Tekoälyn käyttö suolistosyövän maksametastaasien resektion jälkeen tapahtuvan uusiutumisen ennustamisessa (AI-RECOLMET)

Suolistosyöpä (CRC) on maailmanlaajuisesti kolmanneksi yleisin syöpä ja neljänneksi yleisin syöpään liittyvä kuolinsyy. Selviytyminen määräytyy pääasiassa taudin vaiheen ja metastasien olemassaolon perusteella. Metastasoituneen CRC:n potilaiden viiden vuoden selviytymisaste on 12–19 % verrattuna 90 %:iin paikallistuneen taudin potilailla, kun suolistosyövän maksametastaasit (CRLM) esiintyvät 30–50 %:lla CRC-potilaista ja aiheuttavat kaksi kolmasosaa CRC:hen liittyvistä kuolemista. Viimeaikaiset edistysaskeleet CRLM:n hoidossa ovat nostaneet potilaiden kokonaiseloonjäämistä (OS) 6 kuukaudesta 5 vuoden selviytymisasteen 25–40 %:iin. Kemoterapian ja maksaresektion yhdistelmä pysyy CRLM-potilaiden parhaan selviytymisedun antavana hoitovaihtoehtona. Vaikka leikkaushoito edustaa edelleen ainoaa tunnustettua mahdollisesti parantavaa hoitomuotoa, toisaalta moderni kemoterapia, myös biologisten lääkkeiden käyttöönoton ansiosta, on johtanut parempaan vasteeseen ja selviytymisasteisiin maksametastaaseja sairastavilla potilailla, samalla lisäten resektiokykyisyyttä (eli leikattaviksi tehtyjen potilaiden määrää lääkehoidon jälkeisen sytoreduktion ansiosta).

Jopa 30 % potilaista voidaan parantaa, jos maksan metastasit voidaan poistaa kokonaan (lääketieteellinen termi tälle on "resektio"). Leikkaushoidon harkitsemiseksi syöpäsairauden on oltava teknisesti radikaalisti resektiokykyinen. Samanaikaisesti resektion jälkeen on jätettävä riittävä määrä normaalia maksakudosta elämän ylläpitämiseksi. Paikalliset hoidot, kuten lämpöablatiivihoito, kemombolisaatio ja sädehoito, käytetään myös CRLM-potilaiden hoidossa vaihtoehtoina perinteiselle parantavalle hoidolle. Erityisesti CRLM:n paikallinen hoito voi hyötyä lämpöablatiosta, joko radioaaltopohjaisesta tai mikroaaltoihin perustuvasta. Todellakin, vaikka resektio pysyykin valittuna paikallisena hoidona resektiokykyisille maksametastaaseille, ablatiolla voi olla vastaavia hyötyjä valituilla potilailla, auttaen säästämään terveen maksaparenkyymin.

Huolimatta näistä merkittävistä ennusteeseen liittyvistä parannuksista, suuri osa potilaista (lähes puolet) kuitenkin kokee uusiutumisen paikallishoitojen yhdistelmän jälkeen. Ei-leikkaushoitojen kehittymisen myötä uusiutuvat potilaat voivat joutua ei-leikkaushoitoon resektion sijaan. Siksi on ensiarvoisen tärkeää määrittää parhaiten potilaiden hoitostrategia tarkan hoidon jälkeisen ennusteen arvion perusteella tasapainottamalla perioperatiivinen sairastuvuus/kuolleisuusriski uusiutumisriskillä. Näiden uusiutuvien potilaiden ennakkoon tunnistaminen olisi ratkaisevan tärkeää turhan leikkaushoidon välttämiseksi tai heidän ohjaamiseksi farmakologiseen adjuvanttihoitoon (eli leikkauksen jälkeiseen hoitoon).

Useimmat CRLM-potilaat käyvät läpi leikkaushoidon edeltävän kemoterapiaohjelman, jonka vasteriski on noin 60 % tapauksista. Kemoterapiaohjelmien terveydenhuollon ja biologiset kustannukset ovat merkittäviä. Lisäksi useita kemoterapiaregimejä on tällä hetkellä olemassa, mutta puuttuu tietoja siitä, mikä rejimi on tehokas millekin potilaalle. Näiden vastepotilaiden ennakkoon tunnistaminen olisi erittäin ratkaisevaa turhan, kliinistä hyötyä tuottamattoman kemoterapiahoidon välttämiseksi sekä ohjaamaan heidän kohdistamisensa farmakologiseen neoadjuvanttihoitoon (eli leikkaushoitoa edeltävään hoitoon) tai ei, ja adjuvanttiregimin valintaan. Puolestaan on tärkeää erottaa vastepotilaat ei-vastepotilaista varhain valitakseen sopivimman terapiamenetelmän.

