Risicostratificatie van hepatocarcinogenese met behulp van een op deep learning gebaseerd klinisch, biologisch en echografisch model bij patiënten met een hoog risico (STARHE)

Tegen 2030 zal hepatocellulair carcinoom (HCC) de op een na belangrijkste doodsoorzaak zijn, goed voor meer dan een miljoen sterfgevallen per jaar volgens de Wereldgezondheidsorganisatie.

Tot op heden blijft de screening op hepatocellulair carcinoom in Frankrijk uniform voor alle patiënten, uitsluitend gebaseerd op een leverechografie om de 6 maanden. Dit schema heeft het voordeel dat het een aanvaardbare kosteneffectiviteitsratio met zich meebrengt en vooral dat het een hogere overlevingskans oplevert. Deze strategie heeft echter drie belangrijke beperkingen: gebrek aan personalisatie, lage therapietrouw, relatief slechte prestaties van de echografie.

Er zijn risicostratificatiemodellen ontwikkeld voor chronische hepatitis C, alcoholische cirrose en niet-alcoholische steatohepatitis (NASH), inclusief klinische (leeftijd, geslacht, body mass index en diabetes) en biologische (ASAT/ALAT, bloedplaatjes, albumine) parameters. Ze bevatten echter geen analyse van het leverparenchym, het fysiopathologische substraat van hepatocarcinogenese. In de jaren negentig bestudeerden verschillende auteurs de incidentie van hepatocellulair carcinoom volgens de echostructuur van de lever. Ze waren het eens over het overrisico dat wordt vertegenwoordigd door een nodulaire heterogene echostructuur met een geschatte snelheidsverhouding van maximaal 20.

Al deze resultaten hebben echter nog niet geleid tot een gepersonaliseerde radiologische screeningstrategie. De komst van nieuwe kunstmatige-intelligentietechnieken zou de aanpak radicaal kunnen veranderen.

Diep leren, een subklasse van machine learning, is een populair onderzoeksgebied dat mensen kan helpen bij het uitvoeren van bepaalde taken. In tegenstelling tot radiomics kan deep learning automatisch nieuwe beeldkenmerken identificeren die niet door mensen zijn gedefinieerd.

De hypothese van deze studie is dat het niet-tumor cirrose leverparenchym rijk is aan structurele informatie die de ernst van de hepatopathie, het carcinologische risico en het proces van hepatocarcinogenese weerspiegelt. De analyse ervan gecombineerd met klinische en biologische gegevens, die al zijn bestudeerd om het risico op hepatocarcinogenese te stratificeren, zal het mogelijk maken om een ​​populatie met een zeer hoog risico te definiëren, met name in de context van de uitroeiing van het hepatitis C-virus (HCV) en het hepatitis B-virus (HBV). ) controle.

Bijgevolg stelt deze studie voor om prospectief een deep learning-model te ontwerpen voor stratificatie van het risico op hepatocarcinogenese door klinische, biologische en radiologische ultrasone parameters op te nemen. Het primaire doel van de studie is het identificeren van een populatie met een zeer hoog risico op het ontwikkelen van hepatocarcinoom om verschillende screeningsmodaliteiten voor te stellen aan de patiënten die het meeste risico lopen.

Deze klinische studie omvat patiënten ouder dan 18 jaar die door hun hepatoloog zijn verwezen in het kader van echografie volgens de aanbevelingen van de European Association for the Study of the Liver (EASL) voor screening op hepatocellulair carcinoom, behalve voor niet-cirrotische HBV-leverziekte: niet -cirrotische F3-stadium leverziekte ongeacht de oorzaak op basis van individuele risicobeoordeling voor hepatocarcinoom; cirrose door welke oorzaak dan ook, niet-viraal of virologisch genezen (HCV) of gecontroleerd (HBV). Patiënten met een voorgeschiedenis van behandeld hepatocellulair carcinoom worden uitgesloten.

Er zullen prospectief twee groepen patiënten worden samengesteld: groep 1 omvat patiënten met een diagnose van hepatocellulair carcinoom groter dan 1 cm (referentie diagnostische normen: radiologisch of histologisch). Deze patiënten zullen daarom overeenkomen met een zeer hoog risico; Groep 2 omvat patiënten zonder hepatocellulair carcinoom, wat overeenkomt met een lager risico. Een echo met een interval van 1 jaar zal worden uitgevoerd bij patiënten van groep 2 om de afwezigheid van nieuwe knobbeltjes in het jaar na opname te bevestigen. Het aandeel nieuw hepatocellulair carcinoom mag niet hoger zijn dan 3%.

De verzamelde gegevens zijn klinische, biologische, elastografische en ultrasone parameters.

Met behulp van deze gegevens zal een Deep Learning-model worden ontwikkeld dat gebruikmaakt van een diepe convolutionele neurale netwerkarchitectuur op Python.

Op een totaal van 7 onderzoekslocaties zullen 300 patiënten (billijk verdeeld over de twee groepen) worden opgenomen in het trainings-/validatiecohort en 100 patiënten (billijk verdeeld over de twee groepen) in het testcohort. Deze cijfers zijn berekend op basis van echografie-onderzoeken die een frequentieverhouding van HCC-risico van maximaal 20 rapporteren in het geval van een macronodulair echografiepatroon en Deep Learning-vereisten (grote aantallen nodig).

De trainings-/validatie- en testcohorten zullen afkomstig zijn van externe en onafhankelijke centra.

De diagnostische prestaties van het model worden geschat op basis van Area Under the Curve (AUC), sensitiviteit, specificiteit en F1-score (95% betrouwbaarheidsintervallen) op het testcohort.