Maksakarsinogeneesin riskin jakautuminen syvään oppimiseen perustuvalla kliinisellä, biologisella ja ultraäänimallilla korkean riskin potilailla (STARHE)

Vuoteen 2030 mennessä hepatosellulaarisesta karsinoomasta (HCC) tulee toiseksi yleisin syöpäkuolemien syy, ja se aiheuttaa yli miljoona kuolemaa vuodessa Maailman terveysjärjestön mukaan.

Toistaiseksi hepatosellulaarisen karsinooman seulonta Ranskassa on pysynyt yhtenäisenä kaikille potilaille, ja se perustuu vain maksan ultraäänitutkimukseen 6 kuukauden välein. Tällä järjestelmällä on se etu, että se yhdistää hyväksyttävän kustannustehokkuussuhteen ja ennen kaikkea parantaa kokonaiseloonjäämistä. Tällä strategialla on kuitenkin kolme päärajoitusta: personoinnin puute, alhainen noudattaminen, ultraäänen suhteellisen huono suorituskyky.

Krooniselle hepatiitti C:lle, alkoholikirroosille ja alkoholittomalle steatohepatiitille (NASH) on kehitetty riskikerrostumismalleja, mukaan lukien kliiniset (ikä, sukupuoli, painoindeksi ja diabetes) ja biologiset (ASAT/ALAT, verihiutaleet, albumiini) parametrit. Ne eivät kuitenkaan sisältäneet maksan parenkyymin analyysiä, joka on hepatokarsinogeneesin fysiopatologinen substraatti. 1990-luvulla useat kirjoittajat tutkivat hepatosellulaarisen karsinooman ilmaantuvuutta maksan kaikurakenteen mukaan. He sopivat yliriskistä, jota edustaa nodulaarinen heterogeeninen kaikurakenne, jonka arvioitu suhdeluku on jopa 20.

Kaikki nämä tulokset eivät kuitenkaan ole vielä johtaneet henkilökohtaiseen radiologiseen seulontastrategiaan. Uusien tekoälytekniikoiden tulo voi mullistaa lähestymistavan.

Deep learning, koneoppimisen alaluokka, on suosittu tutkimusalue, joka voi auttaa ihmisiä suorittamaan tiettyjä tehtäviä. Toisin kuin radiomiikka, syväoppiminen voi automaattisesti tunnistaa uusia kuvan ominaisuuksia, joita ihmiset eivät ole määrittäneet.

Tämän tutkimuksen hypoteesi on, että ei-kasvainkirroottinen maksaparenkyyma sisältää runsaasti rakenteellista tietoa, joka heijastaa hepatopatian vakavuutta, sen karsinologista riskiä ja hepatokarsinogeneesiprosessia. Sen analyysi yhdistettynä kliinisiin ja biologisiin tietoihin, joita on jo tutkittu maksakarsinogeneesin riskin kerrostamiseksi, mahdollistaa erittäin suuren riskin väestön määrittelyn, erityisesti hepatiitti C -viruksen (HCV) hävittämisen ja hepatiitti B -viruksen (HBV) yhteydessä. ) ohjaus.

Tästä syystä tässä tutkimuksessa ehdotetaan syvällisen oppimismallin suunnittelemista prospektiivisesti hepatokarsinogeneesin riskin kerrostamiseksi sisällyttämällä siihen kliiniset, biologiset ja radiologiset ultraääniparametrit. Tutkimuksen ensisijaisena tavoitteena on tunnistaa populaatio, jolla on erittäin suuri riski sairastua maksakarsinoomaan, jotta voidaan ehdottaa erilaisia ​​seulontamenetelmiä riskiryhmiin kuuluville potilaille.

Tähän kliiniseen tutkimukseen osallistuu yli 18-vuotiaita potilaita, jotka heidän hepatologinsa on lähettänyt ultraääniseulonnan puitteissa Euroopan maksatutkimusyhdistyksen (EASL) hepatosellulaarisen karsinooman seulonnan suositusten mukaisesti, paitsi ei-kirroottisen HBV-maksasairauden osalta: ei -kirroosi F3-vaiheen maksasairaus mistä tahansa syystä, joka perustuu yksilölliseen maksakarsinooman riskinarviointiin; mistä tahansa syystä johtuva kirroosi, ei-virus tai virologisesti parannettu (HCV) tai kontrolloitu (HBV). Potilaat, joilla on aiemmin ollut hoidettu hepatosellulaarinen syöpä, suljetaan pois.

Prospektiivisesti muodostetaan kaksi potilasryhmää: ryhmään 1 kuuluvat potilaat, joilla on diagnosoitu yli 1 cm:n hepatosellulaarinen syöpä (vertailudiagnostiset standardit: radiologinen tai histologinen). Nämä potilaat vastaavat siksi erittäin korkeaa riskiä; Ryhmään 2 kuuluvat potilaat, joilla ei ole hepatosellulaarista karsinoomaa, joten riski on pienempi. Ryhmän 2 potilaille tehdään 1 vuoden välein ultraääni, jotta varmistetaan uuden kyhmyn puuttuminen sisällyttämistä seuraavana vuonna. Uuden hepatosellulaarisen karsinooman osuus ei saa ylittää 3 %.

Kerätyt tiedot ovat kliinisiä, biologisia, elastografisia ja ultraääniparametreja.

Näitä tietoja käyttäen kehitetään Pythonissa syväkonvoluutiohermoverkkoarkkitehtuuria käyttävä Deep Learning -malli.

Yhteensä 7 tutkimuspaikalla 300 potilasta (tasaisesti jakautuneena kahden ryhmän kesken) sisällytetään koulutus-/validointikohorttiin ja 100 potilasta (tasaisesti jakautunut kahden ryhmän kesken) testikohorttiin. Nämä luvut on laskettu ultraäänitutkimuksista, joissa HCC-riskin suhdeluku on jopa 20 makronodulaarisen ultraäänikuvion ja Deep Learning -vaatimusten tapauksessa (suuria lukuja tarvitaan).

Koulutus-/validointi- ja testikohortit tulevat ulkoisista ja riippumattomista keskuksista.

Mallin diagnostinen suorituskyky arvioidaan käyrän alla olevan alueen (AUC), herkkyyden, spesifisyyden ja F1-pisteen (95 %:n luottamusvälit) perusteella testikohortissa.