Potilaiden ja taudin kliiniset ominaisuudet, radiologisen kuvantamisen lisäksi, on todistettu olevan välttämättömiä työkaluja, jotka auttavat arvioimaan taudin laajuutta, arvioimaan hoidon vastetta sekä tunnistamaan lääkemyrkytyksiä ja uusiutumista. Jotkin tutkimukset viittaavat siihen, että tekstuuripiirreanalyysit voivat kvantitatiivisesti havaita maksametastaasit ennen kuin radiologi havaitsee ne visuaalisesti. Kuitenkin näiden perinteisten tekijöiden arvo yksinään CRLM:n ennustamisessa on rajallinen. Monitekijäisiä ennusteellisia pisteytysjärjestelmiä on kehitetty viime vuosina mahdollisina uusiutumisen ennustajina maksaresektion jälkeen, mutta niissä on edelleen rajoituksia sovellettavuudessa, herkkyydessä ja spesifisyydessä. Uusia tarkkoja ennusteellisia indikaattoreita CRLM-potilaille tarvitaan kiireellisesti. Erityisesti kliinisesti on tarve tunnistaa a priori potilaat, joilla on erilaiset todennäköisyydet sairastua uusiutumaan paikallishoidon (maksaresektio lämpöablatiolla tai ilman) jälkeen ja erilainen vaste kemoterapiahoidolle, jotta riskiperusteinen kohdistus hoitoihin ja resursseihin voidaan tarkentaa. Kuten tiedetään, tekoäly (AI) on tietotekniikan haara, jonka tavoitteena on simuloida ihmisen älykkyyttä ja käyttäytymistä auttaakseen ihmisiä tietyissä tehtävissä. Terveydenhuollon laaja digitalisaatio tuottaa valtavan määrän dataa, ja yhdessä saatavilla olevan suorituskykyisen laskennan kanssa AI-teknologioita voidaan soveltaa nykyisten rajoitusten ylittämiseksi CRLM:n uusiutumisen ja vasteen arvioinnissa paikallisten ja kemoterapeuttisten hoitojen jälkeen, saavuttaen siten hienostuneemman kohdistuksen hoitoihin nykykäytäntöön verrattuna.

Tietokonetomografia (CT) on valittu kuvantamismenetelmä CRLM-potilaiden vaiheistukseen ja seurantaan useimmilla potilailla. Kuitenkin monet tekijät voivat vaikuttaa uusiutumiseen ja kokonaiseloonjäämiseen. Esimerkiksi jopa 25 %:lla leesioista saattaa jäädä havaitsematta. Meta-analyysi raportoi, että kontrastiaineella tehdyn CT:n herkkyys ja spesifisyys maksaleesioiden havaitsemisessa olivat 82 % ja 84 %. Kuitenkin alle 1 cm:n leesioilla herkkyys laskee 31–38 %:iin. Magneettikuvaus (MRI) on tarkin menetelmä CRLM:n havaitsemiseksi; kuitenkin sitä käytetään tyypillisesti toissijaisena työkaluna käytännössä. MRI:llä on etuna kyky havaita ja karakterisoida jopa alle 10 mm:n leesioita sekä ei-säteilyvaara. Hepatosyyttispesifisillä kontrastiaineilla on 95 %:n herkkyys maksametastaasien havaitsemisessa.

Huolimatta niiden arvosta visuaalinen CT- ja MRI-arviointi ei onnistu arvioimaan mikrorakenteellisia muutoksia, kuten leesion sisäisiä perfuusio- tai nekroottisia muutoksia, jotka voivat olla varhaisia indikaattoreita paikallisen kasvaimen etenemiselle. Lisäksi huono kuvantamisen laatu voi johtaa kaikkien metastasien tunnistamisen kyvyttömyyteen. Siksi kiinnostus AI-pohjaisten työkalujen käyttöön kuvantamisen laadun optimoimiseksi ja kvantitatiivisen kuvantamisen käyttöön on kasvanut tekstuurianalyysin tai radiomiikan käytön myötä. Radiomiikka koostuu suuren määrän kvantitatiivisten piirteiden erottamisesta lääketieteellisistä kuvista yhdistettynä koneoppimismalleihin (ML) kliinisten päätepisteiden ennustamiseksi. Viime aikoina radiomiikkaa on tutkittu ennusteellisena/ennustavana indikaattorina kliinisiin lopputulemiin eri syöpätyypeissä ja eloonjäämisanalyysissä, lupaavilla tuloksilla mikroaaltoablatiolla hoidetuilla CRLM-potilailla. Kuitenkin vähän näyttöä on saatavilla maksalle ja CRLM:lle, ja jotkin tutkimukset viittaavat siihen, että tekstuuripiirreanalyysit voivat kvantitatiivisesti auttaa radiologia muuttamaan kliinisiä lähestymistapoja.

Kaikki radiomiset piirteet voivat myös auttaa kouluttamaan neuroverkkoja, joiden tavoitteena on havaita maksametastaasit ennen kuin radiologi havaitsee ne visuaalisesti.

Siksi tämän tutkimuksen tavoitteena on arvioida, voiko monitekijäinen (mukaan lukien kliininen ja radiomiikka) ML-malli tunnistaa CRLM-potilaat, joilla on korkea riski etenemiselle kemoterapian jälkeen ja uusiutumiselle maksaresektion jälkeen. Mallinnusvaihe tapahtuu D34Health:n S-RACE-palvelussa, perustuen Azure Machine Learningiin Azure Cloudissa, tarjoten hyödyllisiä työkaluja ja menetelmiä ongelman mallintamiseen tarvittavien laskentainstanssien ja mallinnustyökalujen, kuten Jupyter Notebookien, yhdistettynä sisäänrakennettuihin yhteistyö- ja yksityisyystyökaluihin.

Lisäksi kliinisen datan lisäarvoa voidaan hyödyntää rakentamaan kliinisiä ja yhdistettyjä malleja parempaa lopputulosten ennustamista varten.

Tutkimus on konfiguroitu havainnolliseksi, retrospektiiviseksi, monisentriseksi tutkimukseksi. CRLM:ää sairastavat ja maksaresektiota saaneet potilaat sairaalaympäristössämme valitaan kelpoisuuskriteerien mukaisesti.