A teljes lemezes digitális patológiai képek és mély tanulás alapján kifejlesztett prediktív modell felépítése és klinikai validálása a hepatocellularis karcinóma posztoperatív adjuváns terápiájára

# I. Tanulmány háttér és célkitűzések A hepatocellularis carcinoma (HCC) világszerte gyakori rosszindulatú daganat, amely előfordulás szempontjából a 6., halálozás szempontjából a 3. helyen áll globálisan. Évente körülbelül 480 000 halálesetet okoz, Kína pedig a globális esetek több mint 45%-át teszi ki, ami rendkívül súlyos betegségterhelést jelent 1. A radikális sebészi reszekció a korai stádiumú májrákos betegek elsődleges eszköze a hosszú távú túlélés eléréséhez. Azonban a műtét utáni 5 éves recidíva arány akár 50%-70% is lehet, ami súlyosan korlátozza a betegek prognózisát 2. A műtét utáni adjuváns terápia kulcsfontosságú stratégiavá vált a recidíva késleltetésére és a túlélés javítására. Ezen terápiák között a transzarteriális kemembolizáció (TACE) és a tirozin-kináz gátlók (TKI-k, például szorafenib és lenvatinib) széles körben alkalmazásra kerültek a magas recidíva kockázatú betegek kezelésében 1,3.

A TACE iszkémiás nekrózist idéz elő a daganatot tápláló véredények lokális embolizálásával kombinálva kemoterápiás szerek perfúziójával, és a középső stádiumú májrák kezelésére alkalmas 4,5. A többcélú TKI-szerek viszont szisztémásan gátolhatják az ilyen jelátviteli utakat, mint a vaskuláris endoteliális növekedési faktor receptor (VEGFR) és a vérlemezkékből származó növekedési faktor receptor (PDGFR), antiangiogén és antitumor proliferációs hatást fejtve ki, és a haladó stádiumú májrák szabványos kezelésévé váltak 3. Mindazonáltal mindkét kezelési módnak jelentős korlátai vannak: a TACE objektív válasz aránya általában csak 50%-60%, és egyes betegek nem részesülhetnek előnyeiből, sőt akár májfunkció károsodást is tapasztalhatnak 6. Bár a TKI-k 3-5 hónappal meghosszabbíthatják a magas kockázatú műtét utáni betegek recidíva-mentes túlélését (RFS), a nem szelektált populációkban a kezelési válasz aránya kevesebb, mint 20%, a 3-4-es fokozatú mellékhatások (például magas vérnyomás, kéz-láb bőrreakció és fehérjevizelés) előfordulása több mint 50%, ami a betegek 20%-ában a kezelés abbahagyásához vezet a toxikus mellékhatások intoleranciája miatt 3,7,8. Jelenleg a klinikum hiányzik egy hatékony és megbízható biomarker rendszer a potenciális haszonélvező populációk azonosítására. Ennek eredményeként a kezelési döntések továbbra is a klinikai tapasztalatra támaszkodnak (például a hagyományos patológiai jellemzők, mint a daganat mérete és az érhatárátlépés alapján), ami korlátozott individualizálást, orvosi erőforrások pazarlását és további kezelési terhet jelent a betegek számára.

Friss tanulmányok kimutatták, hogy a Tumor Immun Mikrokörnyezet (TIME) kulcsfontosságú biológiai alapja a TACE és TKI-k terápiás érzékenységét befolyásoló tényezőknek 3. A TIME összetételi jellemzői, beleértve az immunsejtek infiltrációját (például CD8⁺ T sejtek, Treg-ek, CTL-ek és M2 típusú tumor-asszociált makrofágok), az immunellenőrző molekulák (például a Programozott Sejthalál Ligand 1, PD-L1) expresszióját és a térbeli szerkezetet, szorosan kapcsolódnak a kezelési válaszhoz 9-12. Például egy immun-inflammatórikus TIME (magas CD8⁺ T sejt sűrűség és harmadlagos lymphoid szerkezetek kialakulása) pozitív korrelációt mutathat a TACE utáni tumornekrózissal és a TKI kezelési válasszal; ezzel szemben egy immun-mentes vagy sivatagos fenotípus gyakran kezelési rezisztenciát jelez 13-15. Azonban a jelenlegi TIME értékelés többnyire a Multiplex Immunhisztokémia (mIHC) és a térbeli transzkriptomika magas felbontású technológiáira támaszkodik. Bár ezek a módszerek részletesen leírhatják a mikrokörnyezetet, alkalmazási szűk keresztmetszeteik vannak, mint a magas költség, a komplex működtetés, a mintaminőségre vonatkozó magas követelmények és az alacsony szabványosítás, ami korlátozza klinikai elterjedésüket.

