnologías de alta resolución como la inmunohistoquímica multiplex (mIHC) y la transcriptómica espacial. Aunque estos métodos pueden describir el microambiente en detalle, tienen cuellos de botella de aplicación como alto costo, operación compleja, altos requisitos de calidad de muestra y baja estandarización, lo que limita su promoción clínica.

Los avances en inteligencia artificial, especialmente la tecnología de aprendizaje profundo, han proporcionado un nuevo enfoque para extraer información patológica profunda de imágenes de portaobjetos completos (WSI) teñidas con hematoxilina y eosina (HE) convencionales. Como dato de rutina para el diagnóstico patológico postoperatorio (cada paciente con HCC tendrá WSI teñidas con HE generadas después de la cirugía sin muestreo o pruebas adicionales), la WSI contiene detalles de morfología celular y estructura tisular que han demostrado mapear las características centrales del TIME. Por ejemplo, a través de arquitecturas como la red neuronal convolucional (CNN) y el transformador de visión (ViT), se pueden identificar automáticamente patrones morfológicos relacionados con la densidad de infiltración de células T CD8⁺ y la expresión de PD-L1, permitiendo la predicción multimodal de "morfología HE → estado inmune" 16,17. Los estudios más recientes han confirmado que los modelos de aprendizaje profundo basados en HE-WSI pueden predecir la inestabilidad de microsatélites (MSI) en cáncer colorrectal con alta precisión (AUC 0,88) 18, la expresión de PD-L1 (AUC 0,80) y la carga mutacional tumoral (TMB, AUC 0,91) en cáncer de pulmón no microcítico 19,20. En el campo del cáncer de hígado, los estudios también han utilizado el aprendizaje profundo de WSI para predecir el riesgo de recurrencia postoperatoria (AUC 0,82) y la infiltración de células inmunitarias en tejidos de cáncer de hígado (AUC 0,78) 21,22. Sin embargo, ningún estudio se ha centrado en el punto de dolor clínico de "predecir la eficacia de la terapia adyuvante postoperatoria (TACE/TKI)", y falta validación clínica multicéntrica y de gran muestra.

Por lo tanto, la construcción de un modelo predictivo para la terapia adyuvante postoperatoria del HCC basado en WSI teñidas con HE y algoritmos de aprendizaje profundo no solo ayuda a analizar el papel mecanístico del TIME en la respuesta al tratamiento, sino que también supera las limitaciones de las tecnologías de detección existentes, como alto costo, ciclo largo y dependencia de plataformas especiales, promoviendo el desarrollo de decisiones de terapia adyuvante del cáncer de hígado hacia la precisión y accesibilidad. Este proyecto pretende integrar datos clinicopatológicos multicéntricos con algoritmos de inteligencia artificial para establecer un modelo patológico digital adecuado para predecir la eficacia de la TACE y los TKIs, y realizar una validación clínica rigurosa, con el objetivo de proporcionar una herramienta de toma de decisiones científica y fiable para la selección del tratamiento postoperatorio del HCC.

# II. Procedimientos Específicos y Flujo de Trabajo Este estudio es una investigación integral que combina ensayos diagnósticos y estudios de intervención, dividida en dos partes principales y múltiples fases. Su propósito es desarrollar y validar un sistema predictivo basado en inteligencia artificial para la terapia adyuvante postoperatoria del carcinoma hepatocelular (HCC). El estudio general sigue el proceso estandarizado para el desarrollo de software como dispositivo médico (SaMD) basado en inteligencia artificial (IA), incluyendo recopilación retrospectiva de datos, desarrollo y entrenamiento del modelo, validación retrospectiva, validación observacional prospectiva y estudio de intervención prospectivo final.

• Parte 1: Construcción y Validación del Modelo de Reconocimiento del Microambiente Tumoral

  • Fase de Desarrollo y Entrenamiento Se utilizarán conjuntos de datos públicos (por ejemplo, The Cancer Genome Atlas, TCGA) y un conjunto de datos retrospectivo del centro de investigación (n=1500, con 400 casos ya recopilados) como conjunto de entrenamiento. La tarea central de esta fase es desarrollar un modelo de aprendizaje profundo (por ejemplo, una arquitectura basada en Vision Transformer o ResNet) para identificar, segmentar y cuantificar automáticamente características clave del microambiente tumoral a partir de imágenes de portaobjetos completos (WSIs) teñidas con hematoxilina y eosina (HE). Estas características incluyen, entre otras, el grado de infiltración de células inmunitarias, la proporción de estroma, la invasión vascular y las áreas necróticas. Todas las imágenes serán anotadas de forma independiente y ciega por al menos dos patólogos senior. Los desacuerdos se resolverán por consenso o arbitraje de un tercer patólogo senior para formar el estándar de oro.
  • Fase de Validación Externa Se utilizará un conjunto de datos retrospectivo de WSI de 8-10 centros médicos cooperativos nacionales para realizar una validación preliminar de la capacidad de generalización del modelo. Esta fase tiene como objetivo evaluar la robustez del modelo bajo diferentes equipos de escaneo, diferentes procesos de preparación y tinción de portaobjetos, y diferentes hábitos de interpretación de los patólogos.
• Parte 2: Construcción del Modelo de Predicción de Respuesta al Tratamiento y Validación Clínica Multinivel

