Stratification du risque d'hépatocarcinogenèse à l'aide d'un modèle clinique, biologique et échographique basé sur l'apprentissage en profondeur chez les patients à haut risque (STARHE)

D'ici 2030, le carcinome hépatocellulaire (CHC) deviendra la deuxième cause de décès lié au cancer, représentant plus d'un million de décès par an selon l'Organisation mondiale de la santé.

A ce jour, le dépistage du carcinome hépatocellulaire en France reste homogène pour tous les patients, basé uniquement sur une échographie hépatique tous les 6 mois. Ce schéma présente l'avantage d'associer un rapport coût-efficacité acceptable et surtout d'obtenir une survie globale augmentée. Cependant, cette stratégie présente trois limites principales : manque de personnalisation, faible observance, performances relativement médiocres de l'échographie.

Des modèles de stratification du risque ont été développés pour l'hépatite C chronique, la cirrhose alcoolique et la stéatohépatite non alcoolique (NASH) incluant des paramètres cliniques (âge, sexe, indice de masse corporelle et diabète) et biologiques (ASAT/ALAT, plaquettes, albumine). Cependant, ils n'incluaient pas l'analyse du parenchyme hépatique qui est le substrat physiopathologique de l'hépatocarcinogenèse. Dans les années 1990, plusieurs auteurs ont étudié l'incidence du carcinome hépatocellulaire selon l'échostructure du foie. Ils ont convenu du sur-risque représenté par une échostructure nodulaire hétérogène avec un rapport de taux estimé allant jusqu'à 20.

Cependant, tous ces résultats n'ont pas encore abouti à une stratégie de dépistage radiologique personnalisé. L'avènement de nouvelles techniques d'intelligence artificielle pourrait révolutionner l'approche.

L'apprentissage en profondeur, une sous-classe de l'apprentissage automatique, est un domaine de recherche populaire qui peut aider les humains à effectuer certaines tâches. Contrairement à la radiomique, l'apprentissage en profondeur peut automatiquement identifier de nouvelles caractéristiques d'image non définies par l'homme.

L'hypothèse de cette étude est que le parenchyme hépatique cirrhotique non tumoral est riche en informations structurales reflétant la sévérité de l'hépatopathie, son risque carcinologique et le processus d'hépatocarcinogenèse. Son analyse combinée aux données cliniques et biologiques, déjà étudiées pour stratifier le risque d'hépatocarcinogenèse, permettra de définir une population à très haut risque, notamment dans le cadre de l'éradication du Virus de l'Hépatite C (VHC) et du Virus de l'Hépatite B (VHB). ) contrôle.

Par conséquent, cette étude propose de concevoir de manière prospective un modèle d'apprentissage profond pour la stratification du risque d'hépatocarcinogenèse en incluant des paramètres échographiques cliniques, biologiques et radiologiques. L'objectif principal de l'étude est d'identifier une population à très haut risque de développer un hépatocarcinome afin de proposer différentes modalités de dépistage aux patients les plus à risque.

Cette étude clinique inclura des patients âgés de plus de 18 ans adressés par leur hépatologue dans le cadre d'un dépistage échographique selon les recommandations de l'Association européenne pour l'étude du foie (EASL) pour le dépistage du carcinome hépatocellulaire, à l'exception de la maladie hépatique à VHB non cirrhotique : non - maladie hépatique cirrhotique de stade F3, quelle qu'en soit la cause, basée sur l'évaluation individuelle du risque d'hépatocarcinome ; cirrhose quelle qu'en soit la cause, non virale ou virologiquement guérie (VHC) ou contrôlée (VHB). Les patients ayant des antécédents de carcinome hépatocellulaire traité seront exclus.

Deux groupes de patients seront constitués prospectivement : le groupe 1 comprendra des patients ayant un diagnostic de carcinome hépatocellulaire supérieur à 1 cm (normes diagnostiques de référence : radiologique ou histologique). Ces patients correspondront donc à un très haut risque ; Le groupe 2 comprendra des patients sans carcinome hépatocellulaire, correspondant donc à un risque moindre. Une échographie à 1 an d'intervalle sera réalisée chez les patients du groupe 2 pour confirmer l'absence de nouveau nodule dans l'année suivant l'inclusion. La proportion de nouveaux carcinomes hépatocellulaires ne doit pas dépasser 3 %.

Les données recueillies seront des paramètres cliniques, biologiques, élastographiques et ultrasonores.

Un modèle d'apprentissage profond utilisant une architecture de réseau de neurones à convolution profonde sera développé sur Python à l'aide de ces données.

Sur un total de 7 sites d'investigation, 300 patients (équitablement répartis entre les deux groupes) seront inclus dans la cohorte formation/validation et 100 patients (équitablement répartis entre les deux groupes) dans la cohorte test. Ces chiffres sont calculés à partir d'études échographiques rapportant un taux de risque de CHC allant jusqu'à 20 en cas d'échographie macronodulaire et d'exigences d'apprentissage en profondeur (grands nombres nécessaires).

Les cohortes de formation/validation et de test seront issues de centres externes et indépendants.

La performance diagnostique du modèle sera estimée par l'aire sous la courbe (AUC), la sensibilité, la spécificité et le score F1 (intervalles de confiance à 95 %) sur la cohorte de test.