A mesterséges intelligencia, különösen a mélytanulási technológia áttörései új megközelítést nyújtottak a mély patológiai információk kibányászához a hagyományos Hematoxilin és Eozin (HE) festésű Whole Slide Imaging (WSI)-ből. Műtét utáni patológiai diagnózis rutin adataként (minden HCC betegnél HE-festésű WSI készül műtét után további mintavétel vagy tesztelés nélkül) a WSI olyan sejtmorfológiai és szöveti szerkezeti részleteket tartalmaz, amelyekről bebizonyosodott, hogy leképezik a TIME alapvető jellemzőit. Például olyan architektúrákon keresztül, mint a Convolutional Neural Network (CNN) és a Vision Transformer (ViT), automatikusan azonosíthatók a CD8⁺ T sejt infiltrációs sűrűséghez és PD-L1 expresszióhoz kapcsolódó morfológiai minták, lehetővé téve a "HE morfológia → immunállapot" keresztmodális előrejelzését 16,17. A legújabb tanulmányok megerősítették, hogy a HE-WSI alapú mélytanulási modellek nagy pontossággal (AUC 0,88) megjósolhatják a vastagbélrák mikroszatellita instabilitását (MSI) 18, a nem kissejtes tüdőrák PD-L1 expresszióját (AUC 0,80) és Tumor Mutációs Terhelését (TMB, AUC 0,91) 19,20. A májrák területén a tanulmányok szintén alkalmazták WSI mélytanulást a műtét utáni recidíva kockázat (AUC 0,82) és a májrák szövetek immunsejt infiltrációjának (AUC 0,78) előrejelzésére 21,22. Azonban egyetlen tanulmány sem fókuszál a "műtét utáni adjuváns terápia (TACE/TKI) hatékonyságának előrejelzése" klinikai fájdalompontjára, és hiányzik a többközpontú, nagymintás klinikai validáció.

Ezért egy HE-festésű WSI és mélytanulási algoritmusok alapú HCC műtét utáni adjuváns terápia előrejelző modell felépítése nemcsak segít elemezni a TIME mechanisztikus szerepét a kezelési válaszban, hanem áttörést jelent a meglévő detektálási technológiák korlátain, mint a magas költség, a hosszú ciklus és a speciális platformokra való támaszkodás, elősegítve a májrák adjuváns terápia döntések fejlődését a precizitás és hozzáférhetőség irányába. Ez a projekt szándékozik integrálni a többközpontú klinikopatológiai adatokat mesterséges intelligencia algoritmusokkal, hogy létrehozzon egy digitális patológiai modellt, amely alkalmas a TACE és TKI hatékonyságának előrejelzésére, és szigorú klinikai validációt végezzen, célul tűzve ki egy tudományos és megbízható döntéshozatali eszköz biztosítását a HCC műtét utáni kezelési választás számára.

# II. Konkrét eljárások és munkafolyamat Ez a tanulmány egy diagnosztikai kísérleteket és intervenciós tanulmányokat egyesítő átfogó kutatás, két fő részre és több fázisra osztva. Célja egy mesterséges intelligencia alapú előrejelző rendszer fejlesztése és validálása a Hepatocellularis Carcinoma (HCC) műtét utáni adjuváns terápiájára. A teljes tanulmány követi az Orvosi Eszközként Szolgáló Szoftver (SaMD) mesterséges intelligencia (AI) alapú fejlesztésének szabványos folyamatát, beleértve a retrospektív adatgyűjtést, a modellfejlesztést és képzést, a retrospektív validációt, a prospektív megfigyelési validációt és a végső prospektív intervenciós tanulmányt.

• 1. rész: Tumor Mikrokörnyezet Felismerő Modell Felépítése és Validálása

  • Fejlesztési és Képzési Fázis Nyilvános adatkészleteket (például The Cancer Genome Atlas, TCGA) és a kutatóközpont retrospektív adatkészletét (n=1500, amelyből 400 eset már összegyűjtve) használják képzési halmazként. Ennek a fázisnak a fő feladata egy mélytanulási modell (például Vision Transformer vagy ResNet alapú architektúra) fejlesztése a kulcsfontosságú tumor mikrokörnyezet jellemzők automatikus azonosítására, szegmentálására és kvantifikálására Hematoxilin és Eozin (HE) festésű Whole Slide Images (WSI-k) alapján. Ezek a jellemzők többek között magukban foglalják, de nem korlátozódnak az immunsejtek infiltrációjának mértékére, a stroma arányára, az érhatárátlépésre és a nekrotikus területekre. Minden képet legalább két szenior patológus függetlenül, vak módon annotál. Az eltéréseket konszenzuson vagy egy harmadik szenior patológus döntőbíráskodásán keresztül oldják fel, hogy kialakítsák az arany standardot.
  • Külső Validációs Fázis 8-10 hazai együttműködő orvosi központ retrospektív WSI adatkészletét használják a modell általánosítási képességének előzetes validálására. Ennek a fázisnak a célja a modell robusztusságának értékelése különböző szkennelő berendezések, különböző lemez előkészítési és festési folyamatok, valamint különböző patológus értelmezési szokások mellett.
• 2. rész: Kezelési Válasz Előrejelző Modell Felépítése és Többszintű Klinikai Validálás