Esta parte es el núcleo del estudio. Tiene como objetivo construir un modelo de clasificación que pueda predecir la respuesta de los pacientes a diferentes regímenes de tratamiento adyuvante postoperatorio (cirugía sola, cirugía + TACE, cirugía + TACE + TKI) basándose en la salida del modelo de la Parte 1 (es decir, las características cuantificadas del microambiente tumoral) combinadas con variables clínicas necesarias (como el estadio TNM, la clasificación de Child-Pugh de la función hepática y el nivel de AFP). Esta parte adopta una estrategia de validación jerárquica estricta:

• Fase de Entrenamiento del Modelo Se utilizarán datos retrospectivos del centro de investigación (n=1500). Los pacientes incluidos deben cumplir los siguientes criterios: ① HCC confirmado patológicamente; ② recibieron resección radical; ③ tienen datos completos de terapia adyuvante postoperatoria y seguimiento. Definición de respuesta al tratamiento: el criterio de valoración principal es la supervivencia libre de recurrencia (RFS), y los criterios de valoración secundarios incluyen la supervivencia global (OS) y la tasa de respuesta objetiva (ORR). El entrenamiento se realizará utilizando algoritmos de aprendizaje automático multiclase (como árboles de potenciación de gradiente y redes neuronales profundas) para generar la categoría de régimen de tratamiento de la que el paciente tiene más probabilidades de beneficiarse.
• Fase de Validación Interna Se reservará un conjunto de validación independiente (n≈500, no superpuesto con el conjunto de entrenamiento) de los datos del centro mediante división aleatoria. Se utilizará para evaluar inicialmente el rendimiento discriminativo del modelo y realizar ajuste de hiperparámetros para prevenir el sobreajuste.
• Fase de Validación Externa 1 (Validación Retrospectiva y Calibración del Modelo) Se recopilarán datos retrospectivos de múltiples centros en todo el país (8-10 centros, n=3000). Los principales propósitos de esta fase son: ① validar el rendimiento del modelo en un conjunto de datos externo a mayor escala y más heterogéneo; ② calibrar o realizar una optimización iterativa limitada del modelo basándose en los resultados de validación para formar el modelo predictivo finalizado definitivo.

Fase de Validación Externa 2 (Validación Retrospectiva a Gran Escala) El modelo finalizado se utilizará para la validación en un nuevo conjunto de datos retrospectivo a ultra gran escala (n=10.000) (de 3-5 centros). Esto consolidará aún más el nivel de evidencia y proporcionará una base sólida para estudios prospectivos.

Fase de Validación Externa 3 (Estudio Observacional Prospectivo) Se inscribirán prospectiva y consecutivamente un total de 1000 pacientes con HCC postoperatorio elegibles en 10-15 centros. Sus imágenes WSI se recopilarán y se introducirán en el modelo para obtener el régimen de tratamiento predicho. Sin embargo, esta fase del estudio no interferirá con las decisiones clínicas reales. Los investigadores registrarán los resultados de predicción del modelo y las decisiones clínicas reales, y observarán el pronóstico real de los pacientes a través del seguimiento para evaluar la consistencia entre las predicciones del modelo y los resultados reales, así como la atenuación del rendimiento del modelo en entornos del mundo real.

### Fase de Validación Externa 4 (Estudio de Intervención Prospectivo) Este es el paso de validación final del estudio. Se realizará un ensayo clínico prospectivo, aleatorizado controlado o pragmático en colaboración con 3-5 centros, con aproximadamente 600 pacientes inscritos. Los pacientes se dividirán aleatoriamente en dos grupos: ① Grupo de Toma de Decisiones Asistida por Modelo: los clínicos desarrollarán planes de tratamiento para los pacientes basándose en el régimen de tratamiento óptimo predicho por el modelo; ② Grupo de Tratamiento Estándar: los planes de tratamiento serán desarrollados completamente por los clínicos basándose en las guías existentes y la experiencia clínica. La comparación principal será la RFS entre los dos grupos, para así proporcionar el más alto nivel de medicina basada en evidencia para demostrar la utilidad clínica de la toma de decisiones asistida por modelo y su valor en la mejora del pronóstico.