高リスク患者における深層学習ベースの臨床、生物学、および超音波モデルを使用した肝発癌のリスク層別化 (STARHE)

世界保健機関によると、2030 年までに、肝細胞癌 (HCC) は癌関連死の 2 番目の主要な原因となり、年間 100 万人以上の死亡を占めることになります。

今日まで、フランスにおける肝細胞癌のスクリーニングは、6 か月ごとの肝臓の超音波のみに基づいて、すべての患者に対して均一なままです。 このスキームには、許容できる費用対効果比を関連付けるという利点があり、とりわけ、全生存期間を延長できるという利点があります。 ただし、この戦略には、パーソナライズの欠如、コンプライアンスの低さ、超音波の比較的低いパフォーマンスという 3 つの主な制限があります。

C 型慢性肝炎、アルコール性肝硬変、非アルコール性脂肪性肝炎 (NASH) のリスク層別化モデルが開発されており、臨床 (年齢、性別、体格指数、糖尿病) および生物学的 (ASAT/ALAT、血小板、アルブミン) パラメーターが含まれています。 しかし、肝発癌の生理病理学的基質である肝実質の分析は含まれていませんでした。 1990 年代に、何人かの著者が、肝臓のエコー構造による肝細胞癌の発生率を研究しました。 彼らは、推定レート比が最大 20 の結節性の不均一なエコー構造によって表される過剰リスクに同意しました。

ただし、これらの結果はすべて、個別の放射線スクリーニング戦略にはまだつながっていません。 新しい人工知能技術の出現は、このアプローチに革命をもたらす可能性があります。

機械学習のサブクラスであるディープ ラーニングは、人間が特定のタスクを実行するのを支援する人気のある研究分野です。 ラジオミクスとは異なり、ディープ ラーニングは、人間が定義していない新しい画像の特徴を自動的に識別できます。

この研究の仮説は、非腫瘍性肝硬変肝実質には、肝障害の重症度、その発がんリスク、および肝発がんのプロセスを反映する構造情報が豊富にあるというものです。肝発癌のリスクを層別化するためにすでに研究されている臨床および生物学的データと組み合わせたその分析により、特にC型肝炎ウイルス（HCV）の根絶とB型肝炎ウイルス（HBV ） コントロール。

その結果、この研究では、臨床的、生物学的、および放射線学的超音波パラメーターを含めることにより、肝発癌のリスクを層別化するための深層学習モデルを前向きに設計することを提案しています。 この研究の主な目的は、肝癌を発症するリスクが非常に高い集団を特定して、最もリスクの高い患者にさまざまなスクリーニング方法を提案することです。

この臨床研究には、非肝硬変 HBV 肝疾患を除く肝細胞癌スクリーニングに関する欧州肝臓学会 (EASL) 勧告による超音波スクリーニングの枠組みの中で、肝臓専門医によって紹介された 18 歳以上の患者が含まれます。 -肝癌の個々のリスク評価に基づく、あらゆる原因による肝硬変のF3段階の肝疾患;あらゆる原因による肝硬変、非ウイルス性またはウイルス学的に治癒した (HCV) または制御された (HBV)。 肝細胞癌の治療歴のある患者は除外されます。

患者の2つのグループが前向きに構成されます。グループ1には、1 cmを超える肝細胞癌と診断された患者が含まれます（参照診断基準：放射線学的または組織学的）。 したがって、これらの患者は非常にリスクの高い患者に相当します。グループ 2 には、肝細胞がんのない患者が含まれるため、リスクが低くなります。 グループ2の患者では、1年間隔の超音波検査を実施して、組み入れの翌年に新しい結節がないことを確認します。 新しい肝細胞癌の割合は 3% を超えてはなりません。

収集されるデータは、臨床、生物学、エラストグラフィ、および超音波パラメータになります。

これらのデータを使用して、深層畳み込みニューラル ネットワーク アーキテクチャを使用したディープ ラーニング モデルを Python で開発します。

合計 7 つの調査サイトで、300 人の患者 (2 つのグループに均等に分配) がトレーニング/検証コホートに含まれ、100 人の患者 (2 つのグループに均等に分配) がテスト コホートに含まれます。 これらの数値は、大結節の超音波パターンと深層学習の要件 (多数が必要) の場合に最大 20 の HCC リスクの比率を報告する超音波研究から計算されます。

トレーニング/検証およびテスト コホートは、外部および独立したセンターから提供されます。

モデルの診断性能は、テスト コホートの曲線下面積 (AUC)、感度、特異性、および F1 スコア (95% 信頼区間) によって推定されます。