Ez a rész a tanulmány magja. Célja egy osztályozó modell felépítése, amely a betegek különböző műtét utáni adjuváns kezelési protokollokra (csak sebészet, sebészet + TACE, sebészet + TACE + TKI) adott válaszát képes előre jelezni az 1. rész modelljének kimenete (azaz a kvantifikált tumor mikrokörnyezet jellemzők) alapján, kombinálva a szükséges klinikai változókkal (például TNM stádium, májfunkció Child-Pugh osztályozás és AFP szint). Ez a rész szigorú hierarchikus validációs stratégiát alkalmaz:

• Modell Képzési Fázis A kutatóközpont retrospektív adatait (n=1500) használják. A bevont betegeknek meg kell felelniük a következő kritériumoknak: ① patológiailag igazolt HCC; ② radikális reszekciót kapott; ③ teljes műtét utáni adjuváns terápiával és követési adatokkal rendelkezik. A kezelési válasz definíciója: az elsődleges végpont a Recidíva-mentes Túlélés (RFS), a másodlagos végpontok közé tartozik az Összesített Túlélés (OS) és az Objektív Válasz Arány (ORR). A képzés többosztályos gépi tanulási algoritmusokat (például gradiens erősítő fák és mély neurális hálózatok) használ, hogy kimenetként adja azt a kezelési protokoll kategóriát, amelyből a beteg valószínűleg a legtöbb hasznot húzza.
• Belső Validációs Fázis Egy független validációs halmazt (n≈500, nem átfedő a képzési halmazzal) tartanak fenn a központ adataiból véletlenszerű felosztással. Ezt a modell diszkriminatív teljesítményének kezdeti értékelésére és hiperparaméter hangolására használják a túlilleszkedés megelőzése érdekében.
• Külső Validációs Fázis 1 (Retrospektív Validálás és Modell Kalibráció) Országszerte több központ (8-10 központ, n=3000) retrospektív adatait gyűjtik össze. Ennek a fázisnak a fő céljai: ① a modell teljesítményének validálása nagyobb léptékű és heterogénebb külső adatkészleten; ② a modell kalibrálása vagy korlátozott iteratív optimalizálása a validációs eredmények alapján a végső végleges előrejelző modell kialakításához.

Külső Validációs Fázis 2 (Nagy Léptékű Retrospektív Validálás) A végleges modellt egy új, nagyléptékű (n=10 000) retrospektív adatkészleten (3-5 központból) használják validálásra. Ez tovább erősíti a bizonyítékok szintjét és szilárd alapot nyújt a prospektív tanulmányokhoz.

Külső Validációs Fázis 3 (Prospektív Megfigyelési Tanulmány) Összesen 1000 jogosult műtét utáni HCC beteget vesznek fel prospektíven és egymás után 10-15 központban. WISI képeiket gyűjtik és bevitték a modellbe, hogy megkapják az előre jelzett kezelési protokollt. Azonban ez a tanulmány fázis nem avatkozik be a tényleges klinikai döntésekbe. A kutatók rögzítik a modell előrejelzési eredményeit és a tényleges klinikai döntéseket, és megfigyelik a betegek tényleges prognózisát követésen keresztül, hogy értékeljék a modell előrejelzései és a tényleges kimenetelek közötti konzisztenciát, valamint a modell teljesítménycsökkenését valós körülmények között.

### Külső Validációs Fázis 4 (Prospektív Intervenciós Tanulmány) Ez a tanulmány végső validációs lépése. Egy prospektív, randomizált kontrollált vagy pragmatikus klinikai vizsgálatot végeznek 3-5 központ együttműködésével, körülbelül 600 beteg bevonásával. A betegeket véletlenszerűen két csoportra osztják: ① Modell-Asszisztált Döntéshozatali Csoport: a klinikusok a betegek kezelési tervét a modell által előre jelzett optimális kezelési protokoll alapján dolgozzák ki; ② Szabványos Kezelési Csoport: a kezelési terveket teljesen a klinikusok dolgozzák ki a meglévő irányelvek és klinikai tapasztalat alapján. Az elsődleges összehasonlítás a két csoport RFS-e lesz, hogy a legmagasabb szintű evidenciális orvostudományt nyújtsák a modell-asszisztált döntéshozatal klinikai hasznosságának és prognózisjavító értékének bemutatására.