Stratificazione del rischio di epatocarcinogenesi utilizzando un modello clinico, biologico ed ecografico basato sul deep learning in pazienti ad alto rischio (STARHE)

Entro il 2030, il carcinoma epatocellulare (HCC) diventerà la seconda causa di morte correlata al cancro, rappresentando oltre un milione di decessi all'anno secondo l'Organizzazione mondiale della sanità.

Ad oggi, lo screening per il carcinoma epatocellulare in Francia rimane uniforme per tutti i pazienti, basato esclusivamente su un'ecografia del fegato ogni 6 mesi. Questo schema ha il vantaggio di associare un rapporto costo-efficacia accettabile e, soprattutto, di ottenere un aumento della sopravvivenza globale. Tuttavia, questa strategia ha tre limiti principali: mancanza di personalizzazione, bassa compliance, prestazioni relativamente scarse dell'ecografia.

Sono stati sviluppati modelli di stratificazione del rischio per l'epatite cronica C, la cirrosi alcolica e la steatoepatite non alcolica (NASH) includendo parametri clinici (età, sesso, indice di massa corporea e diabete) e biologici (ASAT/ALAT, piastrine, albumina). Tuttavia, non includevano l'analisi del parenchima epatico che è il substrato fisiopatologico dell'epatocarcinogenesi. Negli anni '90 diversi autori hanno studiato l'incidenza del carcinoma epatocellulare secondo l'ecostruttura epatica. Hanno concordato sul rischio eccessivo rappresentato da un'ecostruttura nodulare eterogenea con un rate ratio stimato fino a 20.

Tuttavia, tutti questi risultati non hanno ancora portato a una strategia di screening radiologico personalizzata. L'avvento di nuove tecniche di intelligenza artificiale potrebbe rivoluzionare l'approccio.

L'apprendimento profondo, una sottoclasse dell'apprendimento automatico, è un'area di ricerca popolare che può aiutare gli esseri umani a svolgere determinati compiti. A differenza della radiomica, il deep learning può identificare automaticamente nuove caratteristiche dell'immagine non definite dall'uomo.

L'ipotesi di questo studio è che il parenchima epatico cirrotico non tumorale sia ricco di informazioni strutturali che riflettono la gravità dell'epatopatia, il suo rischio carcinologico e il processo di epatocarcinogenesi. La sua analisi unita ai dati clinici e biologici, già studiati per stratificare il rischio di epatocarcinogenesi, consentirà di definire una popolazione ad altissimo rischio, in particolare nel contesto dell'eradicazione del virus dell'epatite C (HCV) e del virus dell'epatite B (HBV ) controllo.

Di conseguenza, questo studio propone di progettare in modo prospettico un modello di deep learning per la stratificazione del rischio di epatocarcinogenesi includendo parametri ecografici clinici, biologici e radiologici. L'obiettivo primario dello studio è quello di identificare una popolazione ad altissimo rischio di sviluppare epatocarcinoma al fine di proporre diverse modalità di screening ai pazienti più a rischio.

Questo studio clinico includerà pazienti di età superiore a 18 anni segnalati dal loro epatologo nel quadro dello screening ecografico secondo le raccomandazioni dell'Associazione europea per lo studio del fegato (EASL) per lo screening del carcinoma epatocellulare, ad eccezione della malattia epatica da HBV non cirrotica: non -malattia epatica cirrotica in stadio F3 da qualsiasi causa basata sulla valutazione del rischio individuale per l'epatocarcinoma; cirrosi da qualsiasi causa, non virale o virologicamente curata (HCV) o controllata (HBV). Saranno esclusi i pazienti con una storia di carcinoma epatocellulare trattato.

Verranno costituiti prospetticamente due gruppi di pazienti: il gruppo 1 includerà pazienti con diagnosi di carcinoma epatocellulare maggiore di 1 cm (standard diagnostici di riferimento: radiologico o istologico). Questi pazienti corrisponderanno quindi ad un rischio molto elevato; Il gruppo 2 includerà pazienti senza carcinoma epatocellulare, corrispondenti quindi a un rischio inferiore. Un'ecografia ad intervallo di 1 anno verrà eseguita nei pazienti del gruppo 2 per confermare l'assenza di nuovo nodulo nell'anno successivo all'inclusione. La percentuale di nuovi carcinomi epatocellulari non deve superare il 3%.

I dati raccolti saranno parametri clinici, biologici, elastografici ed ecografici.

Un modello di Deep Learning che utilizza un'architettura di rete neurale convoluzionale profonda sarà sviluppato su Python utilizzando questi dati.

Su un totale di 7 siti di indagine, 300 pazienti (equamente distribuiti tra i due gruppi) saranno inclusi nella coorte di addestramento/validazione e 100 pazienti (equamente distribuiti tra i due gruppi) nella coorte di test. Questi numeri sono calcolati da studi ecografici che riportano un tasso di rischio di HCC fino a 20 in caso di pattern ecografico macronodulare e requisiti di Deep Learning (necessari numeri elevati).

Le coorti di formazione/convalida e test proverranno da centri esterni e indipendenti.

Le prestazioni diagnostiche del modello saranno stimate da Area Under the Curve (AUC), sensibilità, specificità e punteggio F1 (intervalli di confidenza al 95%) sulla coorte